(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 202210888081.8 (22)申请日 2022.07.27 (65)同一申请的已公布的文献号 申请公布号 CN 114937179 A (43)申请公布日 2022.08.23 (73)专利权人 深圳市海清数字技 术有限公司 地址 518083 广东省深圳市光明区公明街 道上村社区明环东路松白工业园B区 厂房A2栋107 (72)发明人 梁书玉　蔡芳发　周波　苗瑞　 陈永刚　 (74)专利代理 机构 北京同立钧成知识产权代理 有限公司 1 1205 专利代理师 杨俊辉　刘芳 (51)Int.Cl. G06V 10/764(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 114358204 A,202 2.04.15 CN 111626345 A,2020.09.04 CN 108009638 A,2018.0 5.08 CN 112906785 A,2021.0 6.04 CN 110717513 A,2020.01.21 CN 106778804 A,2017.0 5.31 CN 112508094 A,2021.0 3.16 CN 107563444 A,2018.01.09 WO 2021164625 A1,2021.08.26 US 11093864 B1,2021.08.17 WO 20202382 93 A1,2020.12.0 3 US 2021272073 A1,2021.09.02 郑誉煌等.基 于迁移学习的可回收生活垃圾 图像分类识别研究. 《广东第二师 范学院学报》 .2020,(第0 3期),全文. 李金玉 等. “基于深度学习的垃圾分类方法 综述”. 《计算机 工程》 .202 2,第48卷(第02期), (续) 审查员 张楠霞 (54)发明名称 垃圾图像分类方法、 装置、 电子设备及存储 介质 (57)摘要 本申请涉及图像 分类技术领域， 提供一种垃 圾图像分类方法、 装置、 电子设备及存储介质， 该 方法包括： 获取待识别的垃圾图像， 将待识别的 垃圾图像输入到特征提取模块中进行特征提取， 得到目标特征数据； 特征提取模块包括多个残差 块， 每一残差块包括多层网络层， 每一网络层对 应有参数值， 参数值来自经过训练的第一识别分 类模型； 利用损失函数计算目标特征数据与预定 义类别的相似度， 得到预定义类别对应的概率 值； 预定义类别用于区分垃圾的种类； 基于概率 值确定待识别的垃圾图像的类别。 这样， 基于待 识别的垃圾图像对应特征数据与预定义类别的相似度， 准确的识别出垃圾类别， 如变形的垃圾， 提高垃圾分类的准确性。 [转续页] 权利要求书2页 说明书14页 附图5页 CN 114937179 B 2022.12.13 CN 114937179 B (56)对比文件 方治屿.“三维灰度矩阵 图像识别及零样本 分类算法研究 ”. 《中国硕士学位 论文全文数据库 信息科技 辑》 .2021,(第 （2021） 01期), 邓建国 等. “监督学习中的损失函数及应用 研究”. 《大数据》 .2020,第6卷(第1期), ADEDEJI O 等. “Intelligent waste classificati on system usi ng deep learn ing convolutional neural netw ork”. 《Procedia Manufacturi ng》 .2019,(第3 5期),汪纯燕.“零样本学习方法在图像分类中的 研究与应用 ”. 《中国硕士学位 论文全文数据库 信息科技 辑》 .2020,(第 （2020） 07期), Sanghyun Seo 等. “ Hierarc hical Semantic L oss and Co nfidence Estimator for Visual-Semantic Embed ding-Based Zero- Shot Learn ing”. 《Applied Sciences》 .2019,第 9卷(第15期), 兰红 等.“零样本图像识别 ”. 《电子与信息 学报》 .2020,第42卷(第0 5期),2/2 页 2[接上页] CN 114937179 B1.一种垃圾图像分类方法， 其特 征在于， 所述方法包括： 获取待识别的垃圾图像， 将所述待识别的垃圾图像输入到特征提取模块中进行特征提 取， 得到目标特征数据； 所述特征提取模块包括多个残差块， 每一残差块包括多层网络层， 每一网络层对应有参数值， 所述 参数值来自经过训练的第一识别分类模型； 利用损失函数计算所述目标特征数据与 预定义类别的相似度， 得到所述预定义类别对 应的概率值； 所述预定义类别用于区分垃圾的种类； 所述第一识别分类模型对应的损失函 数为交叉熵损失函数； 所述损失函数与第一识别分类模型中对应的损失函数不同； 基于所述 概率值确定所述待识别的垃圾图像的类别； 所述方法还 包括： 获取带标签的训练数据集和不带标签的训练数据集； 所述带标签的训练数据集包括无 形变的垃圾图像以及对应的标签 类别； 所述 不带标签的训练数据集包括变形的垃圾图像； 利用所述带标签的训练数据集对第 一识别分类模型进行训练， 利用所述不带标签的训 练数据集对第二识别分类模型进 行训练； 所述第一识别分类模型和所述第二识别分类模型 为同种类型的模型； 判断经过训练后的第二识别分类模型的输出 结果是否满足预设要求； 若否， 则获取经过训练后的第一识别分类模型中各个网络层的参数值， 并将所述参数 值迁移到经过训练后的第二识别分类模型中各个网络层中， 以替换经过训练后的第二识别 分类模型中各个网络层对应的参数值； 更新第一识别分类模型中各个网络层的参数值， 继 续对所述第一识别分类模型和所述第二识别分类模型进行训练； 若是， 则停止训练。 2.根据权利要求1所述的方法， 其特征在于， 将所述待识别的垃圾图像输入到特征提取 模块中进行 特征提取， 得到目标 特征数据， 包括： 将所述待识别的垃圾图像进行归一 化处理； 针对每一残差块， 将归一化处理的垃圾图像输入到所述残差块中， 经过多层网络层计 算， 得到每一层输出的特 征数据； 将每一层输出的特征数据进行特征融合， 并将每一残差块对应的融合后的特征数据 再 次进行融合， 得到所述目标 特征数据。 3.根据权利要求1所述的方法， 其特征在于， 基于所述概率值确定所述待识别的垃圾图 像的类别， 包括： 将预定义类别与所述目标 特征数据的概 率值按照大小顺序进行排序； 获取排序最前的概率值对应的类别， 确定所述类别为所述待识别的垃圾图像对应的类 别。 4.根据权利要求1所述的方法， 其特征在于， 基于所述概率值确定所述待识别的垃圾图 像的类别， 包括： 针对每一预定义类别， 判断该类别对应的概 率值是否大于预设阈值； 若是， 则确定该类别为所述待识别的垃圾图像对应的类别。 5.根据权利要求 4所述的方法， 其特 征在于， 所述方法还 包括： 若确定每一预定义类别对应的概率值均小于预设阈值， 则将该待识别的垃圾图像进行 显示， 以进行 人工评判所述待识别的垃圾图像的类别；权　利　要　求　书 1/2 页 2 CN 114937179 B 3