基于FV-DCNN的塑料垃圾精細(xì)分類模型*

吳誼平,張 宇,李 鳴

(南昌大學(xué) 信息工程學(xué)院,江西 南昌 330000)

0 引 言

如今塑料的使用隨處可見,據(jù)預(yù)測,到2030年全球可能會有1.11億公噸塑料垃圾無處可去。隨著塑料原材料價格快速上漲、進(jìn)口固廢禁令和生態(tài)文明城市發(fā)展,將倒逼我國城鎮(zhèn)塑料垃圾要做好高質(zhì)化利用的后端處理。由于塑料聚合物各類特性對分類精度影響較大,國內(nèi)外的專家學(xué)者對此做了大量研究。Pascoe R D[1]提出了按顏色分類聚合物,去除有色雜質(zhì),該方法只能實現(xiàn)粗類分揀,不能識別聚合物,僅用于分色。Hearn G I等人[2]使用摩擦電/靜電分離對塑料進(jìn)行分類,但是此方法只適用于介電常數(shù)相差較大的塑料材質(zhì),而且要求干燥清潔的塑料表面。Agüera F等人[3]通過圖像中包含的紋理信息來進(jìn)行塑料材質(zhì)的分類。Negre E等人[4]針對圖像的激光誘導(dǎo)技術(shù)實現(xiàn)塑料垃圾的分類。上述方法存在特征檢測不明顯與檢測效率低下等缺點。國內(nèi)現(xiàn)有光譜圖法分類正確率不高,無法實現(xiàn)精細(xì)分類。針對此問題,提出一種基于Fisher向量(FV)-時滯細(xì)胞神經(jīng)網(wǎng)絡(luò)(delayed cellular neural network,DCNN)的塑料垃圾精細(xì)分類模型,使精細(xì)分類成為可能。

卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)[5]已經(jīng)在圖像分類方面取得了巨大的成功。首先利用自適應(yīng)卷積對近紅外光譜[6]進(jìn)行建模,構(gòu)建端到端自適應(yīng)CNN,然后通過自適應(yīng)卷積和滲漏整流線性單元(LeakyReLU)激活函數(shù)提取輸入的噪聲圖像特征,最后重構(gòu)完成之后使用均方差(mean square error,MSE)損失函數(shù)獲得初始去噪光譜圖像。由于光譜圖像動態(tài)采集,所以光譜圖像內(nèi)容復(fù)雜,最后再結(jié)合FV[7]編碼對光譜圖像進(jìn)行表征,結(jié)合接收機(jī)工作特性[8](receiver operating characteristic curve,ROC)曲線分析分類結(jié)果。

該方法針對塑料光譜圖像可以快速識別、提取及分類,將深度CNN在圖像分類方面取得的巨大成功應(yīng)用到了新型應(yīng)用場景,對于塑料垃圾的精準(zhǔn)精細(xì)分類提供了可靠的分類方法,具有很好的應(yīng)用前景。

1 模型理論基礎(chǔ)

1.1 深度CNN

Lawrence S等人[9]于1997年提出的CNN近年來已成為一個熱點,具有很強(qiáng)的泛化能力。就其自身的特征(例如權(quán)重共享,局部感知,合并操作和多層結(jié)構(gòu))而言,CNN在圖像處理和計算機(jī)視覺方面已獲得更好的性能。它可以更有效地將低級像素投影到高級像素,從而可以減少像素圖的尺寸。同時,CNN還可以通過使用現(xiàn)代圖形處理單元(graphic processing unit,GPU)上的計算來有效地提高訓(xùn)練網(wǎng)絡(luò)模型的效率。在CNN的訓(xùn)練階段,神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度將首先提高并達(dá)到飽和,然后隨著網(wǎng)絡(luò)深度的增加,訓(xùn)練精度將降低。提出了殘差學(xué)習(xí)來解決神經(jīng)網(wǎng)絡(luò)的退化問題。如果殘差映射易于學(xué)習(xí)且淺層網(wǎng)絡(luò)具有飽和精度,則在網(wǎng)絡(luò)框架中添加一些一致的映射層不會增加錯誤。

隨著深度學(xué)習(xí)已成為機(jī)器學(xué)習(xí)領(lǐng)域的研究重點,深度CNN已成功應(yīng)用于圖像識別[10],紋理分類和語音識別[11]等領(lǐng)域。CNN可以為圖像降噪提供新思路,尤其是在高噪聲環(huán)境下。由于CNN具有比其他傳統(tǒng)降噪方法更強(qiáng)大的學(xué)習(xí)能力,因此,可以有效提高不同噪聲水平的圖像降噪模型的能力,并具有更好的泛化能力。

1.2 FV編碼

FV編碼[12]采用了高斯混合模型(Caussian mixture model,GMM)[13]計算密碼本,然后對模型的對數(shù)似然性的參數(shù)進(jìn)行編碼。GMM是表示為多個高斯分布的線性組合的概率密度函數(shù)。GMM表示為

(1)

其中

(2)

(3)

(4)

由于協(xié)方差矩陣Σk被假定為對角線矩陣,因此,可以在較少的時間內(nèi)計算出這些特征向量。特征向量的FV編碼可以通過所有K高斯中心的uk和vk來表示

(5)

FV編碼的維數(shù)為2KD,其中K為高斯數(shù),D為特征向量維。

2 分類模型

2.1 模型結(jié)構(gòu)

由于實際光譜圖像內(nèi)容復(fù)雜,存在的圖像失真種類繁多,并且存在多種失真現(xiàn)象于一張光譜圖中的情況。本文提出了一種基于深度CNN的塑料垃圾分類模型,該模型可以自動提取光譜特征,根據(jù)圖像數(shù)據(jù)實現(xiàn)垃圾精細(xì)分類。由于CNN在大多數(shù)計算機(jī)視覺任務(wù)中的出色表現(xiàn),本文采用CNN體系結(jié)構(gòu)作為基本框架。它使用線性滑動濾波器對輸入圖像進(jìn)行卷積以生成響應(yīng)圖,如果Xi是第i層輸入或輸出的特征圖,則卷積運算可表示為

Xi=Wi?[Xi-1,1]T

(6)

式中Wi=[Wi1,Wi2,…,Wik,bi]為第i層濾波器的參數(shù),?為卷積運算,bi為偏差。卷積獲得的深度卷積特征可以通過合并層合并。匯聚層在滑動窗口子區(qū)域上以最大值或平均值的模式對卷積特征進(jìn)行非線性采樣。它可以大大減少網(wǎng)絡(luò)參數(shù)的數(shù)量。最后經(jīng)過全連接層,可以表示為

yim=WimXi-1+bm

(7)

式中Wim為第i層的第m個濾波器。該層需要固定數(shù)量的輸入和輸出。圖1為DCNN分類的框架結(jié)構(gòu)。

圖1 DCNN模型流程

2.2 訓(xùn)練算法

此次光譜圖像分類的基本流程:根據(jù)五類聚合物圖像數(shù)據(jù)的特性,定義欲分類類別數(shù)目與分類種別,然后選擇并提取光譜特征用于區(qū)分不同塑料類別的判決特征,獲取用于判決準(zhǔn)則的訓(xùn)練數(shù)據(jù),最后依據(jù)判決準(zhǔn)則對多元像素進(jìn)行分類,并檢查分類結(jié)果的精準(zhǔn)性及可靠性。

3 實驗驗證

3.1 實驗設(shè)置與實驗過程

本文研究選擇了四種基于石油的聚合物和一種新型的生物聚合物,這些聚合物在生活中使用最為頻繁。這些聚合物是聚對苯二甲酸乙二醇酯(PET),聚乙烯分為高密度聚乙烯(HDPE)和低密度聚乙烯(LDPE),聚丙烯(PP)和聚苯乙烯(PS),聚乳酸(PLA)是一種新的生物基聚合物,在全世界包裝工業(yè)中得到了廣泛使用,因此也與上面四種傳統(tǒng)聚合物一起被選擇作為實驗對象。

針對上面五種聚合物選取了1 100張具有形狀、表面、光滑度各異的光譜成像圖進(jìn)行訓(xùn)練,測試樣本為2 115個,各類聚合物的數(shù)量如表1所示。通過網(wǎng)絡(luò)對數(shù)據(jù)進(jìn)行反復(fù)訓(xùn)練,最終FV-DCNN模型的均方差明顯呈現(xiàn)下降局勢,錯誤率達(dá)到極小值,為0.009 1。

表1 訓(xùn)練和測試樣本個數(shù)

3.2 實驗結(jié)果與分析

ROC曲線圖為五類聚合物在給定分類器下的真實陽性率和假陽性率,曲線下的面積(area under curve,AUC)介于0和1之間,針對每一類聚合物分別計算了ROC曲線,如圖2所示,PET，H/LDPE，PP，PS，PLA的分類精度分別為91.23 %，91.53 %，91.04 %，91.31 %，91.12 %。

圖2 光譜分類模型的ROC曲線

4 結(jié) 論

本研究提出了一種基于FV-DCNN的塑料垃圾精細(xì)分類方法。采用該方法能夠從塑料垃圾原始光譜圖像中提取分類特征,構(gòu)建深度CNN的分類模型,能夠?qū)ξ孱惥酆衔镞M(jìn)行特征提取、識別及分類,實現(xiàn)了塑料垃圾的單品質(zhì)的高質(zhì)量回收,使各品質(zhì)的廢塑料雜質(zhì)含量低于9 %。到目前為止,如何在不降低分類精度的情況下提高分類速度仍是一個關(guān)鍵點,這也是后續(xù)研究的一個重要方向。