CN119478531A 基于ai计算的自动化图像识别垃圾分类全过程实现方法 （深圳绿源智谷科技环境有限公司）

基于AI计算的自动化图像识别垃圾分类全基于AI计算的自动化图像识别垃圾分类全过程注意力和空间注意力机制增强，得到增强特征2对待识别垃圾进行多模态数据采集，得到图像数据矩阵、重量数据向对所述融合特征图进行通道注意力和空间注意力机制增强，并进行将所述增强特征图输入三个并行的目标检测单元，生成候选区域，并基于所述垃圾定位数据、所述重量数据向量和所述光谱数据矩阵，计算得基于所述垃圾类别节点的概率密度分布数据进行多层2.根据权利要求1所述的基于AI计算的自动化图像识别垃圾分类全过程实现方法，其使用摄像头采集待识别垃圾在自然光照条件下的原始图像，对所述原始图像进行RGB将所述校正后的图像数据转换为固定尺寸的数据矩阵，设置图像尺寸为224x224，并使用重量传感器采集待识别垃圾的重量数值使用近红外光谱仪采集待识别垃圾的光谱数据，得到原始光谱数据对所述基线校正后的光谱数据进行标准正态变换处理和均值中心3.根据权利要求2所述的基于AI计算的自动化图像识别垃圾分类全过程实现方法，其将所述图像数据矩阵输入语义特征提取网络，所述语义特征提取网络包含五层卷积对所述多层语义特征图进行特征金字塔处理，利用1x1卷积层将第三层、第四层和第将所述图像数据矩阵输入细节特征提取网络，所述细节特征提取网络包含两层卷积通过特征自适应融合模块对所述金字塔特征图和所述细节特征图在通道维度进行拼34.根据权利要求3所述的基于AI计算的自动化图像识别垃圾分类全过程实现方法，其通过softmax函数对所述通道权重向量进行组内归一化，生成0_1范围内的权重系数，对所述初级通道增强特征在空间维度上计算特征响应，对每个位置和标准差统计量，将均值和标准差统计量拼根据所述空间注意力图对所述初级通道增强特征进行空间加权将所述混洗特征输入双分支注意力网络，所述双分支注意力网络全局池化和1x1卷积计算通道注意力分数，第二个分支通过空间池化和7x7卷积计算空间根据所述联合注意力权重对所述混洗特征进行加权，并通过特征变换和通道重组操5.根据权利要求4所述的基于AI计算的自动化图像识别垃圾分类全过程实现方法，其将所述增强特征图输入第一目标检测单元，所述第一目标检测单元包含四层卷积层，将所述增强特征图输入第二目标检测单元，所述第二目标检测单元包含四层卷积层，将所述增强特征图输入第三目标检测单元，所述第三目标检测单元包含四层卷积层，对所述小目标特征图、所述中目标特征图和所述大目标特征图分别通过两个平行的14根据所述多尺度预测结果对每个预设锚框计算中小目标锚框尺寸设置为{16x16,32x16,16x32}，中目标锚框尺寸设置为{32x32,64x对所述原始候选区域中置信度分数大于0.3的区域计算两两之间的交并比值，对交并对所述筛选后的候选区域进行合并，根据不同尺度检测单元的置信度设将所述合并候选区域输入边界细化网络，该边界细化网络包含三6.根据权利要求5所述的基于AI计算的自动化图像识别垃圾分类全过程实现方法，其将所述垃圾定位数据作为状态输入，构建二阶马尔可夫过程的状态将所述状态空间模型、所述重量观测模型和所述光谱观测模型作为因子图的基本元基于所述多模态因子图，采用局部似然估计方法初始化节点概率，对于对所述初始概率模型应用变分推断算法，通过最小化KL散度迭代优化节点概率分布，7.根据权利要求6所述的基于AI计算的自动化图像识别垃圾分类全过程实现方法，其将所述垃圾类别节点的概率密度分布数据输入第一特征计算模块对所述第一次特征变换数据在所述第一特征计算模块的特征选择层中计算特征相关将所述第一次筛选特征输入第二特征计算模块中的特征映射层5对所述第二次特征变换数据在所述第二特征计算模块的特征选择层中进行特征重要将所述第二次筛选特征输入第三特征计算模块中的特征映射层，对所述第三次特征变换数据在所述第三特征计算模块的特征选择层中进行条件互信对所述第三次筛选特征进行类别概率计算，得到多个分支的预测结8.一种基于AI计算的自动化图像识别垃圾分类行如权利要求1_7中任一项所述的基于AI计算的自动化图像识别垃圾分类全过程实现方增强模块，用于对所述融合特征图进行通道注意力和空输出模块，用于基于所述垃圾类别节点的概率密度分布数据进行9.一种基于AI计算的自动化图像识别垃圾分类全过程所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于图像识别垃圾分类全过程实现设备执行如权利要求1_7中任一项所述的基于AI计算的自动所述指令被处理器执行时实现如权利要求1_7中任一项所述的基于AI计算的自动化图像识6基于所述垃圾类别节点的概率密度分布数据进行多层级特征处理和有效特征筛7[0007]本发明第三方面提供了一种基于AI计算的自动化图像识别垃圾分类全过程实现现设备执行上述的基于AI计算的自动化图像识别垃圾分类全过[0009]本发明提供的技术方案中，通过设计双采样融合深层网络和多层级特征处理单[0011]图1为本申请实施例提供的基于AI计算的自动化图像识别垃圾分类全过程实现方图2为本申请实施例提供的基于AI计算的自动化图像识别垃圾分类全过程实现装图3为本申请实施例提供的基于AI计算的自动化图像识别垃圾分类全过程实现设8别垃圾分类全过程实现方法包括步骤S100至步9捕捉到图像中的微小变化和细节特征。细节特征提取网络在每层卷积后连接PReLU激活函个分支包含两层3x3卷积层串联，用于提取拼接后的特征对每个特征组通过全局平均池化和全局最大池化生成128维的特征向量。全局平均池化和全局最大池化能够有效地捕捉特征组中的整体信息和最大响应信息。对128维特征向量进更为均衡的交换与融合，减少通道间存在的冗余和局限性。通络的第一个分支通过全局池化和1x1卷积要性进行量化和评估，赋予重要的通道更高的权重。第二个分特征图分别通过两个平行的1x1卷积层进行处理。其中一个1x1卷积层用于生成2K个通道32x16,16x32}，中目标的锚框尺寸设置为{32x32,64x32,3寸设置为{64x64,128x64,64x128}。通过这种方式一层后连接参数化ReLU激活函数和批归一化层，其中负斜率参数设置为0.2。通过参数化中，计算特征的相关性矩阵，采用Spearman等级相关系数评估各个特征之间的相关性。使用摄像头采集待识别垃圾在自然光照条件下的原始图像，对原始图像进行RGB将校正后的图像数据转换为固定尺寸的数据矩阵，设置图像尺寸为2;;Inora为归一化后的像素值，I为原始像素值，I后续的机器学习模型能够更容易地捕捉到光谱信号的变化对多层语义特征图进行特征金字塔处理，利用到融合特征图，特征自适应融合模块中的第一个分;五层的特征通道数进行统一，将它们的通道数均调整为256。1x1卷积的公式为：;;二个分支包含两层3x3的卷积层串联，通过多层卷通过softmax函数对通道权重向量进行组内归一化，生成0_1范围内的权重系数，和标准差统计量，将均值和标准差统计量拼池化和1x1卷积计算通道注意力分数，第二个分支通过空间池化和7x7卷积计算空间注意;;权重系数用于对每个特征组按通道进行加权操作，通过将权重系数与特征组逐通道相乘，;;其中，Hi,i表示位置(i,j)的均值，oi,j表示标准差，xi,j,c表示在位置(i,)局池化和1x1卷积操作来计算通道注意力分数。全局池化用于汇聚每个通道的整体信息，而1x1卷积则用于生成每个通道的权重。第二个分支通过空间池化和7x7卷积操作来计算空间注意力分数。空间池化用于获取空间维度上的全局根据联合注意力权重对混洗特征进行加权处理，通过将联合注意力权重与对应的特征相对小目标特征图、中目标特征图和大目标特征图分别通过两个平行的1x1卷积中小目标锚框尺寸设置为{16x16,32x16,16x32}，中目标锚框尺寸设置为{32x32,64x对原始候选区域中置信度分数大于0.3的区域计算两两之间的交并比值，对交并;;标的锚框尺寸为{32×32,64×32,32×64},而大目标的锚框尺寸为{64×64,128×64,64×;其中，(x',y')为回归后的锚框中心坐标，(w',h')为回归后的宽度和高度，AX,AY,AW,Ah为模型预测的偏移量。通过对;;(x,y,)为第i个边界框的坐标，为;对初始概率模型应用变分推断算法，通过最小化KL散度迭代优化节点概率分布，;;在特征分解过程中，选取能量占比超过95%的小波系数，保留光谱数据中最具代表性的部;;对第一次特征变换数据在第一特征计算模块的特征选择层中计算特征相关性矩对第二次特征变换数据在第二特征计算模块的特征选择层中进行特征重要性评对第三次特征变换数据在第三特征计算模块的特征选择层中进行条件互信息最;;p表示Spearman相关系数，为第i个样本的两个特征排序差值，n为样本;评估每个特征对整体模型的贡献，而LASSO正则化则通过引入稀疏性约束减少不重要特征;输出模块260，用于基于垃圾类别节点的概率密度分布数据进行多层级特征处理过程实现设备300的结构示意性框图，基于AI计算的自动化图像识别垃圾分类全过程实现[0043]处理器301用于提供计算和控制能力，支撑整个基于AI计算的自动化图像识别垃[0046]应当理解的是，处理器301可以是中央处理单元(CentralProcessingUnit，CPU)，该处理器301还可以是其他通用处理器、数字信号处理器(DigitalSignal上述描述的基于AI计算的自动化图像识别垃圾分类全过程实现设备300的具体工作过程，本申请实施例提供的基于AI计算的自动化图像识别垃圾分类全过垃圾分类全过程实现设备300的内部存储单元，例如基于AI计算的自动化图像识别垃圾分类全过程实现设备300的硬盘或内存。所述计算机可读存储介质也可