(19)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 20221042580 3.6 (22)申请日 2022.04.21 (71)申请人 浙江工业大 学 地址 310014 浙江省杭州市下城区潮王路 18号 (72)发明人 单沛婷　孔杭扬　齐婉婷　侯彬　 周利波　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 邱启旺 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 10/44(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于神经元激活值的垃圾分类方法 (57)摘要 本发明公开了一种基于神经元激活值的垃 圾分类方法， 所述方法将该归一化后的垃圾数据 集作为训练数据集； 筛选出光斑特征， 并通过图 像裁剪以及阈值分割法得到光斑噪声； 对垃圾数 据集中的所有图像随机添加光斑噪声， 将添加光 斑噪声后的图像作为加噪样本， 原图像作为非加 噪样本， 将加噪样本和非加噪样 本绑定为噪声样 本对； 构造垃圾分类模型， 将噪声样本对输入垃 圾分类模型中基于神经元激活值进行训练； 将垃 圾图像输入训练好的垃圾分类模 型进行测试， 得 到垃圾分类预测矩阵， 完成对垃圾图像的分类。 本发明方法构建的垃圾分类模型增强了图像分 类模型环 境迁移鲁棒性。 提高了在真实场景下应 用时的准确率。 权利要求书2页 说明书5页 附图2页 CN 114842249 A 2022.08.02 CN 114842249 A 1.一种基于神经 元激活值的垃圾分类方法， 其特 征在于， 所述方法具体包括以下步骤： (1)采集垃圾图像， 经清洗筛选、 集合后得到垃圾数据集， 并进行归一化， 将该归一化后 的垃圾数据集作为训练数据集； (2)从垃圾数据集中筛 选出光斑特 征， 并通过图像裁 剪以及阈值分割法得到光斑噪声； (3)对垃圾数据集中的所有图像随机添加步骤(2)得到的光斑噪声， 将添加光斑噪声后 的图像作为加噪样本， 原图像作为非加噪样本， 将加噪样本和非加噪样本绑定为噪声样本 对； (4)构造垃圾分类模型， 将步骤(3)得到的噪声样本对输入构造好的垃圾分类模型中基 于神经元激活值进行训练； 加噪样本输入垃圾分类模型得到第一激活值， 非加噪样本输入 垃圾分类模型得到第二激活值； 利用第一激活值和第二激活值作为损失函数， 以调整垃圾 分类模型的参数， 完成对垃圾分类模型的训练； (5)将垃圾图像输入训练好的垃圾分类模型进行测试， 得到垃圾分类预测矩阵， 完成对 垃圾图像的分类。 2.根据权利要求1所述的基于神经元激活值的垃圾分类方法， 其特征在于， 归一化后的 图像为25 6*256的图片。 3.根据权利要求1所述的基于神经元激活值的垃圾分类方法， 其特征在于， 垃圾分类模 型包括特征提取器和分类器两部分， 其中特征提取器采用5个卷积层， 其中记前2个卷积层 为低级卷积层， 记后3个卷积层为高级 卷积层； 分类器采用2个全连接层构成的网络， 激活函 数采用Relu函数； 垃圾分类模 型的输入 是大小为256*256的图片， 输出为代表图像 分类结果 的10维向量。 4.根据权利要求3所述的基于神经 元激活值的垃圾分类方法， 其特 征在于， 其中使用交叉熵作为损失函数； 公式如下 所示： 其中， pi表示垃圾分类为每种类别样本的概 率； 将步骤(3)中构造的噪声样本对依次输入到模型中， 记录每次模型M高级卷积层神经元 的激活值分别为O1、 O2； 采用O1、 O2的差值直接作为损失函数， 公式如下： 其中O1i和O2i分别表示对于噪声样本对输入后相同神经 元的激活值； 设定训练批次的大小在训练阶段采用预热学习率策略， 优化器采用Adam进行优化； 利 训练集训练垃圾分类模型； 其中使用交叉熵作为损失函数； 公式如下 所示： L＝L2+L1 直至精度达 到预设标准后停止训练， 得到训练后的垃圾分类模型。 5.一种基于神经元激活值的垃圾分类装置， 其特征在于， 包括一个或多个处理器， 用于 实现权利要求1 ‑4中任一项所述的基于神经 元激活值的垃圾分类方法。权　利　要　求　书 1/2 页 2 CN 114842249 A 26.一种计算机可读存储介质， 其上存储有程序， 其特征在于， 该程序被处理器执行时， 用于实现权利要求1 ‑4中任一项所述的基于神经 元激活值的垃圾分类方法。权　利　要　求　书 2/2 页 3 CN 114842249 A 3