(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 202211050637.2 (22)申请日 2022.08.31 (71)申请人 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　庞世袭　孙振行　杨纪冲　 (74)专利代理 机构 深圳市广诺专利代理事务所 (普通合伙) 44611 专利代理师 刘伟 (51)Int.Cl. G06V 10/764(2022.01) G06V 20/58(2022.01) G06V 20/52(2022.01) G06V 10/40(2022.01) G06F 17/16(2006.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/82(2022.01) (54)发明名称 面向无人驾驶智能清扫车的垃圾分类方法 (57)摘要 本发明公开了面向无人驾驶智能清扫车的 垃圾分类方法， 具体涉及垃圾分类技术领域， 包 括以下具体步骤： 步骤一、 使用交并比初定义可 优化标签相似矩阵； 步骤二、 使用骨干网络提取 输入无人驾驶智能清扫车传感器识别到的垃圾 图片的高级特征； 步骤三、 根据二值码的优化损 失和可优化的标签相似矩 阵学习更新垃圾图片 的二值码； 步骤四、 更新可优化标签相似矩阵用 作下一次的二值码学习。 本发明通过经可优化标 签相似矩阵与ConvNeXt骨干网络相结合， 从而使 模型特征提取的更加精确， 生 成的二值码分类准 确性有着很大的提升， 提高运算速度， 加快模型 收敛， 减少运算量， 提高了 垃圾分类检测效率， 从 而降低了垃圾对环境的污染。 权利要求书2页 说明书6页 附图2页 CN 115147667 A 2022.10.04 CN 115147667 A 1.面向无人驾驶智能清扫车的垃圾分类方法， 其特征在于： 包括以下具体步骤： 步骤 一、 使用交并比初定义可优化标签相似矩阵； 步骤二、 使用骨干网络提取输入无人驾驶智能 清扫车传感器识别到的垃圾图片的高级特征； 步骤三、 根据二值码的优化损失和可优化的 标签相似矩阵学习 更新垃圾图片的二值码； 步骤四、 更新可优化标签相似矩阵用作下一次 的二值码学习； 步骤五、 首先将无人驾驶智能清扫车传感器识别到的垃圾图片传到服务器， 然后传到服务器的预测图片通过训练好的模型输出二值码， 并通过生成的二值码与训练出 每个类的二值码进行距离计算实现垃圾图片分类。 2.根据权利要求1所述的面向无人驾驶智能清扫车的垃圾分类方法， 其特征在于： 在步 骤一中的初定义可优化标签相似矩阵如下 所示： 其中， 为 和 的可优化的标签相似性程度， 和 是输入的垃圾图片类别标 签， 为垃圾类别数量， 为超参数， 代表转置矩阵。 3.根据权利要求2所述的面向无人驾驶智能清扫车的垃圾分类方法， 其特征在于： 所述 初定义可优化标签相似矩阵中的 用于防止分母为 零。 4.根据权利要求1所述的面向无人驾驶智能清扫车的垃圾分类方法， 其特征在于： 在步 骤二中， 首先收集无人驾驶智能清扫车传感器识别到的垃圾图片并标上标签， 输入这些图 片进行图片的预处理， 让这些图片的尺寸一致； 然后， 使用骨干网络ConvNeXt ‑T提取特征， 对于一个大小为H ×W×3的输入图像， 将其分成大小为 的相同的块， 块的大小为4 ×4； 接着， 通过通道数提升， 通道数量从48增加 到96， 这样对每个阶段来说， 宽度和高度变 为原来的一半大小， 通道的数量将增加到原来的两倍； 然后再经过四个独有的阶段， 比例在 1： 1： 3： 1， 第一个阶段为3个ConvNeXt块， 第二到四个阶段为单独的下采样层加ConvNeXt块， ConvNeXt块的数量为3， 9， 3， 针对于ConvNeXt块， 是由一个7* 7和2个1*1的卷积层构成， 标准 化和激活函数分别使用层归一化和GELU函数， 并没有在每个层之间使用， 而是每一个块使 用一个层归一 化和GELU函数； 最后使用两个全连接层归属到二 值码的长度， 形成高级特 征。 5.根据权利要求4所述的面向无人驾驶智能清扫车的垃圾分类方法， 其特征在于： 所述 GELU函数如下所示： ， 其中， 为高斯分布 的累积分布 函数， 为超参数， 一般设为 即可。 6.根据权利要求1所述的面向无人驾驶智能清扫车的垃圾分类方法， 其特征在于： 在步 骤三中， 使用最大后验 估计的成对相似性损失项作为 监督信息： 上述公式能够另写为如下 形式：权　利　要　求　书 1/2 页 2 CN 115147667 A 2， 其中， S为固定标签相似矩阵， 为所有样本的二值码 矩阵， 和 是用二值码 代表的图 片样本 和 。 7.根据权利要求6所述的面向无人驾驶智能清扫车的垃圾分类方法， 其特征在于： 在步 骤三中利用可优化标签相似矩阵进行训练， 并使用 代表可优化 标签相似矩阵， 则上述公 式中的损失如下 所示： ， 在损失中加入正则化项， 即最后 根据无人驾驶智能清扫车传感器识别 到的垃圾图片生 成的二值码和高级特 征之间不能差距过 大， 最后的总损失为： ， 其中， 为超参数； 为骨干网络 的输出， 和 分别为权重和偏执， 为网络 参数。 8.根据权利要求1所述的面向无人驾驶智能清扫车的垃圾分类方法， 其特征在于： 在步 骤四中， 根据总损失用随机梯度下降优化器进行优化， 参与到每一个 循环的反向传播中去。 9.根据权利要求1所述的面向无人驾驶智能清扫车的垃圾分类方法， 其特征在于： 在步 骤五中， 训练完模型之后， 将所有的以前传感器识别到的垃圾图片数据库中的图片输入到 模型中得到一个二值码矩阵 ； 再将无人驾驶智能清扫车传感器识别到的需要分类的 垃圾图片输入到模型当中， 得到二值码 ； 通过公式 ， 计算二 值码的距离， 将 计算得到的二值码距离基于检索精度的度量方式返回所有检索图片查询集 的平均检索精度， 完成相似性检索。权　利　要　求　书 2/2 页 3 CN 115147667 A 3