技术摘要：
本发明公开了一种垃圾分类的识别方法，该方法包括：扫描待识别垃圾物品，对输入的图像进行预分类识别，若识别成功，则输出垃圾分类结果，若识别失败则进行如下的重识别过程：对输入的图像进行预处理，提取出输入图像中的垃圾主体图像；对所述垃圾主体图像进行粗分类预  全部
背景技术：
在人们的日常生产生活中，每天都会产生大量的垃圾，出于环境保护和资源循环 利用等方面的考虑，垃圾分类变得尤为重要。为了更好地提高垃圾分类地效率和准确性，自 动识别垃圾类别的技术也随之诞生。然而由于日常生活中产生的垃圾有上千万种，十分繁 杂，所以，准确地识别出垃圾的具体类别并反馈出适当的垃圾回收处理方法面临着极大的 挑战。 目前出现了一些基于目标检测、图像分类等技术的垃圾分类软件，然而由于垃圾 的具体类别(例如，可乐瓶子、干电池)数目过于庞大，往往存在神经网络训练欠拟合、无法 区分相似的垃圾类别等问题。无法单纯的利用这些单一的技术手段取得准确的识别效果。
技术实现要素：
基于现有技术的上述缺陷，本发明的目的在于提供一种垃圾分类的识别方法及系 统，以解决原有的垃圾分类识别方法无法有效对垃圾物品进行精确分类的问题。 本发明的第一方面提供了一种垃圾分类的识别方法，包括： 扫描待识别垃圾物品，对输入的图像进行预分类识别，若识别成功，则输出垃圾分 类结果，若识别失败则进行如下的重识别过程： 对输入的图像进行预处理，提取出输入图像中的垃圾主体图像； 对所述垃圾主体图像进行粗分类预测，得出粗分类预测结果； 对所述垃圾主体图像进行细粒度特征抽取； 根据抽取到的所述细粒度特征与所述粗分类所属的索引库进行细粒度特征匹配。 进一步地，所述预处理包括： 根据图像中垃圾物品的定位信息，截取出输入图像中的垃圾主体图像，并将所述 垃圾主体图像扩边为规则的图形，如正方形或长方形，并调整图像分辨率至模型训练所需 的分辨率；其中，分辨率和图形的形状主要是依据模型识别所需的条件来调整。 利用深度残差网络模型，对截取出的所述垃圾主体图像进行卷积和池化处理，得 到后续粗分类和细粒度特征提取所需的特征向量。 进一步地，所述粗分类预测包括： 将得到的所述主体图像的特征向量，经过全连接层处理，得到不同的映射特征向 量，根据不同的向量值判断所属的粗分类类别。 进一步地，对所述深度残差网络模型的主体图像的细粒度特征的提取中，设置基 于细粒度分类的损失函数和交叉熵损失函数联合控制所述深度残差网络模型的网络参数 更新。 3 CN 111582033 A 说　明　书 2/6 页 进一步地，所述细粒度特征特征匹配是通过计算索引库中的索引与输入的主体图 像特征之间的欧式距离来判断。 进一步地，所述预分类识别包括： 通过目标检测模型提取垃圾物品的图像信息；建立预分类类别与置信度阈值的对 应关系表，其中，针对不同类别，设定不同的阈值；若所预测的分类类别的置信度分数高于 设定的某类别的阈值，则输出该预测的分类类别，若低于设定的阈值，则进行之后的粗分类 识别和细粒度匹配的过程。 本发明的另一方面还提供了一种垃圾分类的识别系统，所述系统包括： 目标检测模块，用于对摄取的垃圾物品的图像进行预分类识别； 粗分类预测模块，用于对无法获得预分类的图像进行粗分类识别； 特征提取模块，用于对无法获得预分类的图像进行细粒度特征抽取； 特征匹配模块，根据抽取到的所述细粒度特征到所述粗分类预测模块下的索引库 进行细粒度特征匹配，匹配出所述垃圾物品的图像的具体分类。 进一步地，所述特征提取模块基于分类神经网络模型进行特征提取，其中，由基于 细粒度分类的损失函数和用于粗分类识别的交叉熵损失函数联合作为所述分类神经网络 模型的整体损失函数。 进一步地，所述目标检测模块采用RefineDet模型，所述分类神经网络模型采用 ResNet深度残差网络模型。 本发明的第三方面还提供了一种计算机可读存储介质，其具有存储在其上的计算 机可读程序指令，所述计算机可读程序指令用于执行上述第一方面所述的垃圾分类识别的 方法。 与现有技术相比，本发明所公开的一种垃圾分类的识别方法、系统及计算机可读 存储介质，具有如下技术效果： 1、本发明采用目标检测预识别分类、粗分类识别和细粒度特征匹配相结合的系统 框架，经过细粒度特征匹配出的类别通过粗分类下建立的索引库，可以极大提高匹配效率 和准确率。 2、本发明的分类神经网络模型采用的损失函数，将粗分类识别和细粒度特征匹配 所用的损失函数相结合，一同控制神经网络模型参数的更新。 3、本发明在目标检测模块的预识别过程中，建立了类别-置信度阈值对应关系表， 针对不同类别，设定不同的阈值，以自适应地判定目标检测阶段识别成功与否。 附图说明 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发 明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根 据这些附图获得其他的附图。 图1为本发明实施例中的垃圾分类的识别方法的流程图。 图2为本发明实施例中的细粒度特征匹配的原理图。 图3为本发明实施例中的垃圾分类的识别系统的原理框图。 4 CN 111582033 A 说　明　书 3/6 页