基于深度学习的城市固体废物材质识别方法

实现生活垃圾自动化、精细化分拣,可以有效减少环境污染、提高资源回收再利用效益。随着深度学习神经网络的快速发展,其在垃圾识别领域应用越加广泛。利用实例分割网络可以提取物体轮廓与类别信息,完成对生活垃圾的定位与细分。针对生活垃圾不同工况下,神经网络识别效果严重下降问题,文章提出基于实例分割网络模型的难例样本,对模型进行更新的策略,以语义分割网络辅助提取难例样本。在多种实例分割网络BlendMask、MEInst、CondInst、Mask R-CNN、Cascade RCNN上进行更新策略试验。结果表明,更新后的模型在新工况测试集上回收率提升1.47%~4.06%,除了MEInst不适用纯度提升场景外,其余网络得到0.6%~2.41%的提升。在不同工况只补充少量样本的情况下,神经网络更新策略可以较好提高模型对生活垃圾的识别准确率,增强模型泛化能力。