本發(fā)明涉及圖像識別，具體而言，涉及一種智能垃圾識別分類方法。

背景技術(shù)：

1、通過垃圾轉(zhuǎn)運(yùn)車將垃圾進(jìn)行轉(zhuǎn)運(yùn)是環(huán)衛(wèi)領(lǐng)域中的一種普遍環(huán)節(jié)。其中，垃圾分類對于垃圾的后續(xù)處理具有重要的作用。但是，在垃圾轉(zhuǎn)運(yùn)時，以及，在垃圾轉(zhuǎn)運(yùn)之前，由于各種因素的存在，使得垃圾的分類投放效果并不可靠，即普遍存在著垃圾分類投放錯誤的問題。因此，在轉(zhuǎn)運(yùn)的過程中，就需要再次進(jìn)行分類識別，但是，在現(xiàn)有技術(shù)中，還是存在著垃圾識別的可靠度不高的問題，使得無法進(jìn)行可靠地分類識別。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提供一種智能垃圾識別分類方法，以改善現(xiàn)有技術(shù)中存在的垃圾識別的可靠度不高的問題。

2、為實現(xiàn)上述目的，本發(fā)明實施例采用如下技術(shù)方案：

3、一種智能垃圾識別分類方法，包括：

4、對目標(biāo)垃圾轉(zhuǎn)運(yùn)車轉(zhuǎn)運(yùn)的垃圾進(jìn)行圖像采集處理，得到原始垃圾圖像；

5、利用目標(biāo)垃圾圖像優(yōu)化網(wǎng)絡(luò)，對所述原始垃圾圖像進(jìn)行圖像優(yōu)化處理，得到優(yōu)化垃圾圖像，其中，所述目標(biāo)垃圾圖像優(yōu)化網(wǎng)絡(luò)屬于經(jīng)過訓(xùn)練形成的神經(jīng)網(wǎng)絡(luò)，所述圖像優(yōu)化處理是指將所述原始垃圾圖像中待識別垃圾進(jìn)行丟失圖像信息的還原處理，所述丟失圖像信息至少包括因其它垃圾或其它物件遮擋而導(dǎo)致所述待識別垃圾丟失的圖像信息，圖像優(yōu)化處理包括對圖像信息進(jìn)行多個層面的關(guān)鍵信息的挖掘操作和基于該挖掘操作的結(jié)果還原出對應(yīng)的優(yōu)化垃圾圖像，所述多個層面的關(guān)鍵信息包括多個顏色通道的關(guān)鍵信息、提取出的輪廓的關(guān)鍵信息；

6、利用目標(biāo)垃圾類型識別網(wǎng)絡(luò)，對所述優(yōu)化垃圾圖像進(jìn)行垃圾類型識別處理，得到所述待識別垃圾的目標(biāo)垃圾類型信息，其中，所述目標(biāo)垃圾類型識別網(wǎng)絡(luò)屬于經(jīng)過訓(xùn)練形成的神經(jīng)網(wǎng)絡(luò)，所述目標(biāo)垃圾類型信息作為對所述目標(biāo)垃圾轉(zhuǎn)運(yùn)車轉(zhuǎn)運(yùn)的垃圾進(jìn)行分類監(jiān)控處理的依據(jù)，該分類監(jiān)控處理至少包括在確定出存在分類錯誤的垃圾時進(jìn)行對應(yīng)的分類異常警示操作。

7、在一些優(yōu)選的實施例中，在上述智能垃圾識別分類方法中，所述利用目標(biāo)垃圾圖像優(yōu)化網(wǎng)絡(luò)，對所述原始垃圾圖像進(jìn)行圖像優(yōu)化處理，得到優(yōu)化垃圾圖像的步驟，包括：

8、利用目標(biāo)垃圾圖像優(yōu)化網(wǎng)絡(luò)，將所述原始垃圾圖像中的垃圾圖像塊進(jìn)行圖像信息挖掘操作，輸出所述垃圾圖像塊對應(yīng)的第一數(shù)量個垃圾圖像特征表示，其中，所述第一數(shù)量大于1，所述第一數(shù)量個垃圾圖像特征表示用于反映所述垃圾圖像塊在不同的第一數(shù)量個層面的關(guān)鍵信息，所述垃圾圖像塊通過對所述原始垃圾圖像進(jìn)行圖像分割處理以形成，所述垃圾圖像塊在不同的第一數(shù)量個層面的關(guān)鍵信息包括多個顏色通道的關(guān)鍵信息、從所述垃圾圖像塊中提取出的輪廓的關(guān)鍵信息；

9、利用所述目標(biāo)垃圾圖像優(yōu)化網(wǎng)絡(luò)，將所述第一數(shù)量個垃圾圖像特征表示進(jìn)行融合處理，輸出所述垃圾圖像塊對應(yīng)的融合垃圾圖像特征表示，并將所述融合垃圾圖像特征表示進(jìn)行聚焦特征挖掘處理，輸出所述融合垃圾圖像特征表示對應(yīng)的聚焦垃圾圖像特征表示；

10、利用所述目標(biāo)垃圾圖像優(yōu)化網(wǎng)絡(luò)，將所述原始垃圾圖像對應(yīng)的圖像塊關(guān)聯(lián)參數(shù)分布和所述垃圾圖像塊對應(yīng)的目標(biāo)垃圾圖像特征表示進(jìn)行多層次的聚合處理，輸出所述垃圾圖像塊對應(yīng)的聚合垃圾圖像特征表示，其中，所述目標(biāo)垃圾圖像特征表示基于所述聚焦垃圾圖像特征表示和所述融合垃圾圖像特征表示得到，所述圖像塊關(guān)聯(lián)參數(shù)分布用于反映各所述垃圾圖像塊之間的關(guān)聯(lián)關(guān)系；

11、利用所述目標(biāo)垃圾圖像優(yōu)化網(wǎng)絡(luò)，基于所述聚合垃圾圖像特征表示對所述原始垃圾圖像進(jìn)行圖像優(yōu)化處理，得到優(yōu)化垃圾圖像。

12、在一些優(yōu)選的實施例中，在上述智能垃圾識別分類方法中，所述第一數(shù)量個垃圾圖像特征表示包括垃圾圖像顏色特征表示；

13、所述利用目標(biāo)垃圾圖像優(yōu)化網(wǎng)絡(luò)，將所述原始垃圾圖像中的垃圾圖像塊進(jìn)行圖像信息挖掘操作，輸出所述垃圾圖像塊對應(yīng)的第一數(shù)量個垃圾圖像特征表示的步驟，包括：

14、對所述原始垃圾圖像進(jìn)行加載，使得目標(biāo)垃圾圖像優(yōu)化網(wǎng)絡(luò)中的圖像信息挖掘模型獲取到所述原始垃圾圖像；

15、利用所述圖像信息挖掘模型，確定出所述原始垃圾圖像中的垃圾圖像塊的第二數(shù)量個顏色通道值，其中，所述第二數(shù)量大于1，所述第二數(shù)量個顏色通道值包括反映所述垃圾圖像塊中的各像素點在一個顏色通道的值；

16、確定出所述第二數(shù)量個顏色通道值各自對應(yīng)的顏色通道值特征表示，以及，分別將所述第二數(shù)量個顏色通道值特征表示進(jìn)行特征抽取處理，輸出所述第二數(shù)量個顏色通道值特征表示各自對應(yīng)的抽取顏色特征表示；

17、將輸出的第二數(shù)量個所述抽取顏色特征表示進(jìn)行特征壓縮處理，輸出所述垃圾圖像塊對應(yīng)的垃圾圖像顏色特征表示。

18、在一些優(yōu)選的實施例中，在上述智能垃圾識別分類方法中，所述第一數(shù)量個垃圾圖像特征表示包括垃圾圖像輪廓特征表示；

19、所述利用目標(biāo)垃圾圖像優(yōu)化網(wǎng)絡(luò)，將所述原始垃圾圖像中的垃圾圖像塊進(jìn)行圖像信息挖掘操作，輸出所述垃圾圖像塊對應(yīng)的第一數(shù)量個垃圾圖像特征表示的步驟，包括：

20、對所述原始垃圾圖像進(jìn)行輪廓提取處理，以確定出所述原始垃圾圖像中的每一個像素點是否屬于輪廓上，并基于是否屬于輪廓上的結(jié)果，對所述原始垃圾圖像中的每一個像素點的像素值進(jìn)行更新處理，得到對應(yīng)的更新垃圾圖像，其中，在所述更新垃圾圖像中，若一個像素點屬于輪廓上，則該像素點的像素值為1，若一個像素點不屬于輪廓上，則該像素點的像素值為0；

21、對所述更新垃圾圖像進(jìn)行加載，使得目標(biāo)垃圾圖像優(yōu)化網(wǎng)絡(luò)中的圖像信息挖掘模型獲取到所述更新垃圾圖像；

22、利用所述圖像信息挖掘模型，確定出所述更新垃圾圖像中的垃圾圖像塊的第二數(shù)量個輪廓表征值，其中，所述第二數(shù)量大于1，所述第二數(shù)量個輪廓表征值包括反映所述垃圾圖像塊中各像素點是否屬于輪廓上的表征值；

23、確定出所述第二數(shù)量個輪廓表征值各自對應(yīng)的輪廓表征值特征表示，以及，分別將所述第二數(shù)量個輪廓表征值特征表示進(jìn)行特征抽取處理，輸出所述第二數(shù)量個輪廓表征值特征表示各自對應(yīng)的抽取輪廓特征表示；

24、將輸出的第二數(shù)量個所述抽取輪廓特征表示進(jìn)行特征壓縮處理，輸出所述垃圾圖像塊對應(yīng)的垃圾圖像輪廓特征表示。

25、在一些優(yōu)選的實施例中，在上述智能垃圾識別分類方法中，所述利用所述目標(biāo)垃圾圖像優(yōu)化網(wǎng)絡(luò)，將所述第一數(shù)量個垃圾圖像特征表示進(jìn)行融合處理，輸出所述垃圾圖像塊對應(yīng)的融合垃圾圖像特征表示，并將所述融合垃圾圖像特征表示進(jìn)行聚焦特征挖掘處理，輸出所述融合垃圾圖像特征表示對應(yīng)的聚焦垃圾圖像特征表示的步驟，包括：

26、對所述第一數(shù)量個垃圾圖像特征表示進(jìn)行加載處理，使得所述目標(biāo)垃圾圖像優(yōu)化網(wǎng)絡(luò)中的圖像特征聚焦模型獲取到所述第一數(shù)量個垃圾圖像特征表示；

27、利用所述圖像特征聚焦模型，將所述第一數(shù)量個垃圾圖像特征表示進(jìn)行級聯(lián)組合處理，輸出所述垃圾圖像塊對應(yīng)的融合垃圾圖像特征表示；

28、將所述融合垃圾圖像特征表示進(jìn)行矩陣映射處理，輸出所述融合垃圾圖像特征表示對應(yīng)的第三數(shù)量個聚焦映射圖像特征表示；

29、將所述第三數(shù)量個聚焦映射圖像特征表示進(jìn)行相似性融合處理，輸出所述融合垃圾圖像特征表示對應(yīng)的聚焦垃圾圖像特征表示。

30、在一些優(yōu)選的實施例中，在上述智能垃圾識別分類方法中，所述第三數(shù)量個聚焦映射圖像特征表示包括第一映射圖像特征表示、第二映射圖像特征表示和第三映射圖像特征表示；

31、所述將所述第三數(shù)量個聚焦映射圖像特征表示進(jìn)行相似性融合處理，輸出所述融合垃圾圖像特征表示對應(yīng)的聚焦垃圾圖像特征表示的步驟，包括：

32、對所述第一映射圖像特征表示進(jìn)行參數(shù)的調(diào)整處理，使得所述第一映射圖像特征表示中參數(shù)的分布情況被調(diào)整，得到調(diào)整映射圖像特征表示；

33、將所述第三映射圖像特征表示和所述調(diào)整映射圖像特征表示進(jìn)行相乘處理，輸出對應(yīng)的關(guān)聯(lián)性參數(shù)分布，其中，所述關(guān)聯(lián)性參數(shù)分布用于反映所述第一數(shù)量個垃圾圖像特征表示之間的關(guān)聯(lián)性關(guān)系；

34、將所述關(guān)聯(lián)性參數(shù)分布進(jìn)行參數(shù)映射處理，輸出所述關(guān)聯(lián)性參數(shù)分布對應(yīng)的映射關(guān)聯(lián)性參數(shù)分布；

35、將所述映射關(guān)聯(lián)性參數(shù)分布和所述第二映射圖像特征表示進(jìn)行相乘處理，輸出所述第一數(shù)量個垃圾圖像特征表示對應(yīng)的關(guān)聯(lián)圖像特征表示；

36、將所述關(guān)聯(lián)圖像特征表示進(jìn)行線性映射操作，輸出所述融合垃圾圖像特征表示對應(yīng)的聚焦垃圾圖像特征表示。

37、在一些優(yōu)選的實施例中，在上述智能垃圾識別分類方法中，所述利用所述目標(biāo)垃圾圖像優(yōu)化網(wǎng)絡(luò)，將所述原始垃圾圖像對應(yīng)的圖像塊關(guān)聯(lián)參數(shù)分布和所述垃圾圖像塊對應(yīng)的目標(biāo)垃圾圖像特征表示進(jìn)行多層次的聚合處理，輸出所述垃圾圖像塊對應(yīng)的聚合垃圾圖像特征表示的步驟，包括：

38、對所述原始垃圾圖像對應(yīng)的圖像塊關(guān)聯(lián)參數(shù)分布和所述垃圾圖像塊對應(yīng)的目標(biāo)垃圾圖像特征表示進(jìn)行加載處理，使得所述目標(biāo)垃圾圖像優(yōu)化網(wǎng)絡(luò)中的深度聚合模型獲取到所述圖像塊關(guān)聯(lián)參數(shù)分布和所述目標(biāo)垃圾圖像特征表示，其中，所述深度聚合模型包括深度特征挖掘單元、第四數(shù)量個深度特征聚合單元和聚合輸出單元，所述第四數(shù)量大于或等于1；

39、利用所述深度特征挖掘單元，將所述垃圾圖像塊對應(yīng)的目標(biāo)垃圾圖像特征表示進(jìn)行深度特征挖掘操作，輸出所述垃圾圖像塊對應(yīng)的深度垃圾圖像特征表示；

40、利用所述第四數(shù)量個深度特征聚合單元，依據(jù)所述原始垃圾圖像對應(yīng)的圖像塊關(guān)聯(lián)參數(shù)分布和所述垃圾圖像塊對應(yīng)的深度垃圾圖像特征表示，輸出所述第四數(shù)量個深度特征聚合單元各自對應(yīng)的中間垃圾圖像特征表示；

41、對所述第四數(shù)量個深度特征聚合單元中的目標(biāo)深度特征聚合單元對應(yīng)的中間垃圾圖像特征表示進(jìn)行標(biāo)記，形成所述垃圾圖像塊對應(yīng)的目標(biāo)深度圖像特征表示，其中，所述目標(biāo)深度特征聚合單元屬于所述第四數(shù)量個深度特征聚合單元中的排序在最后的深度特征聚合單元，所述第四數(shù)量個深度特征聚合單元之間具有級聯(lián)連接的先后關(guān)系；

42、利用所述聚合輸出單元，在將所述垃圾圖像塊對應(yīng)的目標(biāo)深度圖像特征表示和所述垃圾圖像塊對應(yīng)的深度垃圾圖像特征表示進(jìn)行權(quán)重系數(shù)的融合處理之后，通過進(jìn)行疊加聚合處理，輸出所述垃圾圖像塊對應(yīng)的聚合垃圾圖像特征表示。

43、在一些優(yōu)選的實施例中，在上述智能垃圾識別分類方法中，所述第四數(shù)量個深度特征聚合單元包括任意深度特征聚合單元；

44、所述利用所述第四數(shù)量個深度特征聚合單元，依據(jù)所述原始垃圾圖像對應(yīng)的圖像塊關(guān)聯(lián)參數(shù)分布和所述垃圾圖像塊對應(yīng)的深度垃圾圖像特征表示，輸出所述第四數(shù)量個深度特征聚合單元各自對應(yīng)的中間垃圾圖像特征表示的步驟，包括：

45、在所述任意深度特征聚合單元屬于所述第四數(shù)量個深度特征聚合單元中排序在第一位的深度特征聚合單元時，利用所述任意深度特征聚合單元，將所述原始垃圾圖像對應(yīng)的圖像塊關(guān)聯(lián)參數(shù)分布和所述垃圾圖像塊對應(yīng)的深度垃圾圖像特征表示進(jìn)行關(guān)聯(lián)聚合處理，輸出所述任意深度特征聚合單元對應(yīng)的中間垃圾圖像特征表示；

46、在所述任意深度特征聚合單元屬于所述第四數(shù)量個深度特征聚合單元中排序在第一位的深度特征聚合單元以外的其它深度特征聚合單元時，利用所述任意深度特征聚合單元，將所述原始垃圾圖像對應(yīng)的圖像塊關(guān)聯(lián)參數(shù)分布和所述任意深度特征聚合單元的前一個深度特征聚合單元對應(yīng)的中間垃圾圖像特征表示進(jìn)行關(guān)聯(lián)聚合處理，輸出所述任意深度特征聚合單元對應(yīng)的中間垃圾圖像特征表示。

47、在一些優(yōu)選的實施例中，在上述智能垃圾識別分類方法中，所述利用所述目標(biāo)垃圾圖像優(yōu)化網(wǎng)絡(luò)，基于所述聚合垃圾圖像特征表示對所述原始垃圾圖像進(jìn)行圖像優(yōu)化處理，得到優(yōu)化垃圾圖像的步驟，包括：

48、利用所述目標(biāo)垃圾圖像優(yōu)化網(wǎng)絡(luò)包括的圖像重建模型，基于所述原始垃圾圖像中的每一個垃圾圖像塊對應(yīng)的聚合垃圾圖像特征表示，對所述原始垃圾圖像進(jìn)行圖像重建處理，得到對應(yīng)的重建垃圾圖像，并將所述重建垃圾圖像作為對應(yīng)的優(yōu)化垃圾圖像；或者

49、將所述聚合垃圾圖像特征表示進(jìn)行線性映射操作，輸出所述垃圾圖像塊對應(yīng)的映射垃圾圖像特征表示，以及，將所述映射垃圾圖像特征表示進(jìn)行映射輸出操作，輸出所述映射垃圾圖像特征表示對應(yīng)的概率參數(shù)分布，以及，在所述概率參數(shù)分布中確定出具有最大值的概率參數(shù)，并基于該概率參數(shù)對應(yīng)的圖像像素調(diào)整方式，對所述垃圾圖像塊進(jìn)行像素調(diào)整操作，得到對應(yīng)的優(yōu)化垃圾圖像塊，以及，將所述原始垃圾圖像中的每一個垃圾圖像塊對應(yīng)的優(yōu)化垃圾圖像塊進(jìn)行拼接處理，輸出優(yōu)化垃圾圖像。

50、在一些優(yōu)選的實施例中，在上述智能垃圾識別分類方法中，所述智能垃圾識別分類方法還包括所述目標(biāo)垃圾圖像優(yōu)化網(wǎng)絡(luò)的訓(xùn)練步驟，該訓(xùn)練步驟包括：

51、確定出候選垃圾圖像優(yōu)化網(wǎng)絡(luò)、訓(xùn)練第一垃圾圖像和所述訓(xùn)練第一垃圾圖像對應(yīng)的訓(xùn)練第二垃圾圖像，其中，所述訓(xùn)練第一垃圾圖像通過對所述訓(xùn)練第二垃圾圖像進(jìn)行圖像信息調(diào)整處理以形成；

52、利用所述候選垃圾圖像優(yōu)化網(wǎng)絡(luò)，將所述訓(xùn)練第一垃圾圖像中的垃圾圖像塊進(jìn)行圖像信息挖掘操作，輸出所述訓(xùn)練第一垃圾圖像中的垃圾圖像塊對應(yīng)的第一數(shù)量個訓(xùn)練中的垃圾圖像特征表示；

53、利用所述候選垃圾圖像優(yōu)化網(wǎng)絡(luò)，將所述第一數(shù)量個訓(xùn)練中的垃圾圖像特征表示進(jìn)行融合處理，輸出所述訓(xùn)練第一垃圾圖像中的垃圾圖像塊對應(yīng)的訓(xùn)練中的融合垃圾圖像特征表示，并將所述訓(xùn)練中的融合垃圾圖像特征表示進(jìn)行聚焦特征挖掘處理，輸出所述訓(xùn)練中的融合垃圾圖像特征表示的訓(xùn)練中的聚焦垃圾圖像特征表示；

54、利用所述候選垃圾圖像優(yōu)化網(wǎng)絡(luò)，將所述訓(xùn)練第一垃圾圖像對應(yīng)的訓(xùn)練中的圖像塊關(guān)聯(lián)參數(shù)分布和所述訓(xùn)練第一垃圾圖像中的垃圾圖像塊對應(yīng)的訓(xùn)練中的目標(biāo)垃圾圖像特征表示進(jìn)行多層次的聚合處理，輸出所述訓(xùn)練第一垃圾圖像中的垃圾圖像塊對應(yīng)的訓(xùn)練中的聚合垃圾圖像特征表示，其中，所述訓(xùn)練中的目標(biāo)垃圾圖像特征表示基于所述訓(xùn)練中的聚焦垃圾圖像特征表示和所述訓(xùn)練中的融合垃圾圖像特征表示得到；

55、利用所述候選垃圾圖像優(yōu)化網(wǎng)絡(luò)，基于所述訓(xùn)練中的聚合垃圾圖像特征表示，對所述訓(xùn)練第一垃圾圖像進(jìn)行圖像優(yōu)化處理，得到優(yōu)化第一垃圾圖像；

56、基于所述優(yōu)化第一垃圾圖像和所述訓(xùn)練第二垃圾圖像，對所述候選垃圾圖像優(yōu)化網(wǎng)絡(luò)進(jìn)行訓(xùn)練更新處理，輸出對應(yīng)的目標(biāo)垃圾圖像優(yōu)化網(wǎng)絡(luò)。

57、本發(fā)明實施例提供的一種智能垃圾識別分類方法，首先，對目標(biāo)垃圾轉(zhuǎn)運(yùn)車轉(zhuǎn)運(yùn)的垃圾進(jìn)行圖像采集處理，得到原始垃圾圖像；其次，利用目標(biāo)垃圾圖像優(yōu)化網(wǎng)絡(luò)，對原始垃圾圖像進(jìn)行圖像優(yōu)化處理，得到優(yōu)化垃圾圖像；然后，利用目標(biāo)垃圾類型識別網(wǎng)絡(luò)，對優(yōu)化垃圾圖像進(jìn)行垃圾類型識別處理，得到目標(biāo)垃圾類型信息?；谏鲜龇椒ǎ捎谠谶M(jìn)行垃圾類型的識別處理之前，會對原始垃圾圖像進(jìn)行優(yōu)化處理，即將原始垃圾圖像中待識別垃圾進(jìn)行丟失圖像信息的還原處理，使得丟失的圖像信息可以被還原出來，以保障待識別垃圾的圖像信息的完整性，如此，就可以保障基于完整的圖像信息進(jìn)行的垃圾類型識別處理的可靠度，因此，可以改善現(xiàn)有技術(shù)中存在的垃圾識別的可靠度不高的問題。

58、為使本發(fā)明的上述目的、特征和優(yōu)點能更明顯易懂，下文特舉較佳實施例，并配合所附附圖，作詳細(xì)說明如下。