CN115187870B - 海洋塑料垃圾材质识别方法、***、电子设备和存储介质 - Google Patents
海洋塑料垃圾材质识别方法、***、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115187870B CN115187870B CN202211109135.2A CN202211109135A CN115187870B CN 115187870 B CN115187870 B CN 115187870B CN 202211109135 A CN202211109135 A CN 202211109135A CN 115187870 B CN115187870 B CN 115187870B
- Authority
- CN
- China
- Prior art keywords
- image
- model
- images
- classification
- hyperspectral
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000013502 plastic waste Substances 0.000 title claims abstract description 50
- 239000000463 material Substances 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 109
- 238000013145 classification model Methods 0.000 claims abstract description 48
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 239000004033 plastic Substances 0.000 claims description 32
- 229920003023 plastic Polymers 0.000 claims description 32
- 238000012216 screening Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 21
- 239000011127 biaxially oriented polypropylene Substances 0.000 claims description 18
- 229920006378 biaxially oriented polypropylene Polymers 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000002790 cross-validation Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 239000004800 polyvinyl chloride Substances 0.000 description 21
- 238000013527 convolutional neural network Methods 0.000 description 20
- 239000004698 Polyethylene Substances 0.000 description 14
- 239000005020 polyethylene terephthalate Substances 0.000 description 14
- 229920000139 polyethylene terephthalate Polymers 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000004064 recycling Methods 0.000 description 9
- 238000002372 labelling Methods 0.000 description 8
- 239000002699 waste material Substances 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000004743 Polypropylene Substances 0.000 description 1
- 239000004793 Polystyrene Substances 0.000 description 1
- 239000004676 acrylonitrile butadiene styrene Substances 0.000 description 1
- 229920000122 acrylonitrile butadiene styrene Polymers 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229920001903 high density polyethylene Polymers 0.000 description 1
- 229920005669 high impact polystyrene Polymers 0.000 description 1
- 239000004700 high-density polyethylene Substances 0.000 description 1
- 239000004797 high-impact polystyrene Substances 0.000 description 1
- 239000012994 photoredox catalyst Substances 0.000 description 1
- 239000004417 polycarbonate Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- 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
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/50—Reuse, recycling or recovery technologies
- Y02W30/62—Plastics recycling; Rubber recycling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种海洋塑料垃圾材质识别方法、***、电子设备和存储介质,属于图像识别领域。采集海洋塑料垃圾高光谱图像,标记第一识别标签;训练集成式分类识别模型,获取图像的第二识别标签及识别概率,若识别概率小于预设标准,则标记第三识别标签,并对比图像的第一、二识别标签,若对比结果不一致,则属于误判,存入第二训练集,利用第二训练集对模型进行优化;采用训练好的集成式分类识别模型对待识别的海洋塑料垃圾进行识别。本发明通过集成式分类识别模型融合一维DNN模型、LS‑SVM模型、三维CNN模型三种分类模型,随机采样得到多种图像样本集对集成式分类识别模型进行训练,可实现高准确率、高效率的海洋塑料垃圾材质识别。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种海洋塑料垃圾材质识别方法、***、电子设备和存储介质。
背景技术
海洋塑料垃圾的治理一直是全球海洋环境亟需解决的问题,对海洋塑料垃圾进行收集后作为原材料,可实现海洋塑料的循环利用。
由于一些塑料在外观和颜色上非常相似,存在塑料垃圾分选时速度慢、难度大、成本高昂等问题,尤其是针对海洋塑料垃圾,其在海水中经历了一定程度的浸泡,识别难度更大,若要实现海洋塑料的循环利用,不仅要考虑不同种类海洋塑料垃圾的回收精确度,还要考虑回收效率以及成本。
由于目前常用的分选设备较大不易携带,所以通常应用于塑料回收工厂或实验室,且设备的配置要求较高,在塑料垃圾收集阶段不能很好的推广。此外,目前常用的分选设备通常采用近红外传感器,其根据不同材料所表现的反射光谱进行分选判断识别,为了提高识别精准度,需要对塑料进行清洗、碎片化等预处理,效率较低,不适用于海洋塑料垃圾材质识别。
发明内容
针对现有技术的缺陷,本发明公开了一种海洋塑料垃圾材质识别方法、***、电子设备和存储介质,通过采用集成式分类识别模型融合一维DNN模型、LS-SVM模型、三维CNN模型三种分类模型,随机采样得到多种图像样本集对集成式分类识别模型进行训练,可实现高准确率、高效率的海洋塑料垃圾材质识别。
本发明的第一个目的,提供了一种海洋塑料垃圾材质识别方法,包括:
对海洋塑料垃圾进行高光谱图像采集,标记第一识别标签,对高光谱图像预处理后得到第一训练集;
利用第一训练集训练集成式分类识别模型,利用集成式分类识别模型获取图像的第二识别标签及对应的识别概率,利用分类筛选模型判断识别概率是否小于预设标准,若是,则标记第三识别标签;所述的集成式分类识别模型分别采用一维DNN模型、LS-SVM模型、三维CNN模型作为第一层中的基学习器;
训练阶段,针对带有第三识别标签的图像,对比图像的第一识别标签与第二识别标签的结果,若结果不一致,则将图像标记为误判,存入第二训练集,利用第二训练集对集成式分类识别模型进行优化;
采用训练好的集成式分类识别模型对待识别的海洋塑料垃圾进行分类,得到识别结果。
进一步地,所述的对高光谱图像预处理时,通过替换原始高光谱图像的背景色,对高光谱图像进行校正,公式为:
进一步地,所述的第一训练集中包含第一图像样本集、第二图像样本集和第三图像样本集,获取方法为:
结合高光谱图像的第一识别标签的类型,针对由多种目标类型的组合方式,从预处理后的高光谱图像中随机取出不同数量的样本图像,构成第一图像样本集;
针对每一种目标类型,从预处理后的高光谱图像中随机取出不同数量的样本图像,构成第二图像样本集;
在所有的目标类型之外,引入异类标签样本,针对至少包含一种异类标签和一种目标类型标签的多种类型的组合方式,从预处理后的高光谱图像中随机取出不同数量的样本图像,构成第三图像样本集。
进一步地,所述的一维DNN模型对高光谱图像进行识别时,通过对高光谱图像进行重建,提取重建后的高光谱图像的颜色特征、纹理特征和边缘特征。
进一步地,所述的对高光谱图像进行重建的公式为:
M=Cr+k
其中,M是重建后的高光谱图像,表示为RGB强度的3*1向量;C是原始高光谱图像,r是高光谱图像归一化的反射率强度向量,k代表***噪声向量。
进一步地,采用K折交叉验证的方式分别训练一维DNN模型、LS-SVM模型、三维CNN模型共计三种分类模型,针对每一个分类模型,每一次训练均保留1/K数据作为测试集;将训练好的三种分类模型对应的测试集的预测结果作为第二层的元学习器的输入,结合预测集的真实标签完成对第二层的元学习器的训练。
进一步地,采用训练好的集成式分类识别模型对待识别的海洋塑料垃圾进行分类,得到识别结果后,由分类筛选模型判断识别概率是否小于预设标准,若是,则标记第三识别标签,由人工审核,并将审核后的图像添加第一识别标签后存入第二训练集,用于对集成式分类识别模型进行优化;若否,则反馈识别结果。
本发明的第一个目的,提供了一种海洋塑料垃圾材质识别***,包括:
高光谱图像采集模块,其用于对海洋塑料垃圾进行高光谱图像采集;
云平台,其用于对采样得到的高光谱图像进行预处理并输出海洋塑料材质类型的识别结果;所述的云平台包括:
高光谱图像预处理模块,其用于替换原始高光谱图像的背景色,对高光谱图像进行校正;
第一训练集模块,其用于对预处理后的高光谱图像样本随机采样,并标记第一识别标签,构建第一训练集;
集成式分类识别模型模块,其分别采用一维DNN模型、LS-SVM模型、三维CNN模型作为集成式分类识别模型第一层中的基学习器,用于对预处理后的高光谱图像进行材质类型识别,输出第二识别标签及对应的识别概率;
分类筛选模型模块,其用于在集成式分类识别模型训练阶段,判断集成式分类识别模型输出的识别概率是否小于预设标准,若是,则标记第三识别标签;
第二训练集模块,其用于获取带有第三识别标签的图像,对比图像的第一识别标签与第二识别标签的结果,若结果不一致,则将图像标记为误判,存入第二训练集;
训练模块,其用于对集成式分类识别模型模块进行训练和优化。
进一步地,所述的第一训练集模块中,对预处理后的高光谱图像样本随机采样时,分别采样得到第一图像样本集、第二图像样本集和第三图像样本集;具体为:
结合高光谱图像的第一识别标签的类型,针对由多种目标类型的组合方式,从预处理后的高光谱图像中随机取出不同数量的样本图像,构成第一图像样本集;
针对每一种目标类型,从预处理后的高光谱图像中随机取出不同数量的样本图像,构成第二图像样本集;
在所有的目标类型之外,引入异类标签样本,针对至少包含一种异类标签和一种目标类型标签的多种类型的组合方式,从预处理后的高光谱图像中随机取出不同数量的样本图像,构成第三图像样本集。
本发明的第三个目的,提供了一种电子设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器执行所述机器可执行指令以实现上述的海洋塑料垃圾材质识别方法。
本发明的第四个目的,提供了一种机器可读存储介质,该机器可读存储介质存储有机器可执行指令,该机器可执行指令在被处理器调用和执行时,用于实现上述的海洋塑料垃圾材质识别方法。
与现有技术相比,本发明具有以下有益效果:
(1)本发明通过对采集的高光谱图像进行反射率校正,降低背景色的干扰,基于DNN的频谱重构算法原理,对校正后的图像进行重建光谱,提高了光谱中心波长平均定位的精度,保证了识别准确性。
(2)本发明分别以一维DNN模型、LS-SVM模型、三维CNN模型作为集成式分类识别模型第一层中的基学习器,以三种模型的均值进行融合,保留了三种模型的优点,能够适应不同的应用场景;三种模型的融合既考虑了模型复杂度,又考虑了识别准确度,实现了在保证识别准确性的基础上提高识别效率的目的。
(3)本发明在模型训练阶段采用交叉验证的方式以及同异类样本融合的方式,使得模型具备较强的抗干扰能力和识别准确率;并且,针对识别概率低于阈值的识别结果,通过判断第一识别标签与第二识别标签的一致性情况筛选出困难样本,对模型进行优化,提高了模型识别复杂的海洋塑料垃圾材质的能力。
附图说明
图1是本发明实施例示出的一种海洋塑料垃圾材质识别方法的流程图一;
图2是本发明实施例示出的一种海洋塑料垃圾材质识别方法的流程图二;
图3是本发明实施例示出的一种海洋塑料垃圾材质识别方法的流程图三;
图4是本发明实施例示出的一种海洋塑料垃圾材质识别***的结构示意图;
图5是本发明实施例示出的用于实现海洋塑料垃圾材质识别方法的电子设备终端结构示意图;
图6是本发明实施例示出的某一计算机程序在调用和执行时实现的海洋塑料垃圾材质识别流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
除非另有定义,本发明所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本发明所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本发明。本发明所使用的术语“或/和”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1所示,一种海洋塑料垃圾材质识别方法,包括:
S01,对海洋塑料垃圾进行高光谱图像采集,标记第一识别标签,对高光谱图像预处理后得到第一训练集;
S02,利用第一训练集对集成式分类识别模型进行训练,利用集成式分类识别模型获取图像的第二识别标签及对应的识别概率,利用分类筛选模型判断识别概率是否小于预设标准,若是,则标记第三识别标签;所述的集成式分类识别模型采用一维DNN模型、LS-SVM模型、三维CNN模型作为第一层中的基学习器;
S03,训练阶段,针对带有第三识别标签的图像,对比图像的第一识别标签与第二识别标签的结果,若结果不一致,则将图像标记为误判,存入第二训练集,利用第二训练集对集成式分类识别模型进行优化;
S04,采用训练好的集成式分类识别模型对待识别的海洋塑料垃圾进行分类,得到识别结果。
上述步骤S01旨在收集海洋塑料垃圾的训练样本。海洋塑料垃圾的来源本实施例不作具体限定,需要对海洋塑料垃圾进行高光谱图像的采集,得到原始高光谱图像。
所述的第一识别标签表示原始高光谱图像对应的真实塑料材质类型,例如,常见的塑料材质类型包括PVC、PE、PET、BOPP、HDPE、ABS、PP、PC、PS、HIPS等,对于海洋塑料垃圾回收站来讲,可以自定义其回收的塑料材质类型,例如PVC、PE、PET、BOPP作为回收类型,则标记每一个原始高光谱图像所属的类型,若不属于上述四种,则标记为异类。回收类型可以根据本领域技术人员的要求进行设置,本实施例不做限定。
为了提高高光谱图像的识别准确性,本实施例对高光谱图像进行预处理。在一项具体实施中,预处理过程为:先对采集的海洋塑料垃圾的高光谱图像进行校正,通过HySIME滤波器对校正后的三维高光谱图像数据进行滤波降噪处理,控制带宽在1000~1600nm之间的波段(消除颜色偏差),对数据进行归一化处理,得到归一化处理后的三维高光谱图像数据用于后续识别过程。
本实施例中,对高光谱图像进行校正的计算公式为:
为了提高识别模型的抗干扰能力,本实施例对第一训练集中的样本结构进行了设计。所述的第一训练集中包含第一图像样本集、第二图像样本集和第三图像样本集。
三种图像样本集获取方法为:
结合高光谱图像的第一识别标签的类型,针对由多种目标类型的组合方式,从预处理后的高光谱图像中随机取出不同数量的样本图像,构成第一图像样本集;
针对每一种目标类型,从预处理后的高光谱图像中随机取出不同数量的样本图像,构成第二图像样本集;
在所有的目标类型之外,引入异类标签样本,针对至少包含一种异类标签和一种目标类型标签的多种类型的组合方式,从预处理后的高光谱图像中随机取出不同数量的样本图像,构成第三图像样本集。
以PVC、PE、PET、BOPP类型作为回收对象为例,则四种标签类型作为目标类型,其余材质类型为异类。
首先,针对由多种目标类型的组合方式,例如,两个或三个目标类型进行组合,共有10种组合方式,针对每一种组合方式,从预处理后的高光谱图像中随机取出不同数量的样本图像,构成第一图像样本集;也可以从10种组合方式中任选若干种,针对选择的每一种组合方式,分别从预处理后的高光谱图像中随机取出不同数量的样本图像,构成第二图像样本集。以PVC、PE组合为例,从预处理后的高光谱图像中采集p1张PVC类型的图像和p1张PE类型的图像;以PVC、PET组合为例,再从预处理后的高光谱图像中采集p2张PVC类型的图像和p2张PET类型的图像,优选p1≠p2;完成10种组合方式的采样或者自定义的若干种组合方式的采样之后,得到第一图像样本集。
之后,针对每一种目标类型,从预处理后的高光谱图像中随机取出不同数量的样本图像,构成第二图像样本集;例如,预处理后的高光谱图像中分别取出q1张PVC类型的图像、q2张PE类型的图像、q3张PET类型的图像、q4张BOPP类型的图像,构成第二图像样本集;优选q1≠q2≠q3≠q4。
最后,在四种目标类型之外,引入异类标签样本,针对至少包含一种异类标签和一种目标类型标签的多种类型的组合方式,从预处理后的高光谱图像中随机取出不同数量的样本图像,构成第三图像样本集。例如,针对PVC、PE、异类的组合方式,从预处理后的高光谱图像中采集o1张PVC类型的图像、o1张PE类型的图像、o1张异类类型的图像;针对PET、BOPP、异类的组合方式,从预处理后的高光谱图像中采集o2张PET类型的图像、o2张BOPP类型的图像、o2张异类类型的图像,优选o1≠o2;完成所有种组合方式的采样或者自定义的若干种组合方式的采样之后,得到第三图像样本集。
上述步骤S02旨在设计并训练集成式分类识别模型。
本发明分别以一维DNN模型、LS-SVM模型、三维CNN模型作为集成式分类识别模型第一层中的基学习器,使用步骤S01中的第一训练集分别训练三个模型。
针对上述三种模型,本发明既考虑了模型复杂度,又考虑了识别准确度,为了实现在保证识别准确性的基础上提高识别效率的目的,本实施例对三种模型的参数进行了特殊设计。
S021,构建一维DNN模型。
将训练样本分为训练集、测试集和验证集。
将训练集输入到一维DNN模型内进行分类训练,得到一维DNN分类器;
将验证集输入到一维DNN分类器中进行像素分类,得到一维DNN像素分类结果,根据分类结果调节学习率优化DNN分类模型的准确度,得到优化好的一维DNN分类模型;
将测试集输入到一维DNN分类模型中,评估优化后DNN分类模型的准确度;
具体地,一维DNN模型由2个隐藏层组成,采用ReLU函数作为非线性激活函数,用于使数据稀疏,损失函数采用交叉熵损失函数。
采用交叉验证的方式提高分类的准确率,根据交叉熵损失函数变化率调节学习率,采用Adam优化算法进行梯度下降训练,解决遇到鞍点网络更新困难和不能自适应调节学习率的问题,当验证集准确率连续下降时停止训练,最终得到训练好的一维DNN模型。
在本发明的一项具体实施中,所述的一维DNN模型对高光谱图像进行识别时,还包括对高光谱图像进行重建,提取重建后的高光谱图像的颜色特征、纹理特征和边缘特征的步骤。
具体地,基于DNN的频谱重构算法原理,对高光谱图像进行重建,公式为:
M=Cr+k
其中,M是重建后的高光谱图像,表示为RGB强度的3*1向量;C是原始高光谱图像,表示3*N矩阵,N为波长的个数;r是高光谱图像归一化的N*1反射率强度向量,k是零均值的3*1***噪声向量。
对重建后的三维高光谱数据进行特征提取,再将多特征融合得到三种特征加权求和之后的特征值;特征提取包括颜色特征、纹理特征、边缘特征,本实施例中,采用VSH颜色直方图进行颜色特征提取,采用LBP特征向量进行纹理特征提取,采用Canny算子边缘检测算法进行边缘特征提取。
S022,构建LS-SVM模型。
将训练样本分为训练集、测试集和验证集。
将训练集输入到LS-SVM分类器中进行训练,得到训练好的LS-SVM预测分类模型;
将验证集输入到训练好的LS-SVM预测分类模型进行验证,得到分类结果,根据分类结果进行参数的优化,得到优化后的LS-SVM预测分类模型;
将测试集输入到优化后的LS-SVM预测分类模型中,评估分类结果的准确度。
本实施例中,核函数选用LIN-Kernel,采用交叉验证的方式提高分类的准确率。
S023,构建三维CNN模型。
将训练样本分为训练集、测试集和验证集。
将训练集输入到三维CNN模型内进行训练,得到三维CNN分类器;
将验证集输入到三维CNN分类器进行验证,得到分类结果,根据分类结果调节学习率优化CNN分类模型的准确度,得到优化好的CNN分类模型;
将测试集输入到优化后的CNN分类模型中进行分类,评估分类结果的准确度。
采用交叉验证的方式提高分类的准确率,采用Adam优化算法进行梯度下降训练。
本实施例中,三维CNN模型的参数如下表1:
表1:
如表1所示,三维CNN模型包括四个3D卷积层和一个全连接层。BN层(BatechNormaliza)是一种深度神经网络训练技术,通过批归一化处理能够保证三维CNN模型在训练过程每一层的输入分布相同,提高分类模型的训练速度,加快收敛进程。本实施例中,三维CNN模型的激活函数采用ReLU,用于使数据稀疏。
S024,采用stacking算法实现多模型融合。
在本发明的一项具体实施中,采用K折交叉验证的方式分别训练一维DNN模型、LS-SVM模型、三维CNN模型共计三种分类模型,针对每一个分类模型,每一次训练均保留1/K数据作为测试集;将训练好的三种分类模型对应的测试集的预测结果作为第二层的元学习器的输入,结合预测集的真实标签完成对第二层的元学习器的训练。
以5折训练为例,将样本集随机划分为5份,取其中四份组成训练子集,剩余一份作为测试子集,共有五种划分方式,得到五种训练子集和测试子集的组合。
在stacking算法的第一层定义5个基学习器[model_1,model_2,model_3,model_4,model_5],针对一维DNN模型、LS-SVM模型、三维CNN模型中的任一种分类模型,均分别利用5种训练子集训练得到5个基学习器,将5种测试子集分别输入到该分类模型对应的5个基学习器中,得到该分类模型对应的测试结果Pi={Pi,1, Pi,2, Pi,3, Pi,4, Pi,5},i=1,2,3;其中,Pi是第i种分类模型的测试结果,Pi,k是第i种分类模型对应的第k个基学习器的测试结果;将三种分类模型的测试结果进行拼接,作为stacking算法的第二层的元学习器的输入,对元学习器进行训练时,以每一个样本的第一识别标签为训练标签,由元学习器输出第二识别标签及对应的识别概率。本实施例中,元学习器可以采用多层感知机或者全连接层实现,也可以由SVM等分类器实现,属于stacking算法的常规设计,本实施例不做限定。
在预测阶段,将待识别的高光谱图像作为三种分类模型的输入,每一个分类模型对应5个基学习器,5个基学习器取均值作为该分类模型的输出;将三种分类模型的输出取均值,作为第二层的元学习器的输入,由元学习器输出预测结果。
S025,标记困难样本。
利用分类筛选模型判断集成式分类识别模型输出的识别概率是否小于预设标准,若是,则标记第三识别标签。
具体地,集成式分类识别模型的预测结果输入到分类筛选模型进行判断,第一识别标签用于图像量化处理时的标识,方便查找追溯。以PVC、PE、PET、BOPP类型作为回收对象为例,分类筛选模型中设定PVC、PE、PET、BOPP分选结果的判断范围,例如,PVC分选结果阈值为0.9,若集成式分类识别模型的预测结果为第二识别标签=PVC,预测概率=0.8,分类筛选模型判断出0.8<0.9,图像中的塑料垃圾不能确定是PVC材质,则标识为第三识别标签;若集成式分类识别模型的预测结果为第二识别标签=PVC,预测概率=0.92,分类筛选模型判断出0.92>0.9,图像中的塑料垃圾确定是PVC材质,此时不再标记第三识别标签。
本实施例中,不同材质类型的分选结果阈值可以不同,由本领域技术人员根据实际情况设置。
上述步骤S03旨在利用困难样本对集成式分类识别模型进行优化。
在训练阶段,针对带有第三识别标签的图像,对比图像的第一识别标签与第二识别标签的结果,若结果不一致,说明集成式分类识别模型的预测错误,则将图像标记为误判,存入第二训练集,利用第二训练集对集成式分类识别模型进行优化。
上述步骤S04旨在利用训练好的集成式分类识别模型对待识别的海洋塑料垃圾进行分类,得到识别结果。
参照上述步骤S024中的内容,在预测阶段,将待识别的高光谱图像作为三种分类模型的输入,每一个分类模型对应5个基学习器,5个基学习器取均值作为该分类模型的输出;将三种分类模型的输出取均值,作为第二层的元学习器的输入,由元学习器输出预测结果。与训练阶段相同的是,待识别的高光谱图像需要进行预处理后再作为集成式分类识别模型的输入。
本实施例中,在预测阶段可以同样利用分类筛选模型判断集成式分类识别模型的预测结果是否在评估标准范围内,若是,则将判断的结果反馈至移动终端,若否,则对该图像添加第三识别标签,由人工审核。例如,管理人员获取带有第三识别标签的图像,对该图像进行人工分类标注,人工分类标注时可以以该图像的第二识别标签作为参考,该图像的最终识别结果以人工分类标注为准,并将人工分类标注结果同步到移动终端。
在预测阶段,可以进一步获取人工审核图像和审核结果,将审核后的图像添加第一识别标签后存入第二训练集,用于对集成式分类识别模型进行优化。优化训练的触发方式可以是在第二训练集达到一定数量后触发,也可以由预先设定的周期触发,每隔一段时间进行优化,还可以采用人工触发的方式。
如图2所示,本实施例公开了一种典型的海洋塑料垃圾材质识别方法,包括:
S11:作业人员利用高光谱图像采集设备对海洋塑料垃圾进行高光谱图像采集;
S12:将采集的原始高光谱图像上传至云平台,对原始高光谱图像进行预处理,预处理后的高光谱图像输入至预先训练好的集成式分类识别模型中进行判断,得到评估结果;
S13,分类筛选模型中预先设定可回收塑料材质类型的评估标准,利用分类筛选模型判断步骤S12的评估结果是否在评估标准范围内,若是,则直接进入步骤S14;若否,则对该图像添加第三识别标签,并进入步骤S14;
S14:将判断的结果反馈至移动终端,若作业人员认为判断结果错误,则将该图像标识为异常,由管理人员进行审核;
S15:管理人员对标记异常和带有第三识别标签的图像进行人工分类标注,将人工分类标注结果同步到移动终端,并提供给集成式分类识别模型进行学习优化。
如图3所示,本实施例公开了另一种典型的海洋塑料垃圾材质识别方法,包括:
S21,作业人员通过便捷式的高光谱图像采集设备或者固定位置安装的高光谱图像采集设备对海洋塑料垃圾进行高光谱图像采集。
S22,搭建云平台管理***,与高光谱图像采集设备、移动终端建立链接,高光谱图像采集设备将采集的图片或视频上传至云平台,云平台将操作任务过程进度情况与分选结果反馈至移动终端。
所述的步骤S22的分选结果获取过程如下:
S221:云平台将高光谱图像信息输入到预先训练好的集成式分类识别模型中进行判断,得到评估结果;以回收PVC、PE、PET、BOPP四类可回收塑料为例,预先利用PVC、PE、PET、BOPP图像特征信息训练分类识别模型,能够得到PVC、PE、PET、BOPP分选结果,也可识别其它塑料材质类型,只需将该塑料材质类型的高光谱图像输入到分类识别模型中进行训练;集成式分类识别模型为五分类模型,包括PVC、PE、PET、BOPP四类以及异类,所述的异类为不属于PVC、PE、PET、BOPP四类的类型。
S222:分类筛选模型中预先设定可回收塑料材质类型的评估标准,利用分类筛选模型判断步骤S221的评估结果是否在评估标准范围内,若是,则将判断的结果反馈至移动终端;若否,则对该图像添加第三识别标签,由管理人员进行审核;
若作业人员认为反馈至移动终端的结果错误,则将该图像标识为异常,由管理人员进行审核。
S223:管理人员通过云平台查看标记异常和带有第三识别标签的图像,结合第二识别标签、第三识别标签、异常标签等特征信息,对图像进行人工标注;将人工分类标注结果同步到移动终端。
本实施例中,管理人员定期对标记异常和带有第三识别标签的图像进行人工标注,将标注的数据提供给集成式分类识别模型进行学习优化。
在本实施例中还提供了一种海洋塑料垃圾材质识别***,该***用于实现上述实施例。以下所使用的术语“模块”、“单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的***较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能的。
如图4所示,本实施例提供的一种海洋塑料垃圾材质识别***包括:
高光谱图像采集模块,其用于对海洋塑料垃圾进行高光谱图像采集;
云平台,其用于对采样得到的高光谱图像进行预处理并输出海洋塑料材质类型的识别结果;所述的云平台包括:
高光谱图像预处理模块,其用于替换原始高光谱图像的背景色,对高光谱图像进行校正;
第一训练集模块,其用于对预处理后的高光谱图像样本随机采样,并标记第一识别标签,构建第一训练集;
集成式分类识别模型模块,其分别采用一维DNN模型、LS-SVM模型、三维CNN模型作为集成式分类识别模型第一层中的基学习器,用于对预处理后的高光谱图像进行材质类型识别,输出第二识别标签及对应的识别概率;
分类筛选模型模块,其用于在集成式分类识别模型训练阶段,判断集成式分类识别模型输出的识别概率是否小于预设标准,若是,则标记第三识别标签;
第二训练集模块,其用于获取带有第三识别标签的图像,对比图像的第一识别标签与第二识别标签的结果,若结果不一致,则将图像标记为误判,存入第二训练集;
训练模块,其用于对集成式分类识别模型模块进行训练和优化。
上述***中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,例如,所述的第一训练集模块中,对预处理后的高光谱图像样本随机采样时,分别采样得到第一图像样本集、第二图像样本集和第三图像样本集;具体为:
结合高光谱图像的第一识别标签的类型,针对由多种目标类型的组合方式,从预处理后的高光谱图像中随机取出不同数量的样本图像,构成第一图像样本集;
针对每一种目标类型,从预处理后的高光谱图像中随机取出不同数量的样本图像,构成第二图像样本集;
在所有的目标类型之外,引入异类标签样本,针对至少包含一种异类标签和一种目标类型标签的多种类型的组合方式,从预处理后的高光谱图像中随机取出不同数量的样本图像,构成第三图像样本集。
对于***实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可,其余模块的实现方法此处不再赘述。以上所描述的***实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明的***的实施例可以应用在任意具备数据处理能力的设备上,该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。***实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。
本发明实施例还提供一种电子设备,包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现上述的海洋塑料垃圾材质识别方法。
从硬件层面而言,如图5所示,为本实施例提供的一种硬件结构图,除了图5所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中***所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能,还可以包括其他硬件,对此不再赘述。
可选地,在本实施例中,如图6所示,上述处理器可以被设置为通过计算机程序执行以下步骤:
S31,对海洋塑料垃圾进行高光谱图像采集并预处理,得到第一训练集;
S32,利用第一训练集训练集成式分类识别模型,利用集成式分类识别模型获取图像的第二识别标签及对应的识别概率,利用分类筛选模型判断识别概率是否小于预设标准,若是,则标记第三识别标签;
S33,训练阶段,针对带有第三识别标签的图像,对比图像的第一识别标签与第二识别标签的结果,若结果不一致,则将图像标记为误判,存入第二训练集;
S34,采用训练好的集成式分类识别模型对待识别的海洋塑料垃圾进行分类,得到评估结果;
S35,分类筛选模型中预先设定可回收塑料材质类型的评估标准,利用分类筛选模型判断步骤S34的评估结果是否在评估标准范围内,若是,则将判断的结果反馈至移动终端,若否,则对该图像添加第三识别标签,进行后续人工审核并反馈,将审核后的图像添加第一识别标签后存入第二训练集;
S36,定期利用第二训练集中的样本对集成式分类识别模型进行优化。
本发明实施例还提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现上述的海洋塑料垃圾材质识别方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元,例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备,例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、SD卡、闪存卡(Flash Card)等。进一步的,所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据,还可以用于暂时地存储已经输出或者将要输出的数据。
显然,以上所述实施例和附图只是本申请的一些例子,对本领域的普通技术人员来说,也可以根据这些附图将本申请适用于其他类似情况,但无需付出创造性劳动。另外,可以理解的是,尽管在此开发过程中所做的工作可能是复杂和漫长的,但是,对于本领域的普通技术人员来说,根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段,不应被视为本申请公开的内容不足。在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (5)
1.一种海洋塑料垃圾材质识别方法,其特征在于,包括:
对海洋塑料垃圾进行高光谱图像采集,标记第一识别标签,对高光谱图像预处理后得到第一训练集;所述的第一训练集中包含第一图像样本集、第二图像样本集和第三图像样本集,获取方法为:
结合高光谱图像的第一识别标签的类型,针对由多种目标类型的组合方式,从预处理后的高光谱图像中随机取出不同数量的样本图像,所述的目标类型包括PVC、PE、PET、BOPP四种类型,构成第一图像样本集,其中包括:从预处理后的高光谱图像中采集p1张PVC类型的图像和p1张PE类型的图像;采集p2张PVC类型的图像和p2张PET类型的图像,p1≠p2;
针对每一种目标类型,从预处理后的高光谱图像中随机取出不同数量的样本图像,构成第二图像样本集,其中包括:从预处理后的高光谱图像中分别取出q1张PVC类型的图像、q2张PE类型的图像、q3张PET类型的图像、q4张BOPP类型的图像,q1≠q2≠q3≠q4;
在所有的目标类型之外,引入异类标签样本,针对至少包含一种异类标签和一种目标类型标签的多种类型的组合方式,从预处理后的高光谱图像中随机取出不同数量的样本图像,构成第三图像样本集,其中包括:从预处理后的高光谱图像中采集o1张PVC类型的图像、o1张PE类型的图像、o1张异类类型的图像;采集o2张PET类型的图像、o2张BOPP类型的图像、o2张异类类型的图像,o1≠o2;
所述的预处理过程为:先对采集的海洋塑料垃圾的高光谱图像进行校正,通过HySIME滤波器对校正后的三维高光谱图像数据进行滤波降噪处理,控制带宽在1000~1600nm之间的波段以消除颜色偏差,对数据进行归一化处理,得到归一化处理后的三维高光谱图像数据用于后续识别过程;利用第一训练集对集成式分类识别模型进行训练,利用集成式分类识别模型获取图像的第二识别标签及对应的识别概率,利用分类筛选模型判断识别概率是否小于预设标准,若是,则标记第三识别标签;所述的集成式分类识别模型分别采用一维DNN模型、LS-SVM模型、三维CNN模型作为第一层中的基学习器;
所述的一维DNN模型对高光谱图像进行识别时,还包括对高光谱图像进行重建,公式为:
M=Cr+k
其中,M是重建后的高光谱图像,表示为RGB强度的3*1向量;C是原始高光谱图像,表示3*N矩阵,N为波长的个数;r是高光谱图像归一化的N*1反射率强度向量,k是零均值的3*1***噪声向量;
对重建后的三维高光谱数据进行颜色特征、纹理特征和边缘特征提取,再将多特征融合得到三种特征加权求和之后的特征值;
所述的LS-SVM模型的核函数采用LIN-Kernel;
所述的三维CNN模型包括四个3D卷积层和一个全连接层;
所述的四个3D卷积层的卷积核大小为3*3*3,步长为1*1*1,前三层设置BN层,激活函数采用ReLU;
采用K折交叉验证的方式分别训练一维DNN模型、LS-SVM模型、三维CNN模型共计三种分类模型,针对每一个分类模型,每一次训练均保留1/K数据作为测试集;将训练好的三种分类模型对应的测试集的预测结果作为第二层的元学习器的输入,结合预测集的真实标签完成对第二层的元学习器的训练;且在训练阶段,针对带有第三识别标签的图像,对比图像的第一识别标签与第二识别标签的结果,若结果不一致,则将图像标记为误判,存入第二训练集,利用第二训练集对集成式分类识别模型进行优化;
采用训练好的集成式分类识别模型对待识别的海洋塑料垃圾进行分类,将待识别的高光谱图像作为三种分类模型的输入,每一个分类模型对应K个基学习器,K个基学习器取均值作为该分类模型的输出;将三种分类模型的输出取均值,作为第二层的元学习器的输入,由元学习器输出识别结果;利用分类筛选模型判断集成式分类识别模型的预测结果是否在评估标准范围内,若是,则将判断的结果反馈至移动终端,若否,则对该图像添加第三识别标签,由人工审核;将审核后的图像添加第一识别标签后存入第二训练集,用于对集成式分类识别模型进行优化,优化训练的触发方式包括第二训练集达到一定数量后触发、由预先设定的周期触发、人工触发。
3.一种海洋塑料垃圾材质识别***,其特征在于,包括:
高光谱图像采集模块,其用于对海洋塑料垃圾进行高光谱图像采集;
云平台,其用于对采样得到的高光谱图像进行预处理并输出海洋塑料材质类型的识别结果;所述的云平台包括:
高光谱图像预处理模块,其用于替换原始高光谱图像的背景色,对高光谱图像进行校正;
第一训练集模块,其用于对预处理后的高光谱图像样本随机采样,并标记第一识别标签,构建第一训练集;所述的第一训练集中包含第一图像样本集、第二图像样本集和第三图像样本集,获取方法为:
结合高光谱图像的第一识别标签的类型,针对由多种目标类型的组合方式,从预处理后的高光谱图像中随机取出不同数量的样本图像,所述的目标类型包括PVC、PE、PET、BOPP四种类型,构成第一图像样本集,其中包括:从预处理后的高光谱图像中采集p1张PVC类型的图像和p1张PE类型的图像;采集p2张PVC类型的图像和p2张PET类型的图像,p1≠p2;
针对每一种目标类型,从预处理后的高光谱图像中随机取出不同数量的样本图像,构成第二图像样本集,其中包括:从预处理后的高光谱图像中分别取出q1张PVC类型的图像、q2张PE类型的图像、q3张PET类型的图像、q4张BOPP类型的图像,q1≠q2≠q3≠q4;
在所有的目标类型之外,引入异类标签样本,针对至少包含一种异类标签和一种目标类型标签的多种类型的组合方式,从预处理后的高光谱图像中随机取出不同数量的样本图像,构成第三图像样本集,其中包括:从预处理后的高光谱图像中采集o1张PVC类型的图像、o1张PE类型的图像、o1张异类类型的图像;采集o2张PET类型的图像、o2张BOPP类型的图像、o2张异类类型的图像,o1≠o2;
所述的预处理过程为:先对采集的海洋塑料垃圾的高光谱图像进行校正,通过HySIME滤波器对校正后的三维高光谱图像数据进行滤波降噪处理,控制带宽在1000~1600nm之间的波段以消除颜色偏差,对数据进行归一化处理,得到归一化处理后的三维高光谱图像数据用于后续识别过程;
集成式分类识别模型模块,其分别采用一维DNN模型、LS-SVM模型、三维CNN模型作为集成式分类识别模型第一层中的基学习器,用于对预处理后的高光谱图像进行材质类型识别,输出第二识别标签及对应的识别概率;
所述的一维DNN模型对高光谱图像进行识别时,还包括对高光谱图像进行重建,公式为:
M=Cr+k
其中,M是重建后的高光谱图像,表示为RGB强度的3*1向量;C是原始高光谱图像,表示3*N矩阵,N为波长的个数;r是高光谱图像归一化的N*1反射率强度向量,k是零均值的3*1***噪声向量;
对重建后的三维高光谱数据进行颜色特征、纹理特征和边缘特征提取,再将多特征融合得到三种特征加权求和之后的特征值;
所述的LS-SVM模型的核函数采用LIN-Kernel;
所述的三维CNN模型包括四个3D卷积层和一个全连接层,所述的四个3D卷积层的卷积核大小为3*3*3,步长为1*1*1,前三层设置BN层,激活函数采用ReLU;
所述的集成式分类识别模型模块在识别过程中,将待识别的高光谱图像作为三种分类模型的输入,每一个分类模型对应K个基学习器,K个基学习器取均值作为该分类模型的输出;将三种分类模型的输出取均值,作为第二层的元学习器的输入,由元学习器输出识别结果;利用分类筛选模型判断集成式分类识别模型的预测结果是否在评估标准范围内,若是,则将判断的结果反馈至移动终端,若否,则对该图像添加第三识别标签,由人工审核;将审核后的图像添加第一识别标签后存入第二训练集,用于对集成式分类识别模型进行优化,优化训练的触发方式包括第二训练集达到一定数量后触发、由预先设定的周期触发、人工触发;
分类筛选模型模块,其用于在集成式分类识别模型训练阶段和识别阶段,判断集成式分类识别模型输出的识别概率是否小于预设标准,若是,则标记第三识别标签;
第二训练集模块,其用于获取带有第三识别标签的图像,对比图像的第一识别标签与第二识别标签的结果,若结果不一致,则将图像标记为误判,存入第二训练集;
训练模块,其用于对集成式分类识别模型模块进行训练和优化,在训练过程中,采用K折交叉验证的方式分别训练一维DNN模型、LS-SVM模型、三维CNN模型共计三种分类模型,针对每一个分类模型,每一次训练均保留1/K数据作为测试集;将训练好的三种分类模型对应的测试集的预测结果作为第二层的元学习器的输入,结合预测集的真实标签完成对第二层的元学习器的训练。
4.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器执行所述机器可执行指令以实现权利要求1-2任一项所述的海洋塑料垃圾材质识别方法。
5.一种机器可读存储介质,其特征在于,该机器可读存储介质存储有机器可执行指令,该机器可执行指令在被处理器调用和执行时,用于实现权利要求1-2任一项所述的海洋塑料垃圾材质识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211109135.2A CN115187870B (zh) | 2022-09-13 | 2022-09-13 | 海洋塑料垃圾材质识别方法、***、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211109135.2A CN115187870B (zh) | 2022-09-13 | 2022-09-13 | 海洋塑料垃圾材质识别方法、***、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115187870A CN115187870A (zh) | 2022-10-14 |
CN115187870B true CN115187870B (zh) | 2023-01-03 |
Family
ID=83524847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211109135.2A Active CN115187870B (zh) | 2022-09-13 | 2022-09-13 | 海洋塑料垃圾材质识别方法、***、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115187870B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907591B (zh) * | 2022-12-15 | 2024-07-02 | 浙江蓝景科技有限公司杭州分公司 | 一种海洋云仓污染物运输车辆异常行为预警方法和*** |
CN115639354B (zh) * | 2022-12-21 | 2023-03-21 | 国高材高分子材料产业创新中心有限公司 | 一种海洋塑料识别方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596085A (zh) * | 2018-04-23 | 2018-09-28 | 浙江科技学院 | 基于卷积神经网络的土壤重金属含量检测模型的建立方法 |
CN110852369A (zh) * | 2019-11-06 | 2020-02-28 | 西北工业大学 | 联合3d/2d卷积网络和自适应光谱解混的高光谱图像分类方法 |
CN111639587A (zh) * | 2020-05-27 | 2020-09-08 | 西安电子科技大学 | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 |
CN112613413A (zh) * | 2020-12-25 | 2021-04-06 | 平安国际智慧城市科技股份有限公司 | 易腐垃圾分类质量判定方法、装置及计算机可读存储介质 |
CN114821321A (zh) * | 2022-04-27 | 2022-07-29 | 浙江工业大学 | 一种基于多尺度级联卷积神经网络的叶片高光谱图像分类和回归方法 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105606537A (zh) * | 2015-08-31 | 2016-05-25 | 山东科技大学 | 基于多类型光谱特征参数协同的矿物类型遥感识别方法 |
CN106650830A (zh) * | 2017-01-06 | 2017-05-10 | 西北工业大学 | 基于深层模型和浅层模型决策融合的肺结节ct图像自动分类方法 |
CN106896069B (zh) * | 2017-04-06 | 2019-05-10 | 武汉大学 | 一种基于彩色数码相机单幅rgb图像的光谱重建方法 |
CN108537728A (zh) * | 2018-03-05 | 2018-09-14 | 中国地质大学(武汉) | 基于光谱保真度的高光谱图像超分辨率形成方法和*** |
CN108896499A (zh) * | 2018-05-09 | 2018-11-27 | 西安建筑科技大学 | 结合主成分分析与正则化多项式的光谱反射率重建方法 |
CN110796186A (zh) * | 2019-10-22 | 2020-02-14 | 华中科技大学无锡研究院 | 基于改进的YOLOv3网络的干湿垃圾识别分类方法 |
CN110852227A (zh) * | 2019-11-04 | 2020-02-28 | 中国科学院遥感与数字地球研究所 | 高光谱图像深度学习分类方法、装置、设备及存储介质 |
CN110946553B (zh) * | 2019-11-18 | 2022-06-07 | 天津大学 | 一种基于高光谱图像的在体组织光学参数测量装置及方法 |
CN111443043B (zh) * | 2020-01-03 | 2023-04-18 | 新疆农业科学院农业机械化研究所 | 一种基于高光谱图像的核桃仁品质检测方法 |
CN112633401B (zh) * | 2020-12-29 | 2022-11-08 | 中国科学院长春光学精密机械与物理研究所 | 一种高光谱遥感图像分类方法、装置、设备及存储介质 |
CN112733936A (zh) * | 2021-01-08 | 2021-04-30 | 北京工业大学 | 一种基于图像识别的可回收垃圾分类方法 |
CN113239755B (zh) * | 2021-04-28 | 2022-06-21 | 湖南大学 | 一种基于空谱融合深度学习的医学高光谱图像分类方法 |
CN114049556A (zh) * | 2021-11-10 | 2022-02-15 | 中国天楹股份有限公司 | 一种svm与目标检测算法融合的垃圾分类方法 |
CN114719980A (zh) * | 2022-04-02 | 2022-07-08 | 杭州电子科技大学 | 一种端到端的光谱重建方法及*** |
CN114723999B (zh) * | 2022-05-24 | 2022-08-23 | 航天宏图信息技术股份有限公司 | 一种基于无人机正射影像的垃圾识别方法及装置 |
CN114937179B (zh) * | 2022-07-27 | 2022-12-13 | 深圳市海清数字技术有限公司 | 垃圾图像分类方法、装置、电子设备及存储介质 |
-
2022
- 2022-09-13 CN CN202211109135.2A patent/CN115187870B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596085A (zh) * | 2018-04-23 | 2018-09-28 | 浙江科技学院 | 基于卷积神经网络的土壤重金属含量检测模型的建立方法 |
CN110852369A (zh) * | 2019-11-06 | 2020-02-28 | 西北工业大学 | 联合3d/2d卷积网络和自适应光谱解混的高光谱图像分类方法 |
CN111639587A (zh) * | 2020-05-27 | 2020-09-08 | 西安电子科技大学 | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 |
CN112613413A (zh) * | 2020-12-25 | 2021-04-06 | 平安国际智慧城市科技股份有限公司 | 易腐垃圾分类质量判定方法、装置及计算机可读存储介质 |
CN114821321A (zh) * | 2022-04-27 | 2022-07-29 | 浙江工业大学 | 一种基于多尺度级联卷积神经网络的叶片高光谱图像分类和回归方法 |
Non-Patent Citations (5)
Title |
---|
Cooperative spectrum sensing in cognitive radio networks using multi-class support vector machine algorithms;Olusegun Peter Awe等;《2015 9th International Conference on Signal Processing and Communication Systems (ICSPCS)》;20160128;1-7 * |
Yuxiang Lu等.Study on Stellar Spectra Classification Based on Multitask Residual Neural Network.《2020 Prognostics and Health Management Conference (PHM-Besançon)》.2020,366-370. * |
城镇塑料生活垃圾智能精细分类关键技术研究;吴谊平;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20210115;第2021年卷(第1期);B027-2285 * |
基于倒谱与 BP 网络的船舶生活垃圾分类方法研究;刘强等;《南通航运职业技术学院学报》;20160331;第15卷(第1期);34-38 * |
基于卷积神经网络的材质分类识别研究;刘昊等;《激光与红外》;20170831;第47卷(第8期);34-38 * |
Also Published As
Publication number | Publication date |
---|---|
CN115187870A (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115187870B (zh) | 海洋塑料垃圾材质识别方法、***、电子设备和存储介质 | |
US10885531B2 (en) | Artificial intelligence counterfeit detection | |
Bhunia et al. | Text recognition in scene image and video frame using color channel selection | |
CN108090406B (zh) | 人脸识别方法及*** | |
CN109829467A (zh) | 图像标注方法、电子装置及非暂态电脑可读取储存媒体 | |
EP2579211A2 (en) | Graph-based segmentation integrating visible and NIR information | |
CN109685065B (zh) | 试卷内容自动分类的版面分析方法、*** | |
CN106203539B (zh) | 识别集装箱箱号的方法和装置 | |
CN113761259A (zh) | 一种图像处理方法、装置以及计算机设备 | |
CN111507344A (zh) | 从图像中识别出文字的方法和装置 | |
CN112307937A (zh) | 一种基于深度学习的身份证质检方法及*** | |
Saputra et al. | Implementation of naïve Bayes for fish freshness identification based on image processing | |
CN114373185A (zh) | 票据图像的分类方法及其装置、电子设备及存储介质 | |
CN110796210A (zh) | 一种标签信息的识别方法及装置 | |
CN109086657A (zh) | 一种基于机器学习的耳朵检测方法、***及模型 | |
KR102230559B1 (ko) | 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치 | |
KR102158967B1 (ko) | 영상 분석 장치, 영상 분석 방법 및 기록 매체 | |
CN108595568A (zh) | 一种基于极大无关多元逻辑回归的文本情感分类方法 | |
CN117636421A (zh) | 一种基于边缘特征采集的人脸深伪检测方法 | |
CN110443306B (zh) | 葡萄酒木塞的鉴伪方法 | |
KR102342495B1 (ko) | 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치 | |
Hauri | Detecting signatures in scanned document images | |
Castillo et al. | Object detection in digital documents based on machine learning algorithms | |
CN113496219B (zh) | 基于人脸图像分析的血缘关系自动识别方法和装置 | |
CN116259091B (zh) | 一种静默活体检测的方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |