基于Faster RCNN的生活垃圾智能识别
利用Faster RCNN算法实现生活垃圾的高精度识别.选取典型的6种生活垃圾建立数据集,采用数据增强方法提升了数据集目标数量及目标类别、尺度均衡性,分析对比三种具有显著差异的主干网络VGG-16、Res101、MobileNet_v1的精度、速度及泛化性能.采用结合特异层微调的端到端训练策略,对低识别率样本开展增强训练,由此获得了最低为92.85%的均值平均精度(mAP),随后对误识别样本中提取的三种典型错误进行优化,将最高mAP提高到99.23%.此外,设计含816张图片的背景数据集测试算法在多变背景下的泛化性能,发现复杂垃圾背景对检测精度的影响最大,且泛化性能与网络收敛性能趋势一致,即从优到劣排序依次为Res101、VGG-16、MobileNet_v1.最后,基于可回收垃圾倾向高精度指标及有害垃圾倾向高召回率指标的原则,分析并得到算法最优检测概率阈值的设置方法.
图像处理、目标检测、垃圾识别、数据增强、神经网络训练、背景干扰
57
TP391.4;X705(计算技术、计算机技术)
2020-12-04(万方平台首次上网日期,不代表论文的发表时间)
共7页
131-137