本发明涉及目标检测领域，具体涉及基于改进的efficientnet网络的垃圾辨识分类系统
背景技术：
随着经济发展，国民的生活水平有了显著的提高，但随之而来的各种生活垃圾也以惊人的速度增长。大量的生活垃圾若未及时处理，不仅影响城市面貌，也会损害人们的身体健康。在倡导节约、环保型社会的今天，不仅要处理日益增加的垃圾，同时也需要回收垃圾中的可用资源。垃圾分类是一种高效的资源回收方法，也是一项关乎民生和社会可持续发展的社会问题
目前垃圾分类的问题已经成为了焦点，越来越多的人通过深度学习对垃圾分类进行研究，其中人工神经网路在垃圾分类的这个领域做出来巨大的贡献。前人利用bp神经网络进行垃圾分类，利用改进的bp进行分类，也有利用卷积神经网络进行分类等各种神经网络进行垃圾的分类。但是这些依然存在这一些问题：
(1)垃圾辨识分类的效果差。各种各样的神经网络用来进行垃圾的分类，这些神经网络在垃圾分类上的应用已经表现的很优秀了。但是最终垃圾分类的效果还不够好，一些分类系统，其分类的精度很低。
(2)垃圾分类算法的辨识速度慢。由于垃圾的形状以及颜色变化较大，不容易手动提取类别特征，并且数据量很大。从而导致分类算法进行垃圾分类识别时速度很慢，不能满足生产现场嵌入式设备的实时性要求。
因此，有必要开发一种具有高分类效果，并且运行速度快的垃圾分类系统。
技术实现要素：
本发明要解决的技术问题是，提供一种基于改进的efficientnet网络的垃圾辨识分类系统，利用改进的efficientnet网络分类算法，实现了对垃圾分类更加精确，分类速度更快。为解决上述技术问题，本发明采用的技术方案是：基于改进的efficientnet网络的垃圾辨识分类系统，具体包括以下步骤，相关流程图参见图1：
(1)通过图片采集设备对各种垃圾进行采集，建立数据库；
(2)将采集的垃圾图片进行图像的预处理，采用灰度处理、中值滤波处理、图像增强等方法对采集来的垃圾图像进行预处理，随后将预处理好的数据集进行划分；
(3)采用迁移式学习的方法，保持efficientnet网络在imagenet数据集上原有的权值，通过微调训练出新的权值，将训练好的efficientnet网络模型保存；
(4)利用改进后的efficientnet网络模型对预处理后的数据集进行分类识别，得出分类辨识结果；
本发明提出的基于改进的efficientnet网络的垃圾辨识分类系统，其中对efficientnet的算法进行一些优化；具体地，是利用带有warmup(预热)的余弦学习率衰减的方式对整个算法的学习率进行调整，常见改变学习率的方式有指数衰减方式、逐步衰减方式、多项式衰减方式。由于刚开始训练时模型的权重(weights)是随机初始化的，此时选择一个较大的学习率，可能会带来模型的不稳定，所以在刚开始训练的时候先使用一个较小的学习率，进行学习率的预热，等模型稳定时再修改为预先设置的学习率进行训练，使得模型收敛速度变得更快，模型效果更佳。其次再利用余弦退火的方式降低学习率，从而有利于提升精度。两种方式的相结合提升系统的识别率和速度。
所述改进的具体流程为：
改进主要是改变学习率的计算方式，新的学习率计算方法主要分为两个阶段warmup阶段和余弦退火阶段。
warmup阶段：
(1)首先选取一个较小的预热学习率，对网络模型进行训练，训练了一些epochs或者steps(比如4个epoches,10000steps)，然后每个step增大一点点，观察训练的结果；
(2)当训练的模型到达稳定时，将学习率增大到预先设置的学习率；
余弦退火阶段：将经过warmup阶段的学习率按照余弦函数将学习速率从初始值逐渐降低，观察训
练结果；
两阶段结合后，具体的学习率计算如下：
(1)首先要初始化预热初始学习率、预热基础学习率、epochs(总迭代次数)、warmup_epoch(预热迭代次数)、batch_size(批次大小)、样本数量、预留步数；
(2)根据公式计算warmup的学习率；
(3)warmup结束后，根据公式计算余弦退火学习率；
(4)余弦退火学习率进一步计算并判断，如果预留步数大于0，判断目前步数是否大于预热步数加预留步数，是的话返回上面计算的学习率，不是的话使用warmup之后的基础学习率；
(5)当预热步数是大于0的时候，如果目前步数小于预热步数的话，那么返回warmup当时的学习率，否则直接返回第二步的余弦退火计算的；
(6)如果最后当前到达的步数大于总步数，则学习率归为0，否则返回当前的计算出来的学习率；
附图说明
下面结合附图和本发明的实施方式进一步详细说明：
图1为基于改进的efficientnet网络的垃圾辨识分类系统的流程示意图
图2为改进的efficientnet网络算法的流程图
图3为带warmup的余弦退火原理图
图4为余弦学习率衰减与逐步学习率衰减对照图。
1.一种基于改进的efficientnet网络的垃圾辨识分类系统，其特征在于，具体包括以下步骤：
(1)通过图片采集设备对各种垃圾进行采集，建立数据库；
(2)将采集的垃圾图片进行图像的预处理，采用灰度处理、中值滤波处理、图像增强等方法对采集来的垃圾图像进行预处理，随后将预处理好的数据集进行划分；
(3)采用迁移式学习的方法，保持efficientnet网络在imagenet数据集上原有的权值，通过微调训练出新的权值，将训练好的efficientnet网络模型保存；
(4)利用改进后的efficientnet网络模型对预处理后的数据集进行分类识别，得出分类辨识结果。
2.根据权利要求1所述的基于改进的efficientnet网络的垃圾辨识分类系统，其特征在于，所述步骤(1)中通过相机、摄像头、手机等硬件设备采集垃圾的原始图像，并将这些图片收集来构建图片数据库。
3.根据权利要求1所述的基于改进的efficientnet网络的垃圾辨识分类系统，其特征在于，所述步骤(2)中原始数据库里图片进行预处理，通过中值滤波，图片增强的方法，将图片中的噪声等无用信息进行剔除，所述图片增强的方法通常采用频域法和空域法。
4.根据权利要求1所述的基于改进的efficientnet网络的垃圾辨识分类系统，其特征在于，所述步骤(3)中利用迁移式的学习方法将已经在imagenet数据集上训练好的efficientnet网络移植过来，然后利用预处理好的图片来对该网络进行重新训练，从而重新修改该网络的权值，用以满足分类垃圾的条件。
5.根据权利要求1所述的基于改进的efficientnet网络的垃圾辨识分类系统，其特征在于，所述步骤(4)中在迁移式学习的基础上，对efficientnet网络进行改进，利用改进的efficientnet网络来进行垃圾的分类。其改进的内容主要是对网络的学习率进行改进，通过带有warmup的余弦学习率衰减的方式来进行学习率的修改，从而用以提高efficientnet网络模型的识别精度以及运行的速度。具体地为，是利用带有warmup(预热)的余弦退火学习率调度的方法对整个算法的学习率进行调整。由于刚开始训练时模型的权重(weights)是随机初始化的，此时选择一个较大的学习率，可能会带来模型的不稳定，所以在刚开始训练的时候先使用一个较小的学习率，进行学习率的预热，等模型稳定时再修改为预先设置的学习率进行训练，使得模型收敛速度变得更快，模型效果更佳。其次再利用余弦退火的方式降低学习率，从而有利于提升精度。两种方式的相结合提升系统的识别率和速度。
技术总结