一种基于贝叶斯神经网络的垃圾分类方法及系统与流程

本发明属于垃圾分类，特别涉及一种基于贝叶斯神经网络的垃圾分类方法及系统。

背景技术：

1、随着社会的进步，人们的生活水平和质量逐渐提高，能够消费的东西也日益增多，因此产生的垃圾也越来越多，垃圾主要采用填埋和焚烧等方法进行处理，现有的垃圾分类回收方法主要为人工分类，容易出错且给人们的日常生活造成不便。现有的垃圾桶或箱在分类时，大都分为可回收垃圾和不可回收垃圾，分类不明确，给垃圾回收利用的时候造成很大的麻烦，不方便回收。在生活区或办公区，存在很多的废弃的电池、灯管、温度计和药品等有害垃圾，这些东西直接投放到垃圾桶，和其他生活垃圾混合投放，极易破损，泄漏，造成比其他生活垃圾更为严重的环境污染。

2、公开号为cn114289343a的中国专利公开了一种垃圾分类处理方法及系统，涉及垃圾分类技术领域。该方法包括：获取预设垃圾分类规则。根据预设垃圾分类规则建立垃圾分类模型，并对垃圾分类模型进行训练，以得到训练好的垃圾分类模型。获取目标垃圾图像数据，对目标垃圾图像数据进行特征提取得到对应的特征信息。将特征信息输入至训练好的垃圾分类模型中，得到对应的垃圾分类结果。将垃圾分类结果输入至预置垃圾处理库进行匹配，以得到对应的垃圾处理信息。该方法及系统对于不同的垃圾种类提出了针对性处理方法，但将无法准确地识别有害垃圾与其他垃圾，将有害垃圾归类于其他垃圾类别，很大程度上对垃圾回收的工作造成影响，因此需要一种能够识别各类别垃圾的方法。

3、公开号为cn113003036a的中国专利公开了一种基于物体识别算法的社区垃圾分类方法和系统。该方法包括：在分类垃圾桶周围设置第一物体识别装置，第一物体识别装置通过盛装垃圾的垃圾袋的颜色、温度、硬度和气味，结合语音识别垃圾投放者的语音，确定垃圾袋所属垃圾桶的第一分类结果；根据第一分类结果指示垃圾投放者进行垃圾投放；垃圾桶内设置第二物体识别装置，第二物体识别装置识别垃圾的物理特征和化学特征；按照垃圾的物理特征和化学特征对垃圾进行分类得到第二分类结果，如果第二分类结果与第一分类结果不一致，则将第二分类结果作为最终分类结果，将垃圾转移至最终分类结果对应的垃圾桶中。该发明通过视频感知提高了垃圾分类的准确度和效率。该发明通过贝叶斯分类器识别垃圾种类需要基于特征的条件独立性假设，然而在现实情况下，条件独立假设过于严格，在实际问题中很难成立，因此特征之间的相关性极大限制了朴素贝叶斯的性能。

技术实现思路

1、本发明提供一种基于贝叶斯神经网络的垃圾分类方法及系统，旨在解决对生活中无法有效识别各垃圾种类，垃圾回收效率低的问题。

2、为解决上述技术问题，本发明提出了一种基于贝叶斯神经网络的垃圾分类方法及系统。

3、本发明的技术方案一：

4、基于贝叶斯神经网络的垃圾分类方法包括以下步骤：

5、s1：破碎垃圾包裹物，采集各类垃圾原始图像，构建基础垃圾图像数据集，对基础数据集进行补充，得到增广垃圾图像数据集。

6、s2：根据《城市生活垃圾分类其评价标准》的要求标记垃圾图像数据集，对数据集进行预处理。

7、s3：将数据集垃圾图像数据转化为数字向量输入基于贝叶斯神经网络的深度学习模型进行识别训练，通过输入训练数据识别垃圾种类。

8、s4：对实时获取的垃圾图像数据转化为数字向量输入贝叶斯神经网络模型，输出概率向量，根据向量识别垃圾类别。

9、优选地，所述s1中，通过对内部数据与外部数据的增广补充基础垃圾图像数据集，内部数据增强对原始图像采用灰度化、对比度增强、尺寸放缩及高斯模糊的变化操作，外部数据增强采用通过跟踪外部互联网等图片网站的html文件，提取url列表得到目标图片。

10、优选地，所述s2中，对垃圾图像数据集中的垃圾进行分类标记，将垃圾分类为可回收物、大件垃圾、可堆肥垃圾、可燃垃圾、有害垃圾与其他垃圾，将不同类别垃圾图像的标签设置为所属类别，对垃圾图像的预处理包括以下步骤：

11、去均值，将输入数据各个维度都中心化为0。

12、归一化处理，将样本数据打乱顺序后进行归一化处理，使各维度数据位于同一变化幅度上。

13、主成分分析：对原始数据的特征值进行由小到大的排序，按照方差解释比例大于90％的特征向量个数进行降维的维度数选择，去除数据集中的噪声和冗余信息，提取出数据集的主要特征。

14、优选地，所述s3中训练基于贝叶斯神经网络的深度学习模型包括以下步骤：

15、s3-1：将70％的垃圾图像样本作为训练数据，用于训练模型，30％的垃圾图像样本作为测试数据，用于测试模型的泛化能力。

16、s3-2：所述贝叶斯神经网络的隐含层节点数n设置为：

17、

18、式中，l为输入层节点数，k为输出层节点数，m为调整因子，m∈[1.20]。

19、s3-3：基于变分推断近似贝叶斯神经网络参数w的后验分布，通过kl散度函数度量参数w分布与后验分布的距离，kl散度函数表示为：

20、

21、式中，d为训练数据，qθ(w|d)为参数w在数据集d的近似分布，p(w|d)为后验分布，θ＝(μ,σ2)，参数wi在高斯分布θ＝(μ,σ2)中采样。

22、通过kl散度函数优化参数，表示为：

23、

24、进一步推导得到，

25、

26、式中，p(d|w)为基于qθ(w|d)的似然分布，p(w)为先验分布。

27、变分下界elbo表示为，

28、

29、则目标函数loss可表示为：

30、

31、式中，qθ(wi|d)为第i次采样的参数w的似然分布，p(wi)为第i次采样的参数w的先验分布，p(d|wi)为基于qθ(w|d)第i次采样的参数w的似然分布。

32、s3-4：重复更新参数进行迭代训练，得到近似分布qθ(w|d)向量，根据输入数据对应的垃圾类别标签训练垃圾图像所属类别。

33、s3-5：将测试数据输入训练完成的贝叶斯神经网络模型，根据贝叶斯公式，利用训练好的模型参数和先验概率，计算后验概率，得到垃圾分类结果。

34、优选地，所述贝叶斯神经网络模型采用relu激活函数，该激活函数表示为：

35、f(x)＝max(0,x)

36、式中，x为输入向量与对应的权重的乘积之和。

37、本发明的技术方案二：

38、基于贝叶斯神经网络的垃圾分类系统，包括：

39、垃圾图像采集模块：破碎垃圾包裹物，采集垃圾原始图像，构建基础垃圾图像数据集，对基础数据集进行补充，得到增广垃圾图像数据集。

40、垃圾数据预处理模块：对垃圾原始图像数据进行预处理。

41、贝叶斯神经网络垃圾识别模块：构建并训练贝叶斯神经网络模型，判别垃圾种类。

42、回收模块：对分类完成的垃圾进行回收。

43、所述系统用于执行以下步骤：

44、破碎垃圾包裹物，采集各类垃圾原始图像，构建基础垃圾图像数据集，对基础数据集进行补充，得到增广垃圾图像数据集；

45、根据《城市生活垃圾分类其评价标准》的要求标记垃圾图像数据集，对数据集进行预处理。

46、将数据集垃圾图像数据转化为数字向量输入基于贝叶斯神经网络的深度学习模型进行识别训练，通过输入训练数据识别垃圾种类。

47、对实时获取的垃圾图像数据转化为数字向量输入贝叶斯神经网络模型，输出概率向量，根据向量识别垃圾类别。

48、优选地，通过对内部数据与外部数据的增广补充基础垃圾图像数据集，内部数据增强对原始图像采用灰度化、对比度增强、尺寸放缩及高斯模糊的变化操作，外部数据增强采用通过跟踪外部互联网等图片网站的html文件，提取url列表得到目标图片。

49、优选地，对垃圾图像数据集中的垃圾进行分类标记，将垃圾分类为可回收物、大件垃圾、可堆肥垃圾、可燃垃圾、有害垃圾与其他垃圾，将不同类别垃圾图像的标签设置为所属类别，对垃圾图像的预处理包括以下步骤：

50、去均值，将输入数据各个维度都中心化为0。

51、归一化处理，将样本数据打乱顺序后进行归一化处理，使各维度数据位于同一变化幅度上。

52、主成分分析：对原始数据的特征值进行由小到大的排序，按照方差解释比例大于90％的特征向量个数进行降维的维度数选择，去除数据集中的噪声和冗余信息，提取出数据集的主要特征。

53、优选地，训练基于贝叶斯神经网络的深度学习模型包括以下步骤：

54、将70％的垃圾图像样本作为训练数据，用于训练模型，30％的垃圾图像样本作为测试数据，用于测试模型的泛化能力；

55、所述贝叶斯神经网络的隐含层节点数n设置为：

56、

57、式中，l为输入层节点数，k为输出层节点数，m为调整因子，m∈[1.20]。

58、基于变分推断近似贝叶斯神经网络参数w的后验分布，通过kl散度函数度量参数w分布与后验分布的距离，kl散度函数表示为：

59、

60、式中，d为训练数据，qθ(w|d)为参数w在数据集d的近似分布，p(w|d)为后验分布，θ＝(μ,σ2)，参数wi在高斯分布θ＝(μ,σ2)中采样。

61、通过kl散度函数优化参数，表示为：

62、

63、进一步推导得到，

64、

65、式中，p(d|w)为基于qθ(w|d)的似然分布，p(w)为先验分布。

66、变分下界elbo表示为，

67、

68、则目标函数loss可表示为，

69、

70、式中，qθ(wi|d)为第i次采样的参数w的似然分布，p(wi)为第i次采样的参数w的先验分布，p(d|wi)为基于qθ(w|d)第i次采样的参数w的似然分布。

71、重复更新参数进行迭代训练，得到近似分布qθ(w|d)向量，根据输入数据对应的垃圾类别标签训练垃圾图像所属类别。

72、将测试数据输入训练完成的贝叶斯神经网络模型，根据贝叶斯公式，利用训练好的模型参数和先验概率，计算后验概率，得到垃圾分类结果。

73、优选地，所述贝叶斯神经网络模型采用relu激活函数，该激活函数表示为：

74、f(x)＝max(0,x)

75、式中，x为输入向量与对应的权重的乘积之和。

76、与现有技术相比，本发明具有以下技术效果：

77、1.本发明设计了一种基于贝叶斯神经网络的垃圾分类方法，通过对内部数据与外部数据的增广补充基础垃圾图像数据集，内部数据增强对原始图像采用灰度化、对比度增强、尺寸放缩及高斯模糊的变化操作，外部数据增强采用爬虫技术得到目标图片，通过实地取材与增广原始数据集使得数据集涵盖各类垃圾类别。同时对数据集进行去均值、归一化处理与主成分分析的预处理，在减少数据集维度的同时保留尽可能多的数据信息。采用基于贝叶斯神经网络模型对垃圾进行分类，能够通过结合多个来源的数据来提高分类性能和鲁棒性，且贝叶斯神经网路具有较强的泛化能力，可以有效地避免过拟合问题。

78、2.本发明设计的一种基于贝叶斯神经网络的垃圾分类方法所述s1中，通过对内部数据与外部数据的增广补充基础垃圾图像数据集，内部数据增强采用灰度化、对比度增强、尺寸放缩及高斯模糊的变化操作，外部数据增强通过跟踪图片网站的html文件，提取url列表得到目标图片，通过扩展数据集增强贝叶斯神经网络模型训练效果。

79、3.本发明设计的一种基于贝叶斯神经网络的垃圾分类方法所述s2中，对垃圾图像数据集中的垃圾进行分类标记，对垃圾图像的预处理包括步骤：去均值，归一化处理，主成分分析，通过对原始数据降维处理，保留了原始数据的主要变化模式，提取数据的关键信息，减少数据维度，简化数据，降低计算复杂度，使得数据分析和可视化更加可行。

80、4.本发明设计的一种基于贝叶斯神经网络的垃圾分类方法所步骤s3-1：将70％的垃圾图像样本作为训练数据，30％的垃圾图像样本作为测试数据，测试集用于为了对神经网络模型的泛化误差进行评估，即进行实验测试以判别神经网络模型对新样本的判别能力，同时以测试集的的测试误差作为泛化误差的近似误差。

81、5.本发明设计的一种基于贝叶斯神经网络的垃圾分类方法采用贝叶斯神经网络模型实现垃圾分类识别，包括步骤：

82、s3-2：所述贝叶斯神经网络的隐含层节点数n设置为：

83、

84、式中，l为输入层节点数，k为输出层节点数，m为调整因子，m∈[1.20]。

85、s3-3：基于变分推断近似贝叶斯神经网络参数w的后验分布，通过kl散度函数度量参数w分布与后验分布的距离，kl散度函数表示为：

86、

87、式中，d为训练数据，qθ(w|d)为参数w在数据集d的近似分布，p(w|d)为后验分布，θ＝(μ,σ2)，参数wi在高斯分布θ＝(μ,σ2)中采样。

88、通过kl散度函数优化参数，表示为：

89、

90、进一步推导得到，

91、

92、式中，p(d|w)为基于qθ(w|d)的似然分布，p(w)为先验分布。

93、变分下界elbo表示为，

94、

95、则目标函数loss可表示为，

96、

97、式中，qθ(wi|d)为第i次采样的参数w的似然分布，p(wi)为第i次采样的参数w的先验分布，p(d|wi)为基于qθ(w|d)第i次采样的参数w的似然分布。

98、s3-4：重复更新参数进行迭代训练，得到近似分布qθ(w|d)，输出训练垃圾图像所属类别。

99、s3-5：将测试数据输入训练完成的贝叶斯神经网络模型，根据贝叶斯公式，利用训练好的模型参数和先验概率，计算后验概率，得到垃圾分类结果。

100、通过贝叶斯神经网络模型可以根据较少的数据集得到鲁棒性较强的模型，而且得到的是各层参数的分布，从而可以有效的解决过拟合的问题，不仅可以对结果进行预测，还可以对结果的误差进行有效预测。

101、6.本发明设计的一种基于贝叶斯神经网络的垃圾分类方法，所述贝叶斯神经网络模型采用relu作为激活函数，在优化时，不像sigmoid型函数的两端饱和(两端的梯度都接近0)，relu函数为左饱和函数，且在x>0时导数为1，在一定程度上能解决梯度消失的问题，加速梯度下降的收敛速度。