陳昱辰 ， 曾令超 ， 張秀妹 ， 鐘廣澤

（廣東白云學(xué)院，廣東 廣州 510450）

0 引言

隨著人們生活水平的提高，對于生活垃圾的有效處理和相關(guān)高價(jià)值廢品的回收再利用，已日益成為社會(huì)關(guān)注的焦點(diǎn)。目前，生活垃圾多由環(huán)衛(wèi)工人手動(dòng)分揀，工作強(qiáng)度大、效率低而且嚴(yán)重危害環(huán)衛(wèi)工人身體健康[1]。雖然有用于分類的垃圾回收裝置，但是要求丟棄者進(jìn)行預(yù)分類且相關(guān)人員需具有很高的環(huán)保分類知識(shí)，垃圾分類在社會(huì)上推廣受到一定的限制。

在垃圾識(shí)別和圖像分類方面，學(xué)者們進(jìn)行了大量的研究。吳健等[2]利用顏色和紋理特征，初步完成了垃圾分類，但由于不同數(shù)據(jù)集的圖像背景、尺寸、質(zhì)量不盡相同，傳統(tǒng)算法需要根據(jù)相應(yīng)數(shù)據(jù)人工提取不同的特征，算法的魯棒性較差，并且處理方式復(fù)雜，所需時(shí)間較長，無法達(dá)到實(shí)時(shí)分類的效果。在非公開數(shù)據(jù)集方面，Mittal等[3]利用2 561張的垃圾圖片數(shù)據(jù)集GINI，使用GarbNet模型，得到了87.69%的準(zhǔn)確率。不過由于相同類別垃圾的特征表征差異性較大，不僅增加了樣本的收集量，還無法確保準(zhǔn)確率。莫卓亞等[4]通過圖片的采集、模型的訓(xùn)練，初步實(shí)現(xiàn)了垃圾分類的識(shí)別。然而由于模型對預(yù)測圖片明暗色彩過度依賴，導(dǎo)致不同場景的圖片有些識(shí)別效果好，有些識(shí)別效果差。

針對目前垃圾識(shí)別和圖像分類精準(zhǔn)度、效率上存在的不足，課題組設(shè)計(jì)了基于LBP特征的級(jí)聯(lián)分類器對果皮和有害垃圾進(jìn)行識(shí)別，這種基于LBP特征的級(jí)聯(lián)分類器具有識(shí)別精度、效率較高的特點(diǎn)[5]，并采用紋理描述算法對果皮和有害垃圾特征進(jìn)行提取的方法[6]，最終實(shí)現(xiàn)對果皮和有害垃圾快速取樣識(shí)別。

1 基于LBP特征的級(jí)聯(lián)分類器模型分析

1.1 基于LBP圖像的編碼

LBP編碼算法是常見的紋理描述符算法[7]，它根據(jù)圖像的n×n鄰域中，中心位置的像素值為閾值，將圖像的像素值轉(zhuǎn)換成一個(gè)二進(jìn)制數(shù)字。例如，在3×3的鄰域中，編碼后的像素值是根據(jù)閾值（對應(yīng)的原像素值）以及其相鄰的8個(gè)像素值決定的。編碼前需要將3×3區(qū)域的rgb像素值轉(zhuǎn)化為灰度值，并將其與相鄰點(diǎn)灰度值進(jìn)行比較，如果大于閾值為0，否則為1，最終得到由0和1組成的集合，最后沿圓周順時(shí)針追蹤像素，得到一個(gè)8位數(shù)的二進(jìn)制值，作為該點(diǎn)的像素值。

其中，fLBP(x,y)為編碼后圖像的f(x,y)的灰度值，滿足0≤fLBP(x,y)≤255；f(x,y)為編碼前圖像的(x,y)的灰度值。gp(x,y)與f(x,y)對應(yīng)關(guān)系如表1所示。

表1 gp(x,y)與f(x,y)對應(yīng)關(guān)系

1.2 Adaboost強(qiáng)分類器訓(xùn)練

輸入的樣本數(shù)為m，定義果皮樣本的輸出為1，有害垃圾等其他樣本輸出為-1，輸出結(jié)果集合為{-1,1}。訓(xùn)練弱分類器前，初始化各樣本集得到權(quán)重系數(shù)集合為：

其中，wij為第i級(jí)弱分類器的第j個(gè)樣本的權(quán)重系數(shù)，wij滿足

利用決策樹算法，將帶權(quán)重的圖像提取的LBP灰度特征與分類器的特征進(jìn)行逐個(gè)比較，得到弱分類器hi(x)。由于LBP紋理特征計(jì)算涉及指數(shù)運(yùn)算，本研究采用的誤差計(jì)算方法是指數(shù)誤差計(jì)算，得到第i級(jí)分類器的誤差率ei滿足：

其中，yj為第j個(gè)樣本的實(shí)際分類值（1或-1）。hi(xi)為第i級(jí)弱分類器對第j張圖片計(jì)算得到的預(yù)測值，Ei為第i級(jí)弱分類器的最大誤差，滿足：

計(jì)算第i級(jí)弱分類器的學(xué)習(xí)率權(quán)重系數(shù)αi，誤差越大，學(xué)習(xí)的權(quán)重越大：

根據(jù)學(xué)習(xí)率權(quán)重系數(shù)αi更新下一級(jí)弱分類器各樣本的權(quán)重系數(shù)wij，滿足：

對前i級(jí)的分類器進(jìn)行加權(quán)平均，得到弱分類器組成的強(qiáng)分類器識(shí)別模型[8-10]Hi(x)：

Adaboost的強(qiáng)分類器訓(xùn)練模型如圖1所示。

圖1 Adaboost的強(qiáng)分類器訓(xùn)練模型

1.3 果皮和有害垃圾識(shí)別模型訓(xùn)練

針對果皮和有害垃圾的小樣本數(shù)據(jù)集進(jìn)行分類器訓(xùn)練，先對這兩類垃圾進(jìn)行分類標(biāo)定，果皮樣本作為正樣本，有害垃圾等其他樣本作為負(fù)樣本，并對正樣本進(jìn)行圖像尺寸變換為100×100。然后，初始化分類器參數(shù)，負(fù)樣本進(jìn)行隨機(jī)裁切后，對所有樣本進(jìn)行LBP特征值計(jì)算，迭代訓(xùn)練i級(jí)弱分類器，一旦超過用戶設(shè)定的最大級(jí)數(shù)nS或者前i級(jí)組成的強(qiáng)分類器識(shí)別模型小于用戶設(shè)定的最小報(bào)警率FA，訓(xùn)練完成。

算法流程圖如圖2所示。

圖2 算法流程圖

主要算法流程如下：

1）輸入果皮和有害垃圾樣本。隨機(jī)從果皮和有害垃圾圖像庫中抽取42張圖片，作為訓(xùn)練正樣本集進(jìn)行輸入。

2）預(yù)處理。對輸入果皮和有害垃圾訓(xùn)練圖像進(jìn)行尺度和灰度轉(zhuǎn)換至預(yù)訓(xùn)練模型，規(guī)定輸入尺度大小。

3）建立果皮和有害垃圾識(shí)別模型。對LBP特征提取后的圖片樣本帶權(quán)重的輸入到Adaboost模型訓(xùn)練，通過梯度下降法調(diào)整弱分類器的模型權(quán)重，并計(jì)算學(xué)習(xí)率權(quán)重，產(chǎn)生該級(jí)弱分類器的權(quán)重系數(shù)以及下一級(jí)訓(xùn)練輸入至弱分類器模型的權(quán)重，直至滿足終止條件——級(jí)數(shù)超過設(shè)定值、總誤差率小于設(shè)定值。

4）模型測試。從果皮和有害垃圾圖像庫中抽取不同類型的果皮和有害垃圾圖片，作為測試原本集進(jìn)行模型測試，以驗(yàn)證模型的精確度。

2 結(jié)果與分析

對果皮和電池、廢燈管、殺蟲劑等有害垃圾進(jìn)行了識(shí)別研究，以123張圖片作為訓(xùn)練集，其余的作為測試集。

2.1 網(wǎng)絡(luò)模型訓(xùn)練基本參數(shù)配置

模型訓(xùn)練和測試硬件環(huán)境：Intel(R) Core(TM)i5-7300HQ CPU @ 2.5GHZ * 4處理器，16 G內(nèi)存，NVIDIA GeForce GTX 1050Ti 顯卡加速圖像處理。軟件環(huán)境：操作系統(tǒng)為Windows 10 Pro，開發(fā)軟件為CLion 2019。具體訓(xùn)練參數(shù)設(shè)置如表2所示。

表2 所有的級(jí)聯(lián)分類器LBP模型訓(xùn)練參數(shù)設(shè)置

2.2 網(wǎng)絡(luò)模型訓(xùn)練結(jié)果

訓(xùn)練樣本大小為123，通過訓(xùn)練層數(shù)得出由18級(jí)弱分類器加權(quán)得到的強(qiáng)分類器預(yù)測精確度最接近90%。網(wǎng)絡(luò)訓(xùn)練參數(shù)曲線圖以及果皮和有害垃圾識(shí)別效果圖如圖3、圖4所示。

圖3 網(wǎng)絡(luò)訓(xùn)練參數(shù)曲線圖

圖4 果皮和有害垃圾識(shí)別效果圖

2.3 模型測試結(jié)果

果皮和有害垃圾數(shù)據(jù)測試集共用了314張圖片，包括香蕉皮80幅、電池97幅、廢燈管30幅，殺蟲劑107幅，分別測試網(wǎng)絡(luò)模型，得出識(shí)別結(jié)果如表3所示。

表3 垃圾圖像識(shí)別結(jié)果

3 結(jié)論

1）提出了一種基于級(jí)聯(lián)分類器的LBP特征模型識(shí)別果皮和有害垃圾的方法，可提取果皮和有害垃圾的特征，避免了手工特征的設(shè)計(jì)和提取。

2）基于級(jí)聯(lián)分類器的LBP特征模型具有較高的識(shí)別精準(zhǔn)度，能夠達(dá)到快速識(shí)別的目的。

3）操作簡單，具有較強(qiáng)的健壯性，能夠維持某些性能的特征。