CN112488167A - 基于改进的EfficientNet网络的垃圾辨识分类*** - Google Patents
基于改进的EfficientNet网络的垃圾辨识分类*** Download PDFInfo
- Publication number
- CN112488167A CN112488167A CN202011303297.0A CN202011303297A CN112488167A CN 112488167 A CN112488167 A CN 112488167A CN 202011303297 A CN202011303297 A CN 202011303297A CN 112488167 A CN112488167 A CN 112488167A
- Authority
- CN
- China
- Prior art keywords
- improved
- garbage
- learning rate
- network
- efficientnet network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明要解决的技术问题是,提供一种基于改进的EfficientNet网络的垃圾分类***,利用改进的EfficientNet网络分类算法,实现了对垃圾分类更加精确,分类速度更快。具体步骤包括:(1)通过图片采集设备对各种垃圾进行采集,建立数据库;(2)将采集的垃圾图片进行图像的预处理,常见的预处理方法有灰度处理、中值滤波处理、图像增强,用来增强图像中感兴趣的特征,抑制图像中不感兴趣的特征,这样能够有效的改善图像的质量。其次再将预处理好的数据进行划分;(3)采用迁移式学习的方法,保持EfficientNet网络在ImageNet数据集上原有的权值,通过微调训练出新的权值,将训练好的EfficientNet网络模型保存;(4)将预处理后的数据集通过改进后的EfficientNet网络模型进行分类识别,得出分类的结果。
Description
技术领域
本发明涉及目标检测领域,具体涉及基于改进的EfficientNet网络的垃圾辨识分类***
背景技术
随着经济发展,国民的生活水平有了显著的提高,但随之而来的各种生活垃圾也以惊人的速度增长。大量的生活垃圾若未及时处理,不仅影响城市面貌,也会损害人们的身体健康。在倡导节约、环保型社会的今天,不仅要处理日益增加的垃圾,同时也需要回收垃圾中的可用资源。垃圾分类是一种高效的资源回收方法,也是一项关乎民生和社会可持续发展的社会问题
目前垃圾分类的问题已经成为了焦点,越来越多的人通过深度学习对垃圾分类进行研究,其中人工神经网路在垃圾分类的这个领域做出来巨大的贡献。前人利用BP神经网络进行垃圾分类,利用改进的BP进行分类,也有利用卷积神经网络进行分类等各种神经网络进行垃圾的分类。但是这些依然存在这一些问题:
(1)垃圾辨识分类的效果差。各种各样的神经网络用来进行垃圾的分类,这些神经网络在垃圾分类上的应用已经表现的很优秀了。但是最终垃圾分类的效果还不够好,一些分类***,其分类的精度很低。
(2)垃圾分类算法的辨识速度慢。由于垃圾的形状以及颜色变化较大,不容易手动提取类别特征,并且数据量很大。从而导致分类算法进行垃圾分类识别时速度很慢,不能满足生产现场嵌入式设备的实时性要求。
因此,有必要开发一种具有高分类效果,并且运行速度快的垃圾分类***。
发明内容
本发明要解决的技术问题是,提供一种基于改进的EfficientNet网络的垃圾辨识分类***,利用改进的EfficientNet网络分类算法,实现了对垃圾分类更加精确,分类速度更快。为解决上述技术问题,本发明采用的技术方案是:基于改进的EfficientNet网络的垃圾辨识分类***,具体包括以下步骤,相关流程图参见图1:
(1)通过图片采集设备对各种垃圾进行采集,建立数据库;
(2)将采集的垃圾图片进行图像的预处理,采用灰度处理、中值滤波处理、图像增强等方法对采集来的垃圾图像进行预处理,随后将预处理好的数据集进行划分;
(3)采用迁移式学习的方法,保持EfficientNet网络在ImageNet数据集上原有的权值,通过微调训练出新的权值,将训练好的EfficientNet网络模型保存;
(4)利用改进后的EfficientNet网络模型对预处理后的数据集进行分类识别,得出分类辨识结果;
本发明提出的基于改进的EfficientNet网络的垃圾辨识分类***,其中对EfficientNet的算法进行一些优化;具体地,是利用带有Warmup(预热)的余弦学习率衰减的方式对整个算法的学习率进行调整,常见改变学习率的方式有指数衰减方式、逐步衰减方式、多项式衰减方式。由于刚开始训练时模型的权重(weights)是随机初始化的,此时选择一个较大的学习率,可能会带来模型的不稳定,所以在刚开始训练的时候先使用一个较小的学习率,进行学习率的预热,等模型稳定时再修改为预先设置的学习率进行训练,使得模型收敛速度变得更快,模型效果更佳。其次再利用余弦退火的方式降低学习率,从而有利于提升精度。两种方式的相结合提升***的识别率和速度。
所述改进的具体流程为:
改进主要是改变学习率的计算方式,新的学习率计算方法主要分为两个阶段Warmup阶段和余弦退火阶段。
Warmup阶段:
(1)首先选取一个较小的预热学习率,对网络模型进行训练,训练了一些epochs或者steps(比如4个epoches,10000steps),然后每个step增大一点点,观察训练的结果;
(2)当训练的模型到达稳定时,将学习率增大到预先设置的学习率;
余弦退火阶段:将经过Warmup阶段的学习率按照余弦函数将学习速率从初始值逐渐降低,观察训
练结果;
两阶段结合后,具体的学习率计算如下:
(1)首先要初始化预热初始学习率、预热基础学习率、epochs(总迭代次数)、Warmup_epoch(预热迭代次数)、batch_size(批次大小)、样本数量、预留步数;
(2)根据公式计算Warmup的学习率;
(3)Warmup结束后,根据公式计算余弦退火学习率;
(4)余弦退火学习率进一步计算并判断,如果预留步数大于0,判断目前步数是否大于预热步数加预留步数,是的话返回上面计算的学习率,不是的话使用Warmup之后的基础学习率;
(5)当预热步数是大于0的时候,如果目前步数小于预热步数的话,那么返回Warmup当时的学习率,否则直接返回第二步的余弦退火计算的;
(6)如果最后当前到达的步数大于总步数,则学习率归为0,否则返回当前的计算出来的学习率;
附图说明
下面结合附图和本发明的实施方式进一步详细说明:
图1为基于改进的EfficientNet网络的垃圾辨识分类***的流程示意图
图2为改进的EfficientNet网络算法的流程图
图3为带Warmup的余弦退火原理图
图4为余弦学习率衰减与逐步学习率衰减对照图。
Claims (5)
1.一种基于改进的EfficientNet网络的垃圾辨识分类***,其特征在于,具体包括以下步骤:
(1)通过图片采集设备对各种垃圾进行采集,建立数据库;
(2)将采集的垃圾图片进行图像的预处理,采用灰度处理、中值滤波处理、图像增强等方法对采集来的垃圾图像进行预处理,随后将预处理好的数据集进行划分;
(3)采用迁移式学习的方法,保持EfficientNet网络在ImageNet数据集上原有的权值,通过微调训练出新的权值,将训练好的EfficientNet网络模型保存;
(4)利用改进后的EfficientNet网络模型对预处理后的数据集进行分类识别,得出分类辨识结果。
2.根据权利要求1所述的基于改进的EfficientNet网络的垃圾辨识分类***,其特征在于,所述步骤(1)中通过相机、摄像头、手机等硬件设备采集垃圾的原始图像,并将这些图片收集来构建图片数据库。
3.根据权利要求1所述的基于改进的EfficientNet网络的垃圾辨识分类***,其特征在于,所述步骤(2)中原始数据库里图片进行预处理,通过中值滤波,图片增强的方法,将图片中的噪声等无用信息进行剔除,所述图片增强的方法通常采用频域法和空域法。
4.根据权利要求1所述的基于改进的EfficientNet网络的垃圾辨识分类***,其特征在于,所述步骤(3)中利用迁移式的学习方法将已经在ImageNet数据集上训练好的EfficientNet网络移植过来,然后利用预处理好的图片来对该网络进行重新训练,从而重新修改该网络的权值,用以满足分类垃圾的条件。
5.根据权利要求1所述的基于改进的EfficientNet网络的垃圾辨识分类***,其特征在于,所述步骤(4)中在迁移式学习的基础上,对EfficientNet网络进行改进,利用改进的EfficientNet网络来进行垃圾的分类。其改进的内容主要是对网络的学习率进行改进,通过带有Warmup的余弦学习率衰减的方式来进行学习率的修改,从而用以提高EfficientNet网络模型的识别精度以及运行的速度。具体地为,是利用带有Warmup(预热)的余弦退火学习率调度的方法对整个算法的学习率进行调整。由于刚开始训练时模型的权重(weights)是随机初始化的,此时选择一个较大的学习率,可能会带来模型的不稳定,所以在刚开始训练的时候先使用一个较小的学习率,进行学习率的预热,等模型稳定时再修改为预先设置的学习率进行训练,使得模型收敛速度变得更快,模型效果更佳。其次再利用余弦退火的方式降低学习率,从而有利于提升精度。两种方式的相结合提升***的识别率和速度。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011303297.0A CN112488167A (zh) | 2020-11-19 | 2020-11-19 | 基于改进的EfficientNet网络的垃圾辨识分类*** |
LU500063A LU500063B1 (en) | 2020-11-19 | 2021-04-20 | Garbage identification and classification system based on improved efficient net |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011303297.0A CN112488167A (zh) | 2020-11-19 | 2020-11-19 | 基于改进的EfficientNet网络的垃圾辨识分类*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112488167A true CN112488167A (zh) | 2021-03-12 |
Family
ID=74932046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011303297.0A Pending CN112488167A (zh) | 2020-11-19 | 2020-11-19 | 基于改进的EfficientNet网络的垃圾辨识分类*** |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112488167A (zh) |
LU (1) | LU500063B1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610163A (zh) * | 2021-08-09 | 2021-11-05 | 安徽工业大学 | 一种基于知识蒸馏的轻量级苹果叶片病害识别方法 |
CN113657143A (zh) * | 2021-06-25 | 2021-11-16 | 中国计量大学 | 一种基于分类和检测联合判决的垃圾分类方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110786824A (zh) * | 2019-12-02 | 2020-02-14 | 中山大学 | 基于边界框修正网络的粗标注眼底照出血病变检测方法及*** |
CN110852420A (zh) * | 2019-11-11 | 2020-02-28 | 北京智能工场科技有限公司 | 一种基于人工智能的垃圾分类方法 |
CN110884791A (zh) * | 2019-11-28 | 2020-03-17 | 石家庄邮电职业技术学院(中国邮政集团公司培训中心) | 一种基于TensorFlow的视觉垃圾分类***及分类方法 |
CN111079639A (zh) * | 2019-12-13 | 2020-04-28 | 中国平安财产保险股份有限公司 | 垃圾图像分类模型构建的方法、装置、设备及存储介质 |
CN111611949A (zh) * | 2020-05-25 | 2020-09-01 | 陈金山 | 基于cim与区块链的智慧城市水域垃圾密度检测方法 |
CN111723772A (zh) * | 2020-06-30 | 2020-09-29 | 平安国际智慧城市科技股份有限公司 | 基于图像识别的易腐垃圾识别方法、装置及计算机设备 |
CN111768406A (zh) * | 2020-08-05 | 2020-10-13 | 赛维森(广州)医疗科技服务有限公司 | 细胞图像处理方法、装置、设备和存储介质 |
CN111783841A (zh) * | 2020-06-09 | 2020-10-16 | 中科院成都信息技术股份有限公司 | 基于迁移学习和模型融合的垃圾分类方法、***及介质 |
-
2020
- 2020-11-19 CN CN202011303297.0A patent/CN112488167A/zh active Pending
-
2021
- 2021-04-20 LU LU500063A patent/LU500063B1/en active IP Right Grant
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852420A (zh) * | 2019-11-11 | 2020-02-28 | 北京智能工场科技有限公司 | 一种基于人工智能的垃圾分类方法 |
CN110884791A (zh) * | 2019-11-28 | 2020-03-17 | 石家庄邮电职业技术学院(中国邮政集团公司培训中心) | 一种基于TensorFlow的视觉垃圾分类***及分类方法 |
CN110786824A (zh) * | 2019-12-02 | 2020-02-14 | 中山大学 | 基于边界框修正网络的粗标注眼底照出血病变检测方法及*** |
CN111079639A (zh) * | 2019-12-13 | 2020-04-28 | 中国平安财产保险股份有限公司 | 垃圾图像分类模型构建的方法、装置、设备及存储介质 |
CN111611949A (zh) * | 2020-05-25 | 2020-09-01 | 陈金山 | 基于cim与区块链的智慧城市水域垃圾密度检测方法 |
CN111783841A (zh) * | 2020-06-09 | 2020-10-16 | 中科院成都信息技术股份有限公司 | 基于迁移学习和模型融合的垃圾分类方法、***及介质 |
CN111723772A (zh) * | 2020-06-30 | 2020-09-29 | 平安国际智慧城市科技股份有限公司 | 基于图像识别的易腐垃圾识别方法、装置及计算机设备 |
CN111768406A (zh) * | 2020-08-05 | 2020-10-13 | 赛维森(广州)医疗科技服务有限公司 | 细胞图像处理方法、装置、设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
MING ZENG 等: "PublicGarbageNet : A Deep Learning Framework for Public Garbage Classification", 《PROCEEDINGS OF THE 39TH CHINESE CONTROL CONFERENCE》, 9 September 2020 (2020-09-09), pages 3 * |
高明 等: "基于新型空间注意力机制和迁移学习的垃圾图像分类算法", 《***工程理论与实践》, 28 October 2020 (2020-10-28), pages 3 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657143A (zh) * | 2021-06-25 | 2021-11-16 | 中国计量大学 | 一种基于分类和检测联合判决的垃圾分类方法 |
CN113657143B (zh) * | 2021-06-25 | 2023-06-23 | 中国计量大学 | 一种基于分类和检测联合判决的垃圾分类方法 |
CN113610163A (zh) * | 2021-08-09 | 2021-11-05 | 安徽工业大学 | 一种基于知识蒸馏的轻量级苹果叶片病害识别方法 |
Also Published As
Publication number | Publication date |
---|---|
LU500063B1 (en) | 2022-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110555368B (zh) | 基于三维卷积神经网络的跌倒行为识别方法 | |
CN100367294C (zh) | 在彩色数字图像和视频中分割出人体皮肤区域的方法 | |
CN110135386B (zh) | 一种基于深度学习的人体动作识别方法和*** | |
CN108829826A (zh) | 一种基于深度学习和语义分割的图像检索方法 | |
CN111008639B (zh) | 一种基于注意力机制的车牌字符识别方法 | |
CN110807757B (zh) | 基于人工智能的图像质量评估方法、装置及计算机设备 | |
CN110084149B (zh) | 一种基于难样本四元组动态边界损失函数的人脸验证方法 | |
CN111680702B (zh) | 一种使用检测框实现弱监督图像显著性检测的方法 | |
CN111310718A (zh) | 一种遮挡人脸图像高准确率检测对比方法 | |
CN112488167A (zh) | 基于改进的EfficientNet网络的垃圾辨识分类*** | |
CN108520212A (zh) | 基于改进的卷积神经网络的交通标志检测方法 | |
CN111160481B (zh) | 基于深度学习的adas目标检测方法及*** | |
CN101923637B (zh) | 一种移动终端及其人脸检测方法和装置 | |
CN113177464B (zh) | 基于深度学习的端到端的多模态步态识别方法 | |
CN112507617A (zh) | 一种SRFlow超分辨率模型的训练方法及人脸识别方法 | |
CN109784368A (zh) | 一种应用程序分类的确定方法和装置 | |
CN110796623A (zh) | 一种基于渐进式残差网络的红外图像去雨方法及装置 | |
CN111340758A (zh) | 一种基于深度神经网络的高效虹膜图像质量评价新方法 | |
CN111126155B (zh) | 一种基于语义约束生成对抗网络的行人再识别方法 | |
CN112883931A (zh) | 基于长短期记忆网络的实时真假运动判断方法 | |
CN116030396A (zh) | 一种用于视频结构化提取的精确分割方法 | |
CN110633689B (zh) | 基于半监督注意力网络的人脸识别模型 | |
CN116452469B (zh) | 一种基于深度学习的图像去雾处理方法及装置 | |
CN117095471A (zh) | 基于多尺度特征的人脸伪造溯源方法 | |
CN113449676A (zh) | 一种基于双路互促进解纠缠学习的行人重识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210312 |