(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 20221045826 5.0 (22)申请日 2022.04.27 (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　郭宗豪　齐婉婷　陈昊楠　 产思贤　 (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 忻明年 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/44(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于注意力机制的深度学习鲁棒性垃 圾分类识别方法 (57)摘要 本发明公开了一种基于注意力机制的深度 学习鲁棒性垃圾分类识别方法， 通过先训练光斑 识别模型， 然后采用训练好的光斑识别模型中第 一个卷积层的权重作为所述垃圾分类模型中第 一个卷积层的权重， 采用训练好的光斑识别模型 中注意力机制层的权重的相反数作为垃圾分类 模型中注 意力机制层的权重， 来训练垃圾分类模 型， 训练好的垃圾分类模型能够 有效进行垃圾分 类， 将识别模 型从现有实验室场景成功迁移到真 实应用场景， 提高了真实应用场景下识别的准确 率。 权利要求书1页 说明书4页 附图1页 CN 114782749 A 2022.07.22 CN 114782749 A 1.一种基于注意力机制的深度学习鲁棒性垃圾分类识别方法， 其特征在于， 所述基于 注意力机制的深度学习鲁棒 性垃圾分类识别方法， 包括： 构建并训练添加注意力 机制的光斑识别模型， 所述光斑识别模型包括特征提取器和分 类器， 所述特 征提取器包括5个卷积层， 其中第一个卷积层之后添加注意力机制层； 构建与所述光斑识别模型相同结构的垃圾分类模型， 采用训练好的光斑识别模型中第 一个卷积层的权重作为所述垃圾分类模型中第一个卷积层的权重， 采用训练好的光斑识别 模型中注意力机制层的权重的相反数作为垃圾分类模型中注意力机制层的权重， 然后训练 垃圾分类模型； 将待识别垃圾图片输入训练好的垃圾分类模型， 识别出 垃圾类别。 2.根据权利要求1所述的基于注意力机制的深度学习鲁棒性垃圾分类识别方法， 其特 征在于， 所述 光斑识别模型用于识别输入图片有无光斑， 所采用的损失函数为： L1＝‑[y·log(p)+(1 ‑y)·log(1‑p)] 其中y表示训练样本的标签， 当前图片中有光斑则为1， 没有光斑则为0， p表示训练样本 识别为有光斑的概 率。 3.根据权利要求1所述的基于注意力机制的深度学习鲁棒性垃圾分类识别方法， 其特 征在于， 所述垃圾分类模型 所采用的损失函数为： 其中pi表示每个训练样本的真实概率分布， qi表示模型输出的概率分布， n表示输入的 训练样本数量。 4.根据权利要求1所述的基于注意力机制的深度学习鲁棒性垃圾分类识别方法， 其特 征在于， 所述分类 器采用两个全连接层。权　利　要　求　书 1/1 页 2 CN 114782749 A 2一种基于注意力机制的深度学习鲁棒性垃圾分类识别方 法 技术领域 [0001]本申请属于垃圾分类技术领域， 尤其涉及的一种基于注意力机制的深度学习鲁棒 性垃圾分类识别方法。 背景技术 [0002]深度学习模型拥有强大的学习样本数据集内在函数规律和 分析抽象化特征的能 力， 近年来在很多领域辅助人们做出决策并给很多复杂的识别以及分类问题提供了解决方 案。 深度学习在生物信息学、 图形图像识别、 语音识别、 无人驾驶汽车、 艺术创作、 情感识别、 自然语言处理、 银行、 监狱、 生涯评估和刑事司法判决等领域都起到了很好的效果。 并且随 着相关科研工作人员的不断努力， 深度学习模型 的效率不断提高， 近年来 随着卷积神经网 络的提出， 依托于深度神经网络的图像识别技 术更是被抬上了一个新的高度。 [0003]目前“普遍推行垃圾分类制度 ”已经成为社会共识， 强调要加快简历分类投放、 分 类收集、 分类处理的垃圾处理系统， 垃圾分类也是 “打造共建共治共享的社会治理格局 ”的 必然要求。 传统的垃圾分类都需要 人为进行辨识， 近年来， 科研人员将深度学习模型的图像 分类技术引入垃圾分类的应用场景。 [0004]但是由于开发环境和真实应用场景存在较大差别， 因此相关算法的迁移效果并不 理想， 深度学习模型下图像识别环境鲁棒性差。 例如， 当实验室光照条件良好， 但是真实应 用场景通常不具备良好的照明条件， 因此当使用在实验室场景下制造的数据集训练垃圾分 类模型， 将会在真实应用场景下产生准确率降低的问题。 鉴于重新采集数据成本高， 其余客 观条件无法改变的情况， 提出一种可以使得模型能够从现有实验室场景成功迁移到 真实应 用场景的方法显得十分必要。 发明内容 [0005]本申请的目的是提供一种基于注意力机制的深度学习鲁棒性垃圾分类识别方法， 用以解决上述深度学习模型 下图像识别环境鲁棒 性差的问题。 [0006]为了实现上述目的， 本申请技 术方案如下： [0007]一种基于注意力机制的深度学习鲁棒 性垃圾分类识别方法， 包括： [0008]构建并训练添加注意力机制的光斑识别模型， 所述光斑识别模型包括特征提取器 和分类器， 所述特 征提取器包括5个卷积层， 其中第一个卷积层之后添加注意力机制层； [0009]构建与所述光斑识别模型相同结构的垃圾分类模型， 采用训练好的光斑识别模型 中第一个卷积层的权重作为所述垃圾分类模型中第一个卷积层的权重， 采用训练好的光斑 识别模型中注意力机制层的权重的相反数作为垃圾分类模型中注意力机制层的权重， 然后 训练垃圾分类模型； [0010]将待识别垃圾图片输入训练好的垃圾分类模型， 识别出 垃圾类别。 [0011]进一步的， 所述 光斑识别模型用于识别输入图片有无光斑， 所采用的损失函数为： [0012]L1＝‑[y·log(p)+(1 ‑y)·log(1‑p)]说　明　书 1/4 页 3 CN 114782749 A 3