(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210859618.8 (22)申请日 2022.07.22 (65)同一申请的已公布的文献号 申请公布号 CN 114937199 A (43)申请公布日 2022.08.23 (73)专利权人 山东省凯麟环保 设备股份有限公 司 地址 274900 山东省菏泽市巨野县北环路 与堌堆路交汇处东 南角 (72)发明人 徐龙生　庞世玺　孙振行　袭肖明　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 马海波 (51)Int.Cl. G06V 20/00(2022.01)G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 113343789 A,2021.09.0 3 CN 113744265 A,2021.12.0 3 CN 111814860 A,2020.10.23 CN 111652214 A,2020.09.1 1 审查员 田子茹 (54)发明名称 一种基于判别性特征增强的垃圾分类方法 与系统 (57)摘要 本发明属于图形分类识别相关技术领域， 本 发明提出了一种基于判别性特征增强的垃圾分 类方法与系统， 在深度网络结构中引入了新的互 补特征学习模块和特征细 节增强模块； 在互补特 征学习模块中， 利用图像随机擦除机制和分类一 致性约束， 迫使网络尽可能学习与传统特征互补 的信息； 在特征细节增强模块中， 首先引入判别 性特征细 节学习模块， 通过对比已有特征和学到 的重建特征来获取特征细 节信息， 然后融合特征 细节和所学的互补特征， 最后引入 卷积块注意力 模块来进一步提升融合特征的判别能力， 提升了 分类的效果。 权利要求书2页 说明书7页 附图1页 CN 114937199 B 2022.10.25 CN 114937199 B 1.一种基于判别性特 征增强的垃圾分类方法， 其特 征在于， 包括以下步骤： 将获取的垃圾图像数据集进行 预处理分为测试集和训练集； 将训练集中的原始垃圾图像输入至基网络进行特征提取， 将提取的特征输入至互补特 征学习模块得到 输入擦除图像， 将输入擦除图像输入至基网络进行 再训练； 将原始垃圾图像和输入擦 除图像分别输入至再训练后基网络的特征提取模块获得浅 层特征的特征图和输入擦除特征图； 根据浅层特征 的特征图得到特征细节图， 将特征细节 图和输入擦除特 征图输入至特 征细节增强模块进行 特征融合， 得到互补特 征图； 将所述互补特征图输入至再训练后基网络的高级语义特征学习模块获得高级语义信 息特征图， 将获得的高级语义信息特征图输入至卷积块注意力模型进 行进一步学习后输入 至分类模块， 然后对网络模型进行迭代训练， 得到训练好的分类模型； 将所述测试集的图像输入至所述分类模型中， 得到垃圾分类结果； 其中， 所述输入擦除图像具体获得 方式为： 将基于预训练的基网络获得的第一特征图进行归一化处理得到特征图 ， 采用阈值T 选择出传统特征和传统特征所在的区域， 采用掩码的方式将特征图 中传统特征随机丢 失一半信息， 得到擦除特征图， 将擦除特征图与输入的原始垃圾图像作逐元素相乘得到擦 除后的输入擦除图像； 根据浅层特征的特征图得到特征细节图具体方法为： 将 获得的浅层特征的特征图先经 过两层卷积层， 然后输入至两层反卷积中对浅层特征图进行重建， 将重建后的特征图与浅 层特征图进行作差得到特 征细节图。 2.如权利要求1所述的一种基于判别性特征增强的垃圾分类方法， 其特征在于， 所述基 网络采用resnet50， 原始垃圾图像输入至基网络中首先经过卷积层后再使用激活函数增加 非线性， 然后进入 池化层， 来进行 特征提取。 3.如权利要求1所述的一种基于判别性特征增强的垃圾分类方法， 其特征在于， 还包括 基网络的预训练， 具体为： 将训练集中预处理后的图像输入至基网络中获得第 一特征图， 计算所述第 一特征图对 应的预测类别， 将预测类型与真实标签类别进行交叉熵损失计算， 根据 交叉熵损失约束反 向传播训练基网络， 直至损失稳定， 得到预训练好的基网络 。 4.如权利要求1所述的一种基于判别性特征增强的垃圾分类方法， 其特征在于， 将特征 细节图和输入擦除特征图输入至特征细节增强模块进行特征融合， 得到互补特征图， 具体 为： 将输入擦除特征图与特征细节图先级联融合后再进行一 次RELU激活、 一次归一化与一 层卷积池化后得到互补特 征图。 5.如权利要求1所述的一种基于判别性特征增强的垃圾分类方法， 其特征在于， 所述卷 积块注意力模型包括 通道注意力模块和空间注意力模块。 6.如权利要求1所述的一种基于判别性特征增强的垃圾分类方法， 其特征在于， 所述分 类模块包括两层全连接层与一层softmax层。 7.如权利要求1所述的一种基于判别性特征增强的垃圾分类方法， 其特征在于， 在 分类权　利　要　求　书 1/2 页 2 CN 114937199 B 2模型训练时采用交叉熵损失， 所述交叉熵损失函数为： 其中， 为预测类别、 为真实标签类别， 为所有的垃圾类别， 为预测到的第 个类别。 8.一种基于判别性特 征增强的垃圾分类系统， 其特 征在于， 获取模块： 将获取的垃圾图像数据集进行 预处理分为测试集和训练集； 训练模块： 将训练集中的原始垃圾图像输入至基网络进行特征提取， 将提取的特征输 入至互补特征学习模块得到输入擦除图像， 将输入擦除图像输入至基网络进行再训练； 所 述输入擦除图像具体获得 方式为： 将基于预训练的基网络获得的第一特征图进行归一化处理得到特征图 ， 采用阈值T 选择出传统特征和传统特征所在的区域， 采用掩码的方式将特征图 中传统特征随机丢 失一半信息， 得到擦除特征图， 将擦除特征图与输入的原始垃圾图像作逐元素相乘得到擦 除后的输入擦除图像； 特征提取模块： 将原始垃圾图像和输入擦除图像分别输入至再训练后基网络的特征提 取模块获得浅层特 征的特征图和输入擦除特 征图； 特征细节增强模块： 根据浅层特征的特征图得到特征细节图， 将特征细节图和输入擦 除特征图输入至特征细节增强模块进行特征融合， 得到互补特征图； 根据浅层特征 的特征 图得到特征细节图具体方法为： 将获得 的浅层特征 的特征图先经过两层卷积层， 然后输入 至两层反卷积中对浅层特征图进 行重建， 将重 建后的特征图与浅层特征图进 行作差得到特 征细节图； 高级语义特征学习模块： 将所述互补特征图输入至再训练后基网络的高级语义特征学 习模块获得高级语义信息特 征图； 卷积块注意力模块： 将 获得的高级语义信 息特征图输入至卷积块注意力模型进行进一 步学习后输入至分类模块； 分类模块： 然后对网络模型进行迭代训练， 得到训练好的分类模型， 将所述测试集的图 像输入至所述分类模型中， 得到垃圾分类结果。权　利　要　求　书 2/2 页 3 CN 114937199 B 3