CSCD来源期刊
中国科技核心期刊
RCCSE中国核心学术期刊
JST China 收录期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于轻量级残差网路的垃圾图片分类方法

袁建野 南新元 蔡鑫 李成荣

袁建野, 南新元, 蔡鑫, 李成荣. 基于轻量级残差网路的垃圾图片分类方法[J]. 环境工程, 2021, 39(2): 110-115. doi: 10.13205/j.hjgc.202102017
引用本文: 袁建野, 南新元, 蔡鑫, 李成荣. 基于轻量级残差网路的垃圾图片分类方法[J]. 环境工程, 2021, 39(2): 110-115. doi: 10.13205/j.hjgc.202102017
YUAN Jian-ye, NAN Xin-yuan, CAI Xin, LI Cheng-rong. GARBAGE IMAGE CLASSIFICATION BY LIGHTWEIGHT RESIDUAL NETWORK[J]. ENVIRONMENTAL ENGINEERING , 2021, 39(2): 110-115. doi: 10.13205/j.hjgc.202102017
Citation: YUAN Jian-ye, NAN Xin-yuan, CAI Xin, LI Cheng-rong. GARBAGE IMAGE CLASSIFICATION BY LIGHTWEIGHT RESIDUAL NETWORK[J]. ENVIRONMENTAL ENGINEERING , 2021, 39(2): 110-115. doi: 10.13205/j.hjgc.202102017

基于轻量级残差网路的垃圾图片分类方法

doi: 10.13205/j.hjgc.202102017
详细信息
    作者简介:

    袁建野(1993-),男,硕士研究生,主要研究方向为深度学习,可回收垃圾图像处理。aku_cintapadamu@163.com

    通讯作者:

    南新元(1967-),男,博士,教授,主要研究方向为机器学习,工业环境技术与应用。nxyxd@sina.com

GARBAGE IMAGE CLASSIFICATION BY LIGHTWEIGHT RESIDUAL NETWORK

  • 摘要: 近年来,我国生活垃圾总量每年以10%的速度增长。但是生活垃圾的分类处理能力及技术相对比较有限和落后。基于机器视觉的分类方法一直是广泛使用的方法,而传统的视觉分类网络目前面临着参数多、计算量大、分类精度不高和分类时间长的问题。因此,提出使用最大平均组合池化(Max-AVE Pooling)代替ResNet-50Bottleneck中的最大池化(Max Pooling)与平均池化(AVE Pooling);通过使用深度可分离卷积代替ResNet-50Bottleneck中的标准卷积的方法对垃圾图片进行分类。实验结果表明,该轻量级残差网路(MaxAVE-Pooling-MobileNet-18,MAPMobileNet-18)与经典分类网络相比能使参数量显著减少10倍,计算量显著减少14倍,又能略微提高精度,非常适合移动手机端、嵌入式设备的实施处理和应用。
  • [1] 张英民,尚晓博,李开明,等.城市生活垃圾处理技术现状与管理对策[J].生态环境学报,2011,20(2):389-396.
    [2] 孟菁华,刘辉,史学峰,等.垃圾焚烧设施居民暴露吸入性健康风险评价研究[J].环境工程,2018,36(1):128-133.
    [3] 孙思明.上海市垃圾分类政策执行过程研究[J].现代经济信息,2019(34):496.
    [4] "全国垃圾分类"小程序正式上线[J].城乡建设,2019(24):5.
    [5] 吴健,陈豪,方武.基于计算机视觉的废物垃圾分析与识别研究[J].信息技术与信息化,2016(10):81-83.
    [6] 黄惠玲,韩军,吴飞斌,等.建筑垃圾的颜色特征提取与分类研究[J].光学与光电技术,2018,16(1):53-57.
    [7] 吴碧程,邓祥恩,张子憧,等.基于卷积神经网络的智能垃圾分类系统[J].物理实验,2019,39(11):44-49.
    [8] 金宜英,邴君妍,罗恩华,等.基于分类趋势下的我国生活垃圾处理技术展望[J].环境工程,2019,37(9):149-153

    ,130.
    [9] LECUN Y,BOSER B,DENKER J, et al.Backpropagation applied to handwritten zip code recognition[J].Neural Computation,1989,1(4):541-551.
    [10] KRIZHEVSKY A,SUTSKEVER I,HINTON G.ImageNet Classification with Deep Convolutional Neural Networks[C]//NIPS,Curran Associates Inc,2012.
    [11] SIMONYAN K, ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[J]. arXiv,2014, 1409.1556.
    [12] SZEGEDY, C, LIU W, JIA Y Q, et al. Going deeper with convolutions[J]. The IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 1-9. DOI: 10.1109/CVPR.2015.7298594.
    [13] HE K M, ZHANG X Y, REN S Q, et al.(2016). Deep Residual Learning for Image Recognition[J]. 770-778. DOI: 10.1109/CVPR.2016.90.
    [14] IANDOLA, F N, HAN S MOSKEWIQ M W, et al. SqueezeNet:alexNet-level accuracy with 50x fewer parameters and<0.5MB model size[J].
    [15] CHOLLET F. Xception:deep learning with depthwise separable convolutions[J]. 1800-1807. DOI: 10.1109/CVPR.2017.195.
    [16] ZHANG X Y, ZHOU X Y, LIN M X, et al. ShuffleNet:an extremely efficient convolutional neural network for mobile devices[J]. 6848-6856. DOI: 10.1109/CVPR.2018.00716.
    [17] YU D J, WANG H L, CHEN P Q, et al. Mixed pooling for convolutional neural networks[J]. 364-375. DOI: 10.1007/978-3-319-11740-9_34.
    [18] HOWARD A G, ZHU M L, CHEN B, et al. MobileNets:efficient convolutional neural networks for mobile vision applications[C].2017.
    [19] HUA, B S,TRAN M K, YEUNG S K. Pointwise convolutional neural networks[J].984-993. DOI: 10.1109/CVPR.2018.00109.
    [20] HOWARD, ANDREW, PANG, et al. Searching for MobileNetV3[J]. 1314-1324. DOI: 10.1109/ICCV.2019.00140.
    [21] HUANG G, LIU Z, PLEISSG, et al. Convolutional Networks with Dense Connectivity[J].Research Gate, 2020.
  • 加载中
计量
  • 文章访问数:  402
  • HTML全文浏览量:  108
  • PDF下载量:  16
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-04-06
  • 网络出版日期:  2021-07-19

目录

    /

    返回文章
    返回