本發(fā)明屬于機(jī)器學(xué)習(xí)領(lǐng)域，特別涉及一種垃圾識別分類方法。

背景技術(shù)：

1、隨著人工智能技術(shù)的迅猛發(fā)展，尤其是在機(jī)器學(xué)習(xí)領(lǐng)域，深度學(xué)習(xí)技術(shù)在圖像識別方面取得了突破性進(jìn)展；這一技術(shù)進(jìn)步為垃圾的自動(dòng)識別與分類提供了新的解決方案，對于推動(dòng)垃圾分類的自動(dòng)化和資源的有效回收利用具有重大意義；通過構(gòu)建包含廣泛樣本的圖像數(shù)據(jù)集，并利用深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，可以實(shí)現(xiàn)對垃圾的高效識別和分類。

2、然而，現(xiàn)實(shí)世界中的圖像數(shù)據(jù)具有高度的復(fù)雜性和多樣性，這對垃圾分類模型的泛化能力提出了更高的要求；為了應(yīng)對這一挑戰(zhàn)，研究者們開發(fā)了多種策略，如利用超網(wǎng)絡(luò)技術(shù)快速適應(yīng)新任務(wù)、采用mixup增強(qiáng)技術(shù)提高模型對樣本多樣性的適應(yīng)性，以及通過元學(xué)習(xí)策略提升模型從小樣本中快速學(xué)習(xí)的能力；這些技術(shù)的融合應(yīng)用，使得模型不僅能夠準(zhǔn)確識別常見的垃圾類型，還能夠?qū)ξ粗虿怀Ｒ姷睦鴺颖具M(jìn)行有效的檢測和分類。

3、分布外檢測是機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)重要研究方向，它關(guān)注模型在面對訓(xùn)練過程中未遇到的樣本時(shí)的表現(xiàn)；在垃圾分類的實(shí)際應(yīng)用中，模型可能會(huì)遇到各種非典型或異常的垃圾樣本；為了提高模型對這些分布外樣本的識別能力，研究者們引入了多種先進(jìn)技術(shù)，包括異常樣本的mixup增強(qiáng)、利用最大熵原理進(jìn)行標(biāo)簽分配，以及通過超網(wǎng)絡(luò)生成適應(yīng)性強(qiáng)的分類器權(quán)重；這些技術(shù)的結(jié)合使用，不僅增強(qiáng)了模型對正常樣本的分類性能，也顯著提升了其對分布外樣本的檢測和泛化能力，為垃圾識別分類的有效實(shí)施提供了強(qiáng)有力的技術(shù)支撐。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提出一種垃圾識別分類方法，旨在通過結(jié)合超網(wǎng)絡(luò)、mixup增強(qiáng)及分布外檢測技術(shù)，實(shí)現(xiàn)對垃圾圖像的高效分類與精準(zhǔn)識別，同時(shí)增強(qiáng)模型對未知類別垃圾的檢測能力，以提升垃圾分類的準(zhǔn)確性和自動(dòng)化水平。

2、本發(fā)明提出的一種垃圾識別分類方法，包括以下步驟：

3、s1、創(chuàng)建一個(gè)全面的垃圾圖像數(shù)據(jù)集，涵蓋垃圾中常見的可回收物、有害垃圾、濕垃圾和干垃圾；對圖像進(jìn)行高質(zhì)量的標(biāo)注，為后續(xù)的模型訓(xùn)練提供準(zhǔn)確的監(jiān)督信號；

4、s2、構(gòu)建hypertune模塊，由超網(wǎng)絡(luò)技術(shù)生成的分類器，快速生成適應(yīng)新任務(wù)的分類器參數(shù)；該模塊通過元學(xué)習(xí)，迅速從少量樣本中學(xué)習(xí)并產(chǎn)生高效的分類器權(quán)重，為精確分類打下基礎(chǔ)；

5、s3、構(gòu)建p-mix模塊，使用mixup增強(qiáng)支持集，并使用加權(quán)聚合來計(jì)算分類器權(quán)重，通過在權(quán)重空間中增強(qiáng)樣本，使模型更好地適應(yīng)類內(nèi)樣本的多樣性，從而提升分類效果；

6、s4、構(gòu)建e-mix模塊，用于提高模型對異常樣本的檢測能力；ooe-mix通過在任務(wù)外ooe樣本與任務(wù)內(nèi)ine樣本之間進(jìn)行mixup來增加異常樣本的多樣性；

7、s5、構(gòu)建mixmaster模塊，mixmaster模塊以p-mix和e-mix兩個(gè)子模塊使用mixup技術(shù)，用于在元訓(xùn)練階段訓(xùn)練超網(wǎng)絡(luò)；

8、s6、分類器模型的訓(xùn)練，構(gòu)建特征提取網(wǎng)絡(luò)并應(yīng)用上述生成的分類器權(quán)重，對查詢樣本進(jìn)行分類訓(xùn)練；通過迭代訓(xùn)練，模型參數(shù)不斷優(yōu)化，直至模型能準(zhǔn)確分類新樣本，同時(shí)采用正則化技術(shù)防止過擬合；

9、s7、實(shí)時(shí)圖像采集與分類，部署自動(dòng)化圖像采集系統(tǒng)，實(shí)時(shí)獲取垃圾的圖像數(shù)據(jù)，并輸入至訓(xùn)練好的模型進(jìn)行識別分類；模型將根據(jù)學(xué)習(xí)到的特征，對圖像中的垃圾進(jìn)行快速準(zhǔn)確的分類，實(shí)現(xiàn)垃圾的有效管理。

10、優(yōu)選的，在步驟s2中的hypertune模塊，超網(wǎng)絡(luò)通過元學(xué)習(xí)進(jìn)行訓(xùn)練，即在多個(gè)小樣本分類任務(wù)上進(jìn)行學(xué)習(xí)；每個(gè)任務(wù)集包含支持集和查詢集，模型需在支持集上學(xué)習(xí)，并對查詢集進(jìn)行預(yù)測；具體由一個(gè)兩層全連接層的多層感知機(jī)組成，每層大小為256，通過公式生成分類器的權(quán)重，權(quán)重生成過程如下：

11、

12、其中，wn表示第n類的分類器權(quán)重，這個(gè)權(quán)重通過對支持集中屬于該類別的樣本進(jìn)行加權(quán)得到，用于最終的分類器；k表示支持集中的每類樣本數(shù)量，k-shot任務(wù)中，通常每個(gè)類別只有k個(gè)樣本；kn表示支持集樣本總數(shù)，包含n類，每類k個(gè)樣本；1[ys＝n]為指示函數(shù)，當(dāng)樣本xs屬于類別n時(shí)值為1，當(dāng)樣本xs不屬于類別n時(shí)值為0,這是用來篩選屬于該類別n的樣本；

13、h(f(xs))中f(xs)表示特征提取器從樣本xs中提取的特征向量；h(*)是超網(wǎng)絡(luò)，用于將特征向量映射為分類器的權(quán)重。

14、優(yōu)選的，在步驟s3中的p-mix模塊，使用mixup增強(qiáng)支持集，并使用加權(quán)聚合來計(jì)算分類器權(quán)重；將混合支撐樣本和相應(yīng)的標(biāo)號分別記為x-s和y-s；混合參數(shù)pm從固定的beta分布中采樣，并使用樣本特定權(quán)重代碼的加權(quán)聚合來計(jì)算提取的分類器參數(shù)，其中聚合權(quán)重是根據(jù)混合樣本的概率確定的，具體流程如下：

15、對于支持集中的樣本x1和x2，以及它們的標(biāo)簽y1和y2，生成混合樣本：

16、

17、

18、然后，使用支持集嵌入的加權(quán)和生成分類器權(quán)重：

19、

20、其中，wn表示第n類的分類器權(quán)重；s表示代表經(jīng)過增強(qiáng)后的支持集樣本總數(shù)；表示表示第s個(gè)樣本屬于第n類的概率表示歸一化系數(shù)，確保對每個(gè)類的權(quán)重wn的總和是歸一的。

21、優(yōu)選的，在步驟s4中的e-mix模塊，用于提高模型對異常樣本的檢測能力；00e-mix通過在任務(wù)外00e樣本與任務(wù)內(nèi)ine樣本之間進(jìn)行mixup來增加異常樣本的多樣性，具體流程如下：

22、首先，每次任務(wù)訓(xùn)練時(shí)，作者從未選取的類別中采樣作為集外樣本并與集內(nèi)樣本進(jìn)行混合：

23、

24、其中，表示由任務(wù)內(nèi)樣本和任務(wù)外樣本混合生成的新樣本；λ為mixup的加權(quán)系數(shù)，控制任務(wù)內(nèi)樣本和任務(wù)外樣本的比例；

25、然后，設(shè)置集外樣本的標(biāo)簽為最大熵分布，即均勻分布標(biāo)簽：

26、

27、其中，表示任務(wù)外樣本的標(biāo)簽分布；表示均勻分布下每個(gè)類別的概率；

28、最后，計(jì)算的出最終的混合標(biāo)簽：

29、

30、其中，表示新生成的混合樣本的標(biāo)簽分布；表示任務(wù)內(nèi)樣本的標(biāo)簽分布。

31、優(yōu)選的，在步驟s6中的特征提取器f采用了resnet-12架構(gòu)，包含4個(gè)殘差塊，每個(gè)殘差塊有3個(gè)卷積層，卷積核的數(shù)量分別為64,160,320和640，卷積核大小為3×3；前3個(gè)殘差塊后跟有2×2平均池化層，最后得到的特征向量大小為640；在預(yù)訓(xùn)練階段，特征提取器結(jié)合了監(jiān)督學(xué)習(xí)和自監(jiān)督學(xué)習(xí)策略進(jìn)行訓(xùn)練；并通過兩個(gè)線性分類器進(jìn)行訓(xùn)練：一個(gè)預(yù)測類別，另一個(gè)預(yù)測旋轉(zhuǎn)角度；損失函數(shù)結(jié)合了分類交叉熵?fù)p失和二元交叉熵?fù)p失。

32、本發(fā)明提出的一種垃圾識別分類方法，相比現(xiàn)有技術(shù)，通過構(gòu)建全面的垃圾圖像數(shù)據(jù)集和采用高質(zhì)量的標(biāo)注，確保了模型訓(xùn)練的準(zhǔn)確性和全面性；利用hypertune模塊和p-mix技術(shù)，該方法能夠快速適應(yīng)新任務(wù)并增強(qiáng)樣本多樣性，顯著提升了分類效果；同時(shí)，e-mix模塊的引入有效提高了模型對異常樣本的檢測能力，而mixmaster模塊的元訓(xùn)練策略進(jìn)一步增強(qiáng)了模型的泛化性；此外，通過自動(dòng)化圖像采集系統(tǒng)實(shí)現(xiàn)實(shí)時(shí)圖像識別分類，該方法不僅提高了垃圾分類的實(shí)時(shí)性和自動(dòng)化水平，還有助于實(shí)現(xiàn)垃圾的有效管理和資源的回收利用，展現(xiàn)出對新任務(wù)快速適應(yīng)能力和對異常樣本魯棒性的優(yōu)勢。