韓紅桂，甄 琪，任柯燕，伍小龍，杜永萍，喬俊飛

(北京工業(yè)大學信息學部，計算智能與智能系統(tǒng)北京市重點實驗室，北京 100124)

隨著智能手機行業(yè)的快速發(fā)展，產(chǎn)生了越來越多的廢舊手機，為了減少廢舊手機閑置造成的資源浪費和環(huán)境污染，提高廢舊手機的循環(huán)利用率，廢舊手機回收已成為我國電子信息產(chǎn)業(yè)發(fā)展中無法忽視的重要問題[1-2]. 然而，目前回收過程中分揀識別效率已成為限制回收的主要瓶頸. 在廢舊手機回收分揀過程中，需要將手機按品牌及型號分類處理以獲得更大的經(jīng)濟效益[3]. 因此，快速識別手機型號成為影響廢舊手機回收效率的重要因素，目前普遍的廢舊手機識別方法是通過人工方式辨認手機外觀并確定型號，該過程極為煩瑣和耗時，且長時間生產(chǎn)線工作易導致誤操作，造成誤檢率較高. 此外，較低的識別效率也難以滿足回收大量廢舊手機的需求. 因此，設計一種快速準確識別手機型號的方法成為實現(xiàn)廢舊手機高效自動化回收的關鍵，不僅可以極大提升手機回收效率，減小誤檢率，同時還能提升廢舊手機回收企業(yè)經(jīng)濟效益.

為了提高廢舊手機回收效率，廢舊手機型號的快速識別成為實現(xiàn)工業(yè)自動化回收的重要保障[4]. 目前，工業(yè)自動化回收過程的廢舊手機型號識別方法主要是利用數(shù)理統(tǒng)計和支持向量機(support vector machine,SVM)等分類器提取廢舊手機外觀圖像中的紋理、形狀和顏色等局部特征，并依據(jù)提取到的特征信息遍歷整個圖像進行對比，從而識別不同型號的廢舊手機[5-8]. 例如，Ye等[9]設計基于尺度不變特征變換(scale invariant feature transform,SIFT)和SVM的組合識別方法，并將該方法應用于廢舊手機回收分揀識別中. 該方法通過提取手機標志、攝像頭、指紋傳感器等局部特征進而識別手機型號，識別結果顯示該方法對具有清晰邊緣的廢舊手機具有較高的識別精度，但由于識別和遍歷均耗費較長的識別時間，導致該方法無法用于大規(guī)模廢舊手機回收中. Martin等[10]提出基于輪廓和形狀匹配的識別方法，該方法可以根據(jù)圖像的局部紋理特征識別廢舊手機的輪廓，但對于各元件輪廓和形狀相似度極高的部分型號廢舊手機，致使該方法在識別廢舊手機范圍上受到約束. Feng等[11]依據(jù)識別目標豐富的邊緣特征信息，提出一種改進型方向梯度直方圖(histogram of oriented gradient,HOG)提取手機邊緣特征值，并與SVM結合實現(xiàn)了快速識別. 然而，該方法對手機部分占圖像比例要求較高，若識別的手機圖像比例過小時，會使得SVM識別模型難以收斂，造成識別的錯誤率增高. 綜上分析，雖然通過SIFT、HOG等算子可以提取和表達手機外觀中的局部特征，并通過若干個局部特征確保手機特征識別精度，但由于手機型號眾多，重復相似的局部元件會大幅降低型號識別精度[12-13]. 此外，解析能夠精準區(qū)分手機型號的局部特征較為困難，且特征標注的工作量極大. 因此，該類方法還難以滿足大規(guī)模廢舊手機快速識別的需求.

針對局部圖像特征提取方法識別準確率較低的問題，研究者提出基于卷積神經(jīng)網(wǎng)絡(convolutional neural networks，CNN)的深度學習算法識別廢舊手機型號[14-16]，該方法能從廢舊手機圖像以及大規(guī)模數(shù)據(jù)中提取全局特征，并能夠?qū)崿F(xiàn)復雜特征降維，提高手機型號的識別速度. Wei等[17]使用CNN替代傳統(tǒng)的關鍵點特征提取方法，對廢舊手機外觀邊緣及其形狀進行描述，實驗結果顯示提出的方法在廢舊手機品牌外觀識別中取得較好效果. 然而，CNN在圖像特征提取時需要大量的標注數(shù)據(jù)，運用小規(guī)模樣本訓練會影響到特征提取的可靠性. Huang等[18]使用CNN構建廢舊手機的通用識別器，該識別器的識別結果相比數(shù)理統(tǒng)計、SVM等方法的識別精度更高，但該方法只能依據(jù)手機表面上的標識進行品牌的粗分類，難以實現(xiàn)廢舊手機型號的精確識別. Federica等[19]利用候選區(qū)域方法將圖像分割成固定尺寸的圖像，分別輸入到CNN網(wǎng)絡中，由全連接層實現(xiàn)目標分類，實際使用效果顯示該方法相較于傳統(tǒng)的CNN網(wǎng)絡具有更高的識別精度，但由于在模型訓練過程中計算量大、耗時長，因此該類方法還難以滿足識別實時性要求高的廢舊手機回收任務. 上述手機型號識別研究均須在訓練前規(guī)定廢舊手機型號類別，并收集各類別的數(shù)據(jù)樣本對識別模型并進行訓練，從而完成識別模型的設計. 然而，在實際手機回收場景中手機型號的類別隨著新機型上市而動態(tài)更新，且由于新機型訓練樣本較少使得CNN模型難以及時學習和提取有效的特征信息.

為了在保證廢舊手機型號識別準確性和快速性的同時提高識別模型在手機樣本不足時的識別準確率，一種基于相似度對比的識別方法在文獻[20-21]中被提出. 該類算法通過評估輸入樣本之間相似度來進行廢舊手機識別模型的訓練，在輸入圖像與數(shù)據(jù)庫中所有的機型相似度均未達到閾值的情況下，判定該輸入圖像為已更新機型，并對手機圖像特征重新定義. 該方法不僅能確保識別精度，同時還能降低廢舊手機型號更新時帶來的重復訓練的復雜度，提高識別模型在實際應用中的實用性[22]. 例如，Weinberger等[23]、Abeywickrama等[20]通過計算廢舊手機圖像樣本向量間的歐氏距離作為類別相似度并使用最近鄰搜索法(K-nearest neighbor，KNN)對目標進行識別. 實驗驗證結果表明該方法不僅能在少量樣本下快速完成識別任務，而且具有較高的精度. Zhu等[24]提出一種基于三元組損失的CNN識別模型，該CNN模型由多個通道組成，共同學習輸入訓練樣本的全局和局部特征，并通過改進的三元組損失函數(shù)對網(wǎng)絡參數(shù)進行訓練，訓練得到的模型對相似度較高的樣本具有更高的識別能力. 上述方法主要使用相似性度量方法學習提取手機各型號間的特征，盡管該類模型精度高，但由于模型使用的網(wǎng)絡層數(shù)較多，涉及大量的網(wǎng)絡參數(shù)，當網(wǎng)絡參數(shù)訓練不充分時仍然影響模型對廢舊手機型號的識別精度.

為了實現(xiàn)廢舊手機回收過程中手機型號的快速準確識別，同時使模型在小樣本情況下也具有良好的性能，文中設計了基于CNN的手機型號識別模型，該模型結合CNN特征降維和孿生神經(jīng)網(wǎng)絡結構(siamese convolutional neural network,S-CNN)，同時運用基于自適應學習率的模型參數(shù)更新策略更新S-CNN的網(wǎng)絡參數(shù)，確保手機外觀型號的準確識別，為了完成識別模型的設計，文中主要從以下幾個方面進行研究：首先，在第2節(jié)對廢舊手機外觀特征進行分析并引入邊緣檢測算法提取回收人員拍攝驗機照片中可識別的手機區(qū)域，獲得手機型號數(shù)據(jù)集；其次，在第3節(jié)描述基于孿生CNN的特征提取結構和對比損失函數(shù)，建立廢舊手機型號識別模型并進行訓練；最后，在第4節(jié)通過實際案例驗證該方法的有效性.

1 廢舊手機特征分析

1.1 特征分析

目前大多數(shù)廢舊手機外觀上均具有明顯類型信息，包含手機的品牌標志、攝像頭、閃光燈、指紋傳感器，是識別廢舊手機型號的重要依據(jù).

為了提取圖像特征，進而實現(xiàn)廢舊手機的識別，本文收集和整理各類廢舊手機在驗機時回收人員拍攝的照片，并篩選計算機可識別和分類的系列圖像. 選取回收過程中需要被分揀出來的重要型號構建熱門機型數(shù)據(jù)集，包含huawei m7、huawei m8、sumsung A7、sumsung S8、iphone 4等13個熱門機型，這些機型市場回收量大，因此訓練樣本均超過50個. 另選取37個機型構建非熱門機型數(shù)據(jù)集，由于該數(shù)據(jù)集中的機型在市場中流通量較低，搜集得到的訓練樣本數(shù)均小于50個，文中以此數(shù)據(jù)集測試模型在小樣本下的識別性能. 此外，統(tǒng)一圖像分辨率為512×512，并將2個數(shù)據(jù)集隨機分成2個部分，90%的圖像樣本作為訓練集，另外10%作為測試集，數(shù)據(jù)集中不同型號手機樣本如圖1所示.

圖1 不同型號手機樣本Fig.1 Different models of mobile phones

1.2 特征區(qū)域提取

由于照片的角度、設備、光源等拍攝條件各異，因此需要去除照片中的無關區(qū)域，具體實施操作是將驗機照片灰度化，然后使用邊緣檢測算法提取手機區(qū)域邊界，形成感興趣區(qū)域(regin of interest，ROI).

1.2.1 灰度化

為了提升圖像處理速度，在進行手機區(qū)域提取前需要將R、G、B彩色圖像轉(zhuǎn)換成單通道灰度圖像. 轉(zhuǎn)換后的灰度圖像仍保留彩色圖像的色度和亮度分布特征，灰度化轉(zhuǎn)換公式為

P=αR+βG+γB

(1)

式中：P為灰度化后圖像的像素矩陣；R、G、B分別為原圖中紅、綠、藍3個通道的像素矩陣；α、β、γ為灰度調(diào)和權值.

1.2.2 手機特征區(qū)域提取

為了去除灰度圖像中的無關區(qū)域，使用Canny邊緣檢測算法提取手機輪廓[21]，具體步驟如下.

1)為了抑制灰度化時可能出現(xiàn)的噪聲，使用高斯濾波算法對灰度圖像中的每一個像素點(x,y)進行平滑處理，濾波器函數(shù)為

(2)

式中：p(x,y)為點(x,y)經(jīng)過高斯濾波后的像素值；x、y分別為圖像中像素點的橫、縱坐標；σ為方差，σ在區(qū)間[1.2,2.4]隨機取值.

2)使用Canny邊緣檢測算子提取手機輪廓，計算公式分別為

(3)

(4)

式中：M(x,y)為圖像中像素點(x,y)的梯度幅值，反映圖像的邊緣強度；θ(x,y)為圖像中像素點(x,y)的梯度幅值方向，反映圖像的邊緣方向；px(x,y)和py(x,y)分別為像素點在水平與垂直方向的偏導數(shù). 為了精確定位邊緣，并對所得梯度進行非極大值抑制，尋找圖像梯度中的局部極大值點，設非局部極大值點為零，使圖像邊緣得到細化.

3)使用基于最大類間差分的閾值分割法去除偽邊緣點，設定φ1、φ2分別為高閾值和低閾值，驗機照片像素中的最大類間方差δ2計算公式為

δ2(φ)=ρ1(φ)×ρ2(φ)×(μ1(φ)-μ2(φ))2

(5)

式中：ρ1(φ)為手機像素數(shù)占圖像像素總數(shù)的百分比；ρ2(φ)為無關區(qū)域的像素數(shù)占圖像像素總數(shù)的百分比；μ1(φ)為所有目標像素的平均灰度值；μ2(φ)為所有無關區(qū)域像素的平均灰度值.

遍歷圖像求得令最大類間方差δ2(φ)最大的閾值φ為該驗機圖片的最佳閾值. 將該閾值作為Canny算子的高閾值φ1，則低閾值φ2=0.5φ1. 當候選邊緣點的梯度幅值M(x,y)<φ2時，該點為偽邊緣點；當M(x,y)>φ1時，該點為邊緣點；若M(x,y)小于高閥值而大于低閥值，那么判斷此點與前面得到的邊緣點是否連通，若連通則將此點記為邊緣點，連接邊緣點得到邊緣圖像后，對邊緣圖像進行形態(tài)學閉運算，去除孤立的毛刺和缺口，得到邊緣圖像.

最終得到通過以上基于邊緣檢測算子的ROI提取步驟，可有效去除與識別無關的區(qū)域，實現(xiàn)手機型號的特征提取，同時降低待學習圖像尺寸的分辨率.

2 廢舊手機型號識別方法

廢舊手機回收過程具有類別數(shù)目多且不斷變化的特點，而傳統(tǒng)神經(jīng)網(wǎng)絡方法在添加新機型時，重新訓練過程復雜煩瑣，難以勝任大規(guī)模廢舊手機型號的識別. 因此，作者設計一種基于S-CNN的廢舊手機型號識別方法，如圖2所示，該模型主要包含模型建立、型號識別和參數(shù)學習3個模塊，各模塊的主要功能為：

1)模型建立. 隨機從基準樣本集和訓練樣本集中各抽取一張手機圖像組成訓練樣本對，將隨機組成的訓練樣本對輸入到S-CNN模型中，根據(jù)模型輸出的相似性度量動態(tài)更新S-CNN模型中的參數(shù)，最終獲得最優(yōu)參數(shù)組合.

2) 參數(shù)學習. 建立基于自適應學習率的手機識別模型參數(shù)更新策略，該策略能夠在訓練過程中自適應調(diào)整學習率，以加速模型訓練速度、提高識別準確率.

3)型號識別. 將基準樣本集中的全部圖像輸入到訓練好的單邊S-CNN模型中，建立基準機型數(shù)據(jù)庫，將待識別圖像與基準機型數(shù)據(jù)庫中的數(shù)據(jù)進行相似性對比，遍歷檢索出相似性最高的目標機型.

2.1 模型建立

文中提出通過度量輸入樣本之間相似度的S-CNN來構建手機型號識別網(wǎng)絡，該網(wǎng)絡由2個相同的CNN組成孿生結構，2個網(wǎng)絡之間共享所有的參數(shù)w，如圖2所示. CNN作為一種前饋神經(jīng)網(wǎng)絡，能夠使提取后的樣本特征具有平移旋轉(zhuǎn)不變性，實現(xiàn)樣本空間的降維，已被廣泛應用于圖像和視頻的特征提取. 除輸入、輸出層外，卷積網(wǎng)絡通常由卷積層、池化層、全連接層等結構疊加組成. 一般卷積層與池化層是交替使用的，這樣的結構能夠使提取后的樣本特征具有平移旋轉(zhuǎn)不變性，且可以降低參數(shù)數(shù)量，有利于網(wǎng)絡優(yōu)化. 通常CNN的結構主要包括以下方面.

圖2 基于卷積神經(jīng)網(wǎng)絡的手機型號識別模型Fig.2 Mobile phone model recognition model based on convolutional neural network

1)卷積層. 卷積層的作用是對從輸入層獲得的圖像進行特征提取. 卷積層在上級輸入層上通過固定步長的滑動窗口計算得到卷積特征圖，計算公式為

rl+1=f(ωlrl+λl)

(6)

式中：rl+1為l+1層的激活特征圖；f(·)為激活函數(shù)；ωl為第l層的卷積核；λl為第l層的輸出偏置參數(shù).

2)池化層. 在圖像特征提取過程中，池化層的作用主要是剔除冗余區(qū)域，降低數(shù)據(jù)維度. 池化的方法主要有最大池化和平均池化2種. 所保留的特征使得最后的特征表達保持旋轉(zhuǎn)、位移、伸縮的不變性. 文中使用的平均池化公式為

(7)

式中：Qa×b為池化后的輸出向量；r為輸入向量；S1、S2為池化步長；a、b為平均池化后卷積特征圖的維度.

首先從基準樣本集T和訓練樣本集X中各隨機挑選一個樣本t和x輸入到S-CNN中，通過網(wǎng)絡的前向傳播得到2個長度相同的向量Gw(t)和Gw(x)，定義2個輸出向量間的歐式距離為樣本t和x的相似度，計算公式為

d(t,x)=‖Gw(t)-Gw(x)‖2

(8)

式中：d(t,x)為樣本t和x的歐氏距離；Gw(x)為訓練權值是w時，樣本x經(jīng)前向計算后的輸出.

為了獲得更好的識別效果，使得同機型下獲得d(t,x)趨近于0，不同機型手機的相似度計算d(t,x)趨于無窮，對損失函數(shù)進行改進. 在每個訓練批次中，同時從訓練樣本集中隨機抽取2個樣本x1和x2，其中x1與基準樣本t型號相同，x2與t型號不同，為使得同機型的距離小于異機型的距離. 即要求d(t,x1)盡可能小，d(t,x2)盡可能大，建立對比損失函數(shù)為

L(x1,t,x2)=max (d(t,x1)-d(t,x2)+u,0)

(9)

式中：L(x1,t,x2)為輸入樣本為x1、t、x2時的對比損失函數(shù)值；超參數(shù)u為大于0的極小數(shù)；max為取最大值函數(shù).

同時將同型號手機t和x1、異型號手機t和x2送入孿生卷積網(wǎng)絡中，經(jīng)過網(wǎng)絡的前向計算，得到2個單邊網(wǎng)絡間的距離計算結果，使用該結果計算損失函數(shù)，從而完成網(wǎng)絡的前向傳播.

2.2 參數(shù)學習

為了實現(xiàn)神經(jīng)網(wǎng)絡參數(shù)的在線更新，文中提出了一種自適應學習率的手機識別模型參數(shù)更新策略，其學習過程可以表示為

(10)

wk=wk-1+Δwk-1

(11)

(12)

式中：wk為第k次迭代時的參數(shù)集合；Δwk-1為第k-1次迭代時參數(shù)更新時的變化向量；k為當前迭代的次數(shù)；ε取任意常數(shù)；nk為一個對角矩陣；η為學習率，控制每次在負梯度所在的方向上改變的步長.

2.3 型號識別

為了實現(xiàn)手機型號的快速準確識別，需要在識別過程中精簡重復的結構，建立基于單邊S-CNN的手機型號識別算法，具體步驟如下.

步驟1為削減與識別無關的冗余結構，取訓練后權值為w的單邊S-CNN模型作為廢舊手機型號識別模型.

步驟2設基準特征數(shù)據(jù)集T中共有n個手機型號，將所有樣本t1-tn依次輸入到單邊S-CNN識別模型中，將模型的輸出值Gw(t1)-Gw(tn)以向量的形式存儲到基準數(shù)據(jù)庫G(T)中.

步驟3將待識別圖像d輸入到單邊S-CNN模型中，得到輸出值Gw(d).

步驟4遍歷對比識別輸出值Gw(d)與基準數(shù)據(jù)庫G(T)中的值，當距離最近且小于0.5時，該基準樣本為目標機型.

步驟5若機型基準數(shù)據(jù)庫G(T)中無滿足距離要求的基準樣本，則認定該檢測樣本為未知機型，自動將改圖片添加到未知機型數(shù)據(jù)庫中. 人工查驗無誤后并將該機型對應的機型數(shù)據(jù)補充到T中以更新基準特征數(shù)據(jù)集.

利用S-CNN進行識別，手機型號在識別前將基準樣本集輸入到S-CNN，得到降維后的手機型號基準輸出值并存儲進數(shù)據(jù)庫中，減少基準樣本的重復卷積計算，縮短識別時間.

3 實驗結果與分析

3.1 實驗條件

搭建訓練平臺配置如下：CPU為Intel Corei5-9400，主頻3.40 GHz；內(nèi)存為24 GB；GPU為Nvidia RTX2060super獨立顯卡；操作系統(tǒng)為Windows 10.

文中單邊S-CNN網(wǎng)絡以經(jīng)典識別網(wǎng)絡Alexnet[25]為基礎結構，包含5個卷積層、3個池化層和2個全連接層，輸入層大小為512512像素，卷積層P1-P4卷積核尺寸分別為11×11、5×5、3×3、3×3和3×3，步長均為1. 池化層C1-C3尺寸為2×2，步長為2.P4連接1個4 096個節(jié)點數(shù)的全連接層，再經(jīng)過1個全連接層得到節(jié)點數(shù)為100的輸出層.

在訓練開始前，對模型中的各項參數(shù)進行初始化，設定灰度化調(diào)和參數(shù)α=0.299，β=0.588，γ=0.114；訓練批量為64，代表同時輸入模型的樣本數(shù)；最大迭代次數(shù)為2 000；使用均值為0、方差為1的正態(tài)分布隨機值對向量w中各個模型的權值進行填充，采用5折交叉策略對數(shù)據(jù)集進行訓練以保證模型的泛化性能.

3.2 性能分析

在訓練過程中，使用文中模型更新策略對模型參數(shù)進行調(diào)整，文中選取了隨機梯度下降(stochastic gradient descent，SGD)、Adam[26]與文中模型參數(shù)更新策略進行對比訓練實驗，每種方法各訓練200次，得到的損失函數(shù)收斂曲線如圖3所示.

圖3 訓練收斂對比曲線圖Fig.3 Training convergence comparison curve

通過上述結果，在模型訓練方面，傳統(tǒng)的SGD算法原理為每次迭代計算當前批次樣本的梯度，并對參數(shù)進行更新，該算法對于網(wǎng)絡的訓練速度較慢，SGD方法選擇合適的學習率比較困難，且比較容易收斂到局部最優(yōu)，文中模型參數(shù)更新方法能夠在訓練的過程中自適應地調(diào)整各個參數(shù)的學習率，因此具有更快的收斂速度，且在訓練后期的波動較小.

為反映各個型號廢舊手機的識別效果，將熱門機型數(shù)據(jù)集中的手機圖像測試樣本逐個輸入到模型中進行識別，記錄預測結果與該樣本的真實機型，得到混淆矩陣如圖4所示. 混淆矩陣中對角線上的黑色方格為正確識別的手機數(shù)，方格a(i,j)為第j類手機誤分到第i類手機中的個數(shù).

由圖4驗證集識別混淆矩陣可知，熱門數(shù)據(jù)集各機型檢測精度均保持在90%左右，混淆情況主要出現(xiàn)在上市年份相近的機型之間，分析原因為年份相近的機型在外觀上往往具有更高的相似性，如iphone 6與iphone 5s在背部的相同位置有2個清晰的顏色分界線，在計算相似度時具有更高的權重，為解決此問題，應適當擴大樣本輸入分辨率.

圖4 驗證集混淆矩陣Fig.4 Different models of mobile phones

使用檢測時間tr(單位：ms)、平均識別精度(mean average precision，MAP)、Recall和F1值4項性能指標評價模型性能，MAP的計算方法為

(13)

式中：Precision為檢測精度；MAP為平均識別精度；Recall為檢測結果召回率；TPm為第m類樣本被模型分類正確的個數(shù)；FPm為第m類樣本被模型分類錯誤的個數(shù)；FNm為第m類樣本被模型漏報的個數(shù)；n為總類別數(shù)；m為樣本類別編號. 對比結果如表1所示.

表1 不同算法識別熱門機型精度與速度對比

在識別準確率方面，當訓練數(shù)據(jù)集為熱門機型，即總數(shù)N=13時，由于這13個熱門機型具有豐富的訓練樣本數(shù)，因此S-CNN、SIFT+SVM和Resnet-152模型均能較準確地對13種手機型號進行區(qū)分和識別，在熱門數(shù)據(jù)集上的平均檢測準確率超過90%，但在識別速度方面，傳統(tǒng)的SIFT方法單張圖像的檢測時間大于1 s以上，不能滿足實時需求. Resnet-152憑借152層網(wǎng)絡結構和巨大的參數(shù)規(guī)模取得最高識別準確率，但由于網(wǎng)絡結構復雜，識別單張圖像的時間達到23 ms. 而基于S-CNN的手機型號識別方法由于網(wǎng)絡結構較Resnet-152更加簡單，使得單張檢測速度達到9 ms，優(yōu)于其余方法. 因此作者提出的基于S-CNN手機型號識別方法具有較高的識別精度和更快的識別速度.

為驗證文中提出的手機型號識別方法在小樣本機型中的有效性，將37個非熱門機型加入數(shù)據(jù)集中，即N=50，測試結果如表2所示，此時測試數(shù)據(jù)集中除了部分機型樣本量較少外，還存在各機型間樣本數(shù)量不均衡的情況. 因此各模型的識別準確率均出現(xiàn)不同程度的降低，其中S-CNN模型的降幅最小，平均檢測精度仍保持在90%以上，而其余各模型由于缺乏足夠的訓練樣本，檢測準確率降幅明顯. 因此，文中提出的S-CNN對小樣本數(shù)據(jù)的寬容度更高，更適用于樣本數(shù)小，且類別間樣本數(shù)量不均衡的手機型號識別任務中.

表2 不同算法識別非熱門機型精度與速度對比

4 結論

針對廢舊手機回收過程中型號難以精準快速識別問題，提出一種基于CNN的手機型號識別方法，使用在實際回收過程中驗機人員真實拍攝的手機圖像建立手機型號識別數(shù)據(jù)集，評估該方法的有效性，得到結論如下：

1) 設計一種孿生結構的CNN網(wǎng)絡用于評估廢舊手機圖像特征和手機驗機照片特征的相似性，可以實現(xiàn)手機型號的快速識別.

2) 建立基于對比損失函數(shù)和反向傳播算法的自適應學習率模型更新策略，可以提高手機型號識別精度.

3) 在后續(xù)工作中，將實現(xiàn)手機顏色、攝像頭類型、材質(zhì)、尺寸等其他屬性的在線識別，并研究手機回收過程中手機表面劃痕、磨損等參數(shù)的快速準確識別.