基于域自适应学习的垃圾分类方法、电子设备及存储介质.pdf

《基于域自适应学习的垃圾分类方法、电子设备及存储介质.pdf》由会员分享，可在线阅读，更多相关《基于域自适应学习的垃圾分类方法、电子设备及存储介质.pdf（17页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910920950.9 (22)申请日 2019.09.27 (71)申请人 卓尔智联 （武汉） 研究院有限公司 地址 430000 湖北省武汉市黄陂区盘龙城 经济开发区汉口北大道88号汉口北国 际交易中心D1区7层 (72)发明人 贺鑫 (74)专利代理机构 深圳市赛恩倍吉知识产权代 理有限公司 44334 代理人 刘永辉 (51)Int.Cl. G06K 9/00(2006.01) G06K 9/46(2006.01) G06K 9/62(2006.01) G06N 3。

2、/04(2006.01) G06N 3/08(2006.01) G06T 7/45(2017.01) (54)发明名称 基于域自适应学习的垃圾分类方法、 电子设 备及存储介质 (57)摘要 本发明涉及一种基于域自适应学习的垃圾 分类方法、 电子设备及存储介质。 本发明利用图 像相似度度量的方法对至少两个所述第一图像 进行分析， 并根据分析结果将外形相同或相似的 待分类垃圾归类到同一类可以实现对待分类垃 圾的粗分类， 然后利用已训练好的域自适应学习 网络模型对所述第二图像进行处理检测以识别 待分类垃圾的类型实现对待分类垃圾进行进一 步的精细分类， 提高了垃圾在实际垃圾分类场景 中的分类准确率。 。

3、权利要求书2页 说明书11页 附图3页 CN 110717426 A 2020.01.21 CN 110717426 A 1.一种基于域自适应学习的垃圾分类方法， 其特征在于， 所述方法包括： 获取待分类垃圾的第一图像； 利用图像相似度度量的方法对至少两个所述第一图像进行分析， 并根据分析结果将外 形相同或相似的待分类垃圾归类到同一类； 获取归类到同一类中的外形相同或相似的所述待分类垃圾的第二图像； 及 采用已训练好的域自适应学习网络模型对所述第二图像进行处理检测以识别所述待 分类垃圾的类型。 2.如权利要求1所述的基于域自适应学习的垃圾分类方法， 其特征在于， 所述利用图像 相似度度量的方法。

4、对至少两个所述第一图像进行分析， 并根据分析结果将外形相同或相似 的待分类垃圾归类到同一类包括： 根据灰度颜色直方图算法计算所述第一图像间的目标相似度， 及根据计算出的目标相 似度将外形相同或相似的待分类垃圾归类到同一类。 3.如权利要求1所述的基于域自适应学习的垃圾分类方法， 其特征在于， 所述根据灰度 颜色直方图算法计算所述第一图像间的目标相似度及根据计算出的目标相似度将外形相 同或相似的待分类垃圾归类到同一类包括： 将待比对的至少两张所述第一图像进行灰度化处理， 得到所述第一图像的灰度图像； 计算所述灰度图像的一维直方图并对所述一维直方图做归一化处理； 创建一张目标图用于显示各个像素的直。

5、方图， 其中， 所述直方图中的横坐标为灰度级， 所述直方图中的纵坐标为像素个数； 将每个所述直方图绘制到创建的目标图中； 通过度量两张所述第一图像的直方图的巴氏距离来计算所述第一图像的目标相似度； 及 根据计算出的目标相似度将外形相同或相似的待分类垃圾归类到同一类。 4.如权利要求2所述的基于域自适应学习的垃圾分类方法， 其特征在于， 所述利用图像 相似度度量的方法对至少两个所述第一图像进行分析， 并根据分析结果将外形相同或相似 的待分类垃圾归类到同一类包括： 利用灰度共生矩阵提取每一第一图像的图像纹理特征； 根据所述第一图像的图像纹理特征计算所述第一图像间的目标相似度； 及 根据计算出的目标。

6、相似度将外形相同或相似的待分类垃圾归类到同一类。 5.如权利要求2所述的基于域自适应学习的垃圾分类方法， 其特征在于， 所述利用图像 相似度度量的方法对至少两个所述第一图像进行分析， 并根据分析结果将外形相同或相似 的待分类垃圾归类到同一类包括： 根据灰度颜色直方图算法计算所述第一图像间的第一相似度； 采用灰度共生矩阵提取每一第一图像的图像纹理特征， 根据所述第一图像的图像纹理 特征计算所述第一图像间的第二相似度； 将所述第一相似度及所述第二相似度进行加权平均计算出所述第一图像间的目标相 似度； 及 根据计算出的目标相似度将外形相同或相似的待分类垃圾归类到同一类。 6.如权利要求1所述的基于域。

7、自适应学习的垃圾分类方法， 其特征在于， 所述训练所述 权利要求书 1/2 页 2 CN 110717426 A 2 域自适应学习网络模型包括： 从互联网上爬取各类的生活用品图像， 并通过将同一类的生活用品图像存放在一个文 件夹将所述生活用品图像进行图片级别的标注， 并将带标签的图像数据作为源域数据； 收集生活垃圾图像作为目标域数据； 搭建所述域自适应学习网络模型， 分别将带标签的源域数据和不带标签的目标域数据 作为所述域自适应学习网络模型的两种输入， 其中， 所述域自适应学习网络模型中的源域 支路和目标域的特征提取网络共享权重； 对所述源域数据及目标数据进行特征提取后进行域对抗学习， 并采用。

8、多任务损失函数 来判断所述域自适应学习网络模型是否收敛； 及 调整所述域自适应学习网络模型的模型参数以使任务损失函数的输出值与目标值的 差值在预设阈值范围内， 得到训练好的域自适应学习网络模型。 7.如权利要求6所述的基于域自适应学习的垃圾分类方法， 其特征在于， 所述搭建域自 适应学习网络模型包括： 确定构造所述域自适应习网络模型的组合罚目标函数， 其中， 所述域自适应习网络模 型时对目标域数据和源域数据进行分类的分类器； 基于所述组合罚目标函数确定域自适应泛化误差上界； 及 基于所述自适应泛化误差上界， 对两个以上分类器进行协同训练， 构造出域自适应习 网络模型， 其中， 所述组合罚目标函。

9、数为 a(h)a T(h)+(1-a) S(h)， 其中 a(h)表示组合罚 目标函数， T(h)表示目标域期望误差， S(h)表示源域期望差， h表示假设函数类H中的参考 假设函数。 8.如权利要求1所述的基于域自适应学习的垃圾分类方法， 其特征在于， 所述方法还包 括： 根据待分类垃圾的识别结果将不同类型的垃圾传送至与所述类型对应的垃圾处理处。 9.一种电子设备， 其特征在于： 所述电子设备包括处理器， 所述处理器用于执行存储器 中存储的计算机程序时实现如权利要求1-8中任一项所述基于域自适应学习的垃圾分类方 法。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于： 所述。

10、计算机程序 被处理器执行时实现如权利要求1-8中任一项所述基于域自适应学习的垃圾分类方法。 权利要求书 2/2 页 3 CN 110717426 A 3 基于域自适应学习的垃圾分类方法、 电子设备及存储介质 技术领域 0001 本发明涉及垃圾分类领域， 具体涉及一种基于域自适应学习的垃圾分类方法、 电 子设备及存储介质。 背景技术 0002 为了有效地减少垃圾的处理量， 减缓对地球资源的消耗， 可以对垃圾中可回收的 垃圾进行分类回收再利用。 目前， 可回收垃圾的分类回收方法主要包括人工拣选、 风选等， 其人工成本高、 处理速度慢、 效率低。 此外,现有的智能垃圾分类方法， 大都利用扫取条形码 。

11、的形式进行垃圾分类识别， 其需要一定的人工干预， 且难以做到精细化的各类垃圾分类， 在 实际推广上难度较大。 发明内容 0003 鉴于以上内容， 有必要提出一种基于域自适应学习的垃圾分类方法、 电子设备及 计算机可读存储介质以提高垃圾分类的智能化及效率化。 0004 本申请的第一方面提供一种基于域自适应学习的垃圾分类方法， 所述方法包括： 0005 获取待分类垃圾的第一图像； 0006 利用图像相似度度量的方法对至少两个所述第一图像进行分析， 并根据分析结果 将外形相同或相似的待分类垃圾归类到同一类； 0007 获取归类到同一类中的外形相同或相似的所述待分类垃圾的第二图像； 及 0008 采用。

12、已训练好的域自适应学习网络模型对所述第二图像进行处理检测以识别所 述待分类垃圾的类型。 0009 优选地， 所述利用图像相似度度量的方法对至少两个所述第一图像进行分析， 并 根据分析结果将外形相同或相似的待分类垃圾归类到同一类包括： 0010 根据灰度颜色直方图算法计算所述第一图像间的目标相似度， 及根据计算出的目 标相似度将外形相同或相似的待分类垃圾归类到同一类。 0011 优选地， 所述根据灰度颜色直方图算法计算所述第一图像间的目标相似度及根据 计算出的目标相似度将外形相同或相似的待分类垃圾归类到同一类包括： 0012 将待比对的至少两张所述第一图像进行灰度化处理， 得到所述第一图像的灰度。

13、图 像； 0013 计算所述灰度图像的一维直方图并对所述一维直方图做归一化处理； 0014 创建一张目标图用于显示各个像素的直方图， 其中， 所述直方图中的横坐标为灰 度级， 所述直方图中的纵坐标为像素个数； 0015 将每个所述直方图绘制到创建的目标图中； 0016 通过度量两张所述第一图像的直方图的巴氏距离来计算所述第一图像的目标相 似度； 及 0017 根据计算出的目标相似度将外形相同或相似的待分类垃圾归类到同一类。 说明书 1/11 页 4 CN 110717426 A 4 0018 优选地， 所述利用图像相似度度量的方法对至少两个所述第一图像进行分析， 并 根据分析结果将外形相同或相。

14、似的待分类垃圾归类到同一类包括： 0019 利用灰度共生矩阵提取每一第一图像的图像纹理特征； 0020 根据所述第一图像的图像纹理特征计算所述第一图像间的目标相似度； 及 0021 根据计算出的目标相似度将外形相同或相似的待分类垃圾归类到同一类。 0022 优选地， 所述利用图像相似度度量的方法对至少两个所述第一图像进行分析， 并 根据分析结果将外形相同或相似的待分类垃圾归类到同一类包括： 0023 根据灰度颜色直方图算法计算所述第一图像间的第一相似度； 0024 采用灰度共生矩阵提取每一第一图像的图像纹理特征， 根据所述第一图像的图像 纹理特征计算所述第一图像间的第二相似度； 0025 将所。

15、述第一相似度及所述第二相似度进行加权平均计算出所述第一图像间的目 标相似度； 及 0026 根据计算出的目标相似度将外形相同或相似的待分类垃圾归类到同一类。 0027 优选地， 所述训练所述域自适应学习网络模型包括： 0028 从互联网上爬取各类的生活用品图像， 并通过将同一类的生活用品图像存放在一 个文件夹将所述生活用品图像进行图片级别的标注， 并将带标签的图像数据作为源域数 据； 0029 收集生活垃圾图像作为目标域数据； 0030 搭建所述域自适应学习网络模型， 分别将带标签的源域数据和不带标签的目标域 数据作为所述域自适应学习网络模型的两种输入， 其中， 所述域自适应学习网络模型中的 。

16、源域支路和目标域的特征提取网络共享权重； 0031 对所述源域数据及目标数据进行特征提取后进行域对抗学习， 并采用多任务损失 函数来判断所述域自适应学习网络模型是否收敛； 及 0032 调整所述域自适应学习网络模型的模型参数以使任务损失函数的输出值与目标 值的差值在预设阈值范围内， 得到训练好的域自适应学习网络模型。 0033 优选地， 所述搭建域自适应学习网络模型包括： 0034 确定构造所述域自适应习网络模型的组合罚目标函数， 其中， 所述域自适应习网 络模型时对目标域数据和源域数据进行分类的分类器； 0035 基于所述组合罚目标函数确定域自适应泛化误差上界； 及 0036 基于所述自适应。

17、泛化误差上界， 对两个以上分类器进行协同训练， 构造出域自适 应习网络模型， 其中， 所述组合罚目标函数为 a(h)a T(h)+(1-a) S(h)， 其中 a(h)表示组 合罚目标函数， T(h)表示目标域期望误差， S(h)表示源域期望差， h表示假设函数类H中的 参考假设函数。 0037 优选地， 所述方法还包括： 0038 根据待分类垃圾的识别结果将不同类型的垃圾传送至与所述类型对应的垃圾处 理处。 0039 本申请的第二方面提供一种电子设备， 所述电子设备包括处理器， 所述处理器用 于执行存储器中存储的计算机程序时实现所述基于域自适应学习的垃圾分类方法。 0040 本申请的第三方面。

18、提供一种计算机可读存储介质， 其上存储有计算机程序， 所述 说明书 2/11 页 5 CN 110717426 A 5 计算机程序被处理器执行时实现所述基于域自适应学习的垃圾分类方法。 0041 本发明利用图像相似度度量的方法对至少两个所述第一图像进行分析， 并根据分 析结果将外形相同或相似的待分类垃圾归类到同一类可以实现对待分类垃圾的粗分类， 然 后利用已训练好的域自适应学习网络模型对所述第二图像进行处理检测以识别待分类垃 圾的类型实现对待分类垃圾进行进一步的精细分类， 提高了垃圾在实际垃圾分类场景中的 分类准确率。 附图说明 0042 图1为本发明一实施方式中基于域自适应学习的垃圾分类的流。

19、程图。 0043 图2为本发明一实施方式中利用图像相似度度量的方法进行垃圾分类的方法流程 图。 0044 图3为本发明一实施方式中训练所述域自适应学习网络模型的方法流程图。 0045 图4为本发明一实施方式中基于域自适应学习的垃圾分类装置的结构图。 0046 图5为本发明一实施方式中电子设备的示意图。 0047 主要元件符号说明 0048 垃圾分类装置40 第一图像获取模块401 第一分类模块402 第二图像获取模块403 第二分类模块404 传送控制模块405 电子设备6 存储器61 处理器62 计算机程序63 步骤S11S15 步骤S121S122 步骤S141S145 具体实施方式 00。

20、49 为了能够更清楚地理解本发明的上述目的、 特征和优点， 下面结合附图和具体实 施例对本发明进行详细描述。 需要说明的是， 在不冲突的情况下， 本申请的实施例及实施例 中的特征可以相互组合。 0050 在下面的描述中阐述了很多具体细节以便于充分理解本发明， 所描述的实施例仅 仅是本发明一部分实施例， 而不是全部的实施例。 基于本发明中的实施例， 本领域普通技术 人员在没有做出创造性劳动前提下所获得的所有其他实施例， 都属于本发明保护的范围。 0051 除非另有定义， 本文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。 本文中在本发明的说明书中所使用的术语只。

21、是为了描述具 体的实施例的目的， 不是旨在于限制本发明。 说明书 3/11 页 6 CN 110717426 A 6 0052 优选地， 本发明基于域自适应学习的垃圾分类方法应用在一个或者多个电子设备 中。 所述电子设备是一种能够按照事先设定或存储的指令， 自动进行数值计算和/或信息处 理的设备， 其硬件包括但不限于微处理器、 专用集成电路(Application Specific Integrated Circuit， ASIC)、 可编程门阵列(Field-Programmable Gate Array， FPGA)、 数 字处理器(Digital Signal Processor， DS。

22、P)、 嵌入式设备等。 0053 所述电子设备可以是桌上型计算机、 笔记本电脑、 平板电脑及云端服务器等计算 设备。 所述设备可以与用户通过键盘、 鼠标、 遥控器、 触摸板或声控设备等方式进行人机交 互。 0054 实施例1 0055 图1是本发明一实施方式中基于域自适应学习的垃圾分类方法的流程图。 根据不 同的需求， 所述流程图中步骤的顺序可以改变， 某些步骤可以省略。 0056 参阅图1所示， 所述基于域自适应学习的垃圾分类方法具体包括以下步骤： 0057 步骤S11， 获取待分类垃圾的第一图像。 0058 本实施方式中， 第一垃圾分类装置上安装有摄像头， 通过所述第一垃圾分类装置 上的摄。

23、像头获取待分类垃圾的第一图像。 在一实施方式中， 待分类垃圾为单件垃圾。 当居民 把单件垃圾放到第一垃圾分类装置中时， 通过所述第一垃圾分类装置上的摄像头摄取单件 垃圾的图像， 并将摄取的图像作为待分类垃圾的第一图像。 在另一实施方式中， 所述待分类 垃圾打包在容器中。 当居民把单件垃圾放到第一垃圾分类装置中时， 通过所述第一垃圾分 类装置中的分拣装置将所述容器中的垃圾取出， 并通过摄像头分别摄取容器中的每一垃圾 的图像作为待分类垃圾的第一图像。 本实施方式中， 所述分拣装置可以为机械手臂、 夹爪等 装置。 0059 步骤S12， 利用图像相似度度量的方法对至少两个所述第一图像进行分析， 并根。

24、据 分析结果将外形相同或相似的待分类垃圾归类到同一类。 0060 请参考图2， 所示为本发明一实施方式中利用图像相似度度量的方法进行垃圾分 类的方法流程图。 本实施方式中， 所述利用图像相似度度量的方法对至少两个所述第一图 像进行分析， 并根据分析结果将外形相同或相似的待分类垃圾归类到同一类包括： 0061 步骤S121， 根据灰度颜色直方图算法计算所述第一图像间的目标相似度； 及 0062 步骤S122， 根据计算出的目标相似度将外形相同或相似的待分类垃圾归类到同一 类。 0063 具体的， 将待比对的至少两张第一图像进行灰度化处理， 得到所述第一图像的灰 度图像； 计算所述灰度图像的一维直。

25、方图并对所述一维直方图做归一化处理； 创建一张目 标图用于显示各个像素的直方图， 其中， 所述直方图中的横坐标为灰度级， 所述直方图中的 纵坐标为像素个数； 将每个直方图绘制到创建的目标图中； 通过度量两张第一图像的直方 图的巴氏距离来计算所述第一图像的目标相似度； 及根据计算出的目标相似度将外形相同 或相似的待分类垃圾归类到同一类。 0064 在一实施方式中， 所述利用图像相似度度量的方法对至少两个所述第一图像进行 分析， 并根据分析结果将外形相同或相似的待分类垃圾归类到同一类包括： 利用灰度共生 矩阵提取每一第一图像的图像纹理特征； 根据所述第一图像的图像纹理特征计算所述第一 图像间的目标。

26、相似度； 及根据计算出的目标相似度将外形相同或相似的待分类垃圾归类到 说明书 4/11 页 7 CN 110717426 A 7 同一类。 在具体实施方式中， 所述图像纹理特征包括自相关、 对比度、 熵及逆差矩。 0065 在一实施方式中， 所述利用图像相似度度量的方法对所述第一图像进行分析， 并 根据分析结果将外形相同或相似的待分类垃圾归类到同一类包括： 根据灰度颜色直方图算 法计算所述第一图像间的第一相似度； 采用灰度共生矩阵提取每一第一图像的图像纹理特 征， 根据所述第一图像的图像纹理特征计算所述第一图像间的第二相似度； 将所述第一相 似度及所述第二相似度进行加权平均计算出所述第一图像间。

27、的目标相似度； 根据计算出的 目标相似度将外形相同或相似的待分类垃圾归类到同一类。 0066 本实施方式中， 所述根据计算出的目标相似度将外形相同或相似的待分类垃圾归 类到同一类包括： 控制分拣装置将外形相同或相似的待分类垃圾放置到同一垃圾暂存盘 中。 例如， 控制分拣装置将待分类垃圾中的所有肉类骨头分拣到同一个垃圾暂存盘中。 0067 本实施方式中， 利用图像相似度度量的方法对至少两个所述第一图像进行分析， 并根据分析结果将外形相同或相似的待分类垃圾归类到同一类可以实现对待分类垃圾的 粗分类， 并能够为后面对待分类垃圾的精细分类做准备。 0068 步骤S13， 获取归类到同一类中的外形相同或。

28、相似的待分类垃圾的第二图像。 0069 本实施方式中， 所述获取归类到同一类中的外形相同或相似的待分类垃圾的第二 图像包括： 将归类到同一类中的外形相似的待分类垃圾通过传送带传送到第二垃圾分类装 置上， 通过所述第二垃圾分类装置上的摄像头摄取所述待分类垃圾的第二图像。 本实施方 式中， 所述第二垃圾分类装置上的摄像头的像素高于所述第一垃圾分类装置上的摄像头的 像素， 所述第二垃圾分类装置上的摄像头的数量多于所述第一垃圾分类装置上的摄像头的 数量。 本实施方式中， 通过所述第二垃圾分类装置上的摄像头对每一待分类垃圾从不同的 拍摄角度拍摄从而得到角度不同的多张第二图像。 本实施方式中， 利用拍摄角。

29、度不同的多 张第二图像对待分类垃圾进行检测识别， 可以提取待分类垃圾的更多特征信息， 从而提高 识别准确率， 降低误判率。 具体的， 在一实施方式中， 所述第二分类垃圾装置上包括一个摄 像头及一可旋转的托盘。 所述托盘与所述摄像头连接， 用于驱动所述摄像头转动并对所述 待分类垃圾拍照， 得到所述待分类垃圾的主视图图像、 后视图图像、 仰视图图像、 后视图图 像、 左视图图像、 右视图图像。 从而通过从不同角度、 不同形态下的所述待分类垃圾的主视 图图像、 后视图图像、 仰视图图像、 后视图图像、 左视图图像、 右视图图像对所述待分类垃圾 进行检测识别， 及更全面地得到所述待分类垃圾的特征信息。。

30、 在另一实施方式中， 所述第二 垃圾分类装置上的摄像头包括六个， 分别为第一摄像头、 第二摄像头、 第三摄像头、 第四摄 像头、 第五摄像头、 第六摄像头， 所述第一摄像头获取待分类垃圾的主视图图像， 所述第二 摄像头获取待分类垃圾的后视图图像， 所述第三摄像头获取待分类垃圾的仰视图图像， 所 述第四摄像头获取待分类垃圾的俯视图图像， 所述第五摄像头获取所述待分类垃圾的左视 图图像， 所述第六摄像头获取所述待分类垃圾的右视图图像。 0070 所述方法还包括： 对待分类垃圾的第二图像进行预处理以利于提取待分类垃圾的 第二图像中的待分类垃圾的特征信息。 本实施方式中， 当待分类垃圾的第二图像是照片。

31、时， 所述预处理包括对照片进行缩放、 Gamma校正、 图像增强或降噪滤波等处理； 当所述待分类 垃圾的第二图像为从视频中采集而获取的图片时， 所述预处理可以包括提取视频的关键帧 等。 0071 步骤S14， 采用已训练好的域自适应学习网络模型对所述第二图像进行处理检测 说明书 5/11 页 8 CN 110717426 A 8 以识别待分类垃圾的类型。 请参考图3， 所示为本发明一实施方式中训练域自适应学习网络 模型的方法流程图。 本实施方式中， 训练所述域自适应学习网络模型包括： 步骤S141， 从互 联网上爬取各类的生活用品图像， 并通过将同一类的生活用品图像存放在一个文件夹将所 述生活。

32、用品图像进行图片级别的标注， 并将带标签的图像数据作为源域数据； 步骤S142， 收 集生活垃圾图像作为目标域数据； 步骤S143， 搭建域自适应学习网络模型， 分别将带标签的 源域数据和不带标签的目标域数据作为所述域自适应学习网络模型的两种输入， 其中， 所 述域自适应学习网络模型中的源域支路和目标域的特征提取网络共享权重； 步骤S144， 对 所述源域数据及目标数据进行特征提取后进行域对抗学习， 并采用多任务损失函数来判断 所述域自适应学习网络模型是否收敛； 步骤S145， 调整所述域自适应学习网络模型的模型 参数以使任务损失函数的输出值与目标值的差值在预设阈值范围内， 得到训练好的域自适。

33、 应学习网络模型。 0072 本实施方式中， 可以采用生产对抗网络(Generative adversarial nets,GAN)对 所述源域数据及目标数据的特征值进行对抗学习。 采用生产对抗网络进行对抗学习的主要 原理是通过生成网络和判别网络不断博弈并训练， 进而使生成网络学习到数据的分布。 其 中， 生成网络用于接收一个随机数并通过接收的随机数生成图像， 判别网络接收生成网络 生成的图像， 并判别所述图像为真实图像的概率， 其中， 当所述判别网络输出为1， 则表示判 别网络输出的图像为真实的图像， 当所述判别网络输出为0， 则表示判别网络输出的图像不 是真实的图像。 在训练过程中， 生成。

34、网络的目标就是生成真实的图片去欺骗判别网络， 而判 别网络的目标是辨别出生成网络生成的假图像和真实图像的图像， 如此， 生成网络与判别 网络构成一个动态的 “博弈过程” ， 训练的最终平衡点是纳什平衡点。 在训练完成后， 生成网 络可以从一段随机数中生成逼真的图像。 本实施方式中， 所述生成网络的优点包括： 只使用 了反向传播， 而不需要复杂的马可科夫链； 产生更加清晰， 真实的样本； 相比较于变分自编 码器， GAN没有引入任何决定性偏置； 损失函数设计简单。 所述生成网络的缺点为训练GAN采 用梯度下降法达到纳什平衡点， 但有时找不到纳什平衡点。 0073 本实施方式中， 所述搭建域自适应。

35、学习网络模型包括： 确定构造域自适应习网络 模型的组合罚目标函数， 其中， 所述域自适应习网络模型时对目标域数据和源域数据进行 分类的分类器； 基于所述组合罚目标函数确定域自适应泛化误差上界； 基于所述自适应泛 化误差上界， 对两个以上分类器进行协同训练， 构造出域自适应习网络模型， 其中， 所述组 合罚目标函数为 a(h)a T(h)+(1-a) S(h)， 其中 a(h)表示组合罚目标函数， T(h)表示目 标域期望误差，S(h)表示源域期望差， h表示假设函数类H中的参考假设函数。 0074 本实施方式中， 将待分类垃圾的第二图像输入到所述训练好的所述域自适应学习 网络模型中， 经所述域。

36、自适应学习网络模型得到所述待分类垃圾的分类结果为可回收垃 圾、 有害垃圾、 干垃圾、 湿垃圾四类中的一种。 0075 步骤S15， 根据待分类垃圾的识别结果将不同类型的垃圾传送至与所述类型对应 的垃圾处理处。 0076 本实施方式中， 所述根据待分类垃圾的识别结果将不同类型的垃圾传送至与所述 类型对应的垃圾处理处包括： 根据待分类垃圾的识别结果将待分类垃圾通过传送带传送到 与所述待分类垃圾的类型相对应的垃圾处理处。 例如， 所述待分类垃圾的类别分为可回收 垃圾、 有害垃圾、 干垃圾、 湿垃圾， 每一类别对应一支路传送带， 可以根据所述待分类垃圾的 说明书 6/11 页 9 CN 1107174。

37、26 A 9 识别结果将待分类垃圾通过对应的支路传送带传送到对应的垃圾处理处。 0077 本发明中， 利用图像相似度度量的方法对至少两个所述第一图像进行分析， 并根 据分析结果将外形相同或相似的待分类垃圾归类到同一类可以实现对待分类垃圾的粗分 类， 然后利用已训练好的域自适应学习网络模型对所述第二图像进行处理检测以识别待分 类垃圾的类型实现对待分类垃圾进行进一步的精细分类， 提高了垃圾在实际垃圾分类场景 中的分类准确率。 0078 实施例2 0079 图4为本发明一实施方式中垃圾分类装置40的结构图。 0080 在一些实施例中， 所述垃圾分类装置40运行于电子设备中。 所述垃圾分类装置40 可。

38、以包括多个由程序代码段所组成的功能模块。 所述垃圾分类装置40中的各个程序段的程 序代码可以存储于存储器中， 并由至少一个处理器所执行， 以执行垃圾分类的功能。 0081 本实施例中， 所述垃圾分类装置40根据其所执行的功能， 可以被划分为多个功能 模块。 参阅图4所示， 所述垃圾分类装置40可以包括第一图像获取模块401、 第一分类模块 402、 第二图像获取模块403、 第二分类模块404及传送控制模块405。 本发明所称的模块是指 一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段， 其存储 在存储器中。 所述在一些实施例中， 关于各模块的功能将在后续的实施例中详述。。

39、 0082 所述第一图像获取模块401获取待分类垃圾的第一图像。 0083 本实施方式中， 第一垃圾分类装置上安装有摄像头， 所述第一图像获取模块401通 过所述第一垃圾分类装置上的摄像头获取待分类垃圾的第一图像。 在一实施方式中， 待分 类垃圾为单件垃圾。 当居民把单件垃圾放到第一垃圾分类装置中时， 所述第一图像获取模 块401通过所述第一垃圾分类装置上的摄像头摄取单件垃圾的图像， 并将摄取的图像作为 待分类垃圾的第一图像。 在另一实施方式中， 所述待分类垃圾打包在容器中。 当居民把单件 垃圾放到第一垃圾分类装置中时， 所述第一图像获取模块401通过所述第一垃圾分类装置 中的分拣装置将所述容。

40、器中的垃圾取出， 并通过摄像头分别摄取容器中的每一垃圾的图像 作为待分类垃圾的第一图像。 本实施方式中， 所述分拣装置可以为机械手臂、 夹爪等装置。 0084 所述第一分类模块402利用图像相似度度量的方法对至少两个所述第一图像进行 分析， 并根据分析结果将外形相同或相似的待分类垃圾归类到同一类。 0085 本实施方式中， 所述第一分类模块402利用图像相似度度量的方法对至少两个所 述第一图像进行分析， 并根据分析结果将外形相同或相似的待分类垃圾归类到同一类包 括： 根据灰度颜色直方图算法计算所述第一图像间的目标相似度， 及根据计算出的目标相 似度将外形相同或相似的待分类垃圾归类到同一类。 0。

41、086 具体的， 所述第一分类模块402将待比对的至少两张第一图像进行灰度化处理， 得 到所述第一图像的灰度图像； 计算所述灰度图像的一维直方图并对所述一维直方图做归一 化处理； 创建一张目标图用于显示各个像素的直方图， 其中， 所述直方图中的横坐标为灰度 级， 所述直方图中的纵坐标为像素个数； 将每个直方图绘制到创建的目标图中； 通过度量两 张第一图像的直方图的巴氏距离来计算所述第一图像的目标相似度； 及根据计算出的目标 相似度将外形相同或相似的待分类垃圾归类到同一类。 0087 在一实施方式中， 所述第一分类模块402利用图像相似度度量的方法对至少两个 所述第一图像进行分析， 并根据分析结。

42、果将外形相同或相似的待分类垃圾归类到同一类包 说明书 7/11 页 10 CN 110717426 A 10 括： 利用灰度共生矩阵提取每一第一图像的图像纹理特征； 根据所述第一图像的图像纹理 特征计算所述第一图像间的目标相似度； 及根据计算出的目标相似度将外形相同或相似的 待分类垃圾归类到同一类。 在具体实施方式中， 所述图像纹理特征包括自相关、 对比度、 熵 及逆差矩。 0088 在一实施方式中， 所述第一分类模块402利用图像相似度度量的方法对所述第一 图像进行分析， 并根据分析结果将外形相同或相似的待分类垃圾归类到同一类包括： 根据 灰度颜色直方图算法计算所述第一图像间的第一相似度； 。

43、采用灰度共生矩阵提取每一第一 图像的图像纹理特征， 根据所述第一图像的图像纹理特征计算所述第一图像间的第二相似 度； 将所述第一相似度及所述第二相似度进行加权平均计算出所述第一图像间的目标相似 度； 根据计算出的目标相似度将外形相同或相似的待分类垃圾归类到同一类。 0089 本实施方式中， 所述根据计算出的目标相似度将外形相同或相似的待分类垃圾归 类到同一类包括： 控制分拣装置将外形相同或相似的待分类垃圾放置到同一垃圾暂存盘 中。 例如， 控制分拣装置将待分类垃圾中的所有肉类骨头分拣到同一个垃圾暂存盘中。 0090 本实施方式中， 利用图像相似度度量的方法对至少两个所述第一图像进行分析， 并根。

44、据分析结果将外形相同或相似的待分类垃圾归类到同一类可以实现对待分类垃圾的 粗分类， 并能够为后面对待分类垃圾的精细分类做准备。 0091 所述第二图像获取模块403获取归类到同一类中的外形相似的所述待分类垃圾的 第二图像。 0092 本实施方式中， 所述第二图像获取模块403获取待分类垃圾的第二图像包括： 将归 类到同一类中的外形相似的待分类垃圾通过传送带传送到第二垃圾分类装置上， 通过所述 第二垃圾分类装置上的摄像头摄取所述待分类垃圾的第二图像。 本实施方式中， 所述第二 垃圾分类装置上的摄像头的像素高于所述第一垃圾分类装置上的摄像头的像素， 所述第二 垃圾分类装置上的摄像头的数量多于所述第。

45、一垃圾分类装置上的摄像头的数量。 本实施方 式中， 通过所述第二垃圾分类装置上的摄像头对每一待分类垃圾从不同的拍摄角度拍摄从 而得到角度不同的多张第二图像。 本实施方式中， 相比于单独使用一张待分类垃圾的第二 图像进行检测识别， 利用拍摄角度不同的多张第二图像对待分类垃圾进行检测识别， 可以 提取待分类垃圾的更多特征信息， 从而提高识别准确率， 降低误判率。 具体的， 在一实施方 式中， 所述第二分类垃圾装置上包括一个摄像头及一可旋转的托盘。 所述托盘与所述摄像 头连接， 用于驱动所述摄像头转动并对所述待分类垃圾拍照， 得到所述待分类垃圾的主视 图图像、 后视图图像、 仰视图图像、 后视图图像。

46、、 左视图图像、 右视图图像。 从而通过从不同 角度、 不同形态下的所述待分类垃圾的主视图图像、 后视图图像、 仰视图图像、 后视图图像、 左视图图像、 右视图图像对所述待分类垃圾进行检测识别， 及更全面地得到所述待分类垃 圾的特征信息。 在另一实施方式中， 所述第二垃圾分类装置上的摄像头包括六个， 分别为第 一摄像头、 第二摄像头、 第三摄像头、 第四摄像头、 第五摄像头、 第六摄像头， 所述第一摄像 头获取待分类垃圾的主视图图像， 所述第二摄像头获取待分类垃圾的后视图图像， 所述第 三摄像头获取待分类垃圾的仰视图图像， 所述第四摄像头获取待分类垃圾的俯视图图像， 所述第五摄像头获取所述待分。

47、类垃圾的左视图图像， 所述第六摄像头获取所述待分类垃圾 的右视图图像。 0093 所述第二图像获取模块403还包括： 对待分类垃圾的第二图像进行预处理以利于 说明书 8/11 页 11 CN 110717426 A 11 提取待分类垃圾的第二图像中的待分类垃圾的特征信息。 本实施方式中， 当待分类垃圾的 第二图像是照片时， 所述预处理包括对照片进行缩放、 Gamma校正、 图像增强或降噪滤波等 处理； 当所述待分类垃圾的第二图像为从视频中采集而获取的图片时， 所述预处理可以包 括提取视频的关键帧等。 0094 所述第二分类模块404采用已训练好的域自适应学习网络模型对所述第二图像进 行处理检测。

48、以识别待分类垃圾的类型。 0095 本实施方式中， 所述第二分类模块404训练所述域自适应学习网络模型包括： 从互 联网上爬取各类的生活用品图像， 并通过将同一类的生活用品图像存放在一个文件夹将所 述生活用品图像进行图片级别的标注， 并将带标签的图像数据作为源域数据； 收集生活垃 圾图像作为目标域数据； 搭建域自适应学习网络模型， 分别将带标签的源域数据和不带标 签的目标域数据作为所述域自适应学习网络模型的两种输入， 其中， 所述域自适应学习网 络模型中的源域支路和目标域的特征提取网络共享权重； 对所述源域数据及目标数据进行 特征提取后进行域对抗学习， 并采用多任务损失函数来判断所述域自适应学。

49、习网络模型是 否收敛； 调整所述域自适应学习网络模型的模型参数以使任务损失函数的输出值与目标值 的差值在预设阈值范围内， 得到训练好的域自适应学习网络模型。 0096 本实施方式中， 可以采用生产对抗网络对所述源域数据及目标数据的特征值进行 对抗学习。 采用生产对抗网络进行对抗学习的主要原理是通过生成网络和判别网络不断博 弈并训练， 进而使生成网络学习到数据的分布。 其中， 生成网络用于接收一个随机数并通过 接收的随机数生成图像， 判别网络接收生成网络生成的图像， 并判别所述图像为真实图像 的概率， 其中， 当所述判别网络输出为1， 则表示判别网络输出的图像为真实的图像， 当所述 判别网络输出。

50、为0， 则表示判别网络输出的图像不是真实的图像。 在训练过程中， 生成网络 的目标就是生成真实的图片去欺骗判别网络， 而判别网络的目标是辨别出生成网络生成的 假图像和真实图像的图像， 如此， 生成网络与判别网络构成一个动态的 “博弈过程” ， 训练的 最终平衡点是纳什平衡点。 在训练完成后， 生成网络可以从一段随机数中生成逼真的图像。 本实施方式中， 所述生成网络的优点包括： 只使用了反向传播， 而不需要复杂的马可科夫 链； 产生更加清晰， 真实的样本； 相比较于变分自编码器， GAN没有引入任何决定性偏置； 损 失函数设计简单。 所述生成网络的缺点为训练GAN采用梯度下降法达到纳什平衡点， 。