基于FV-DCNN的塑料垃圾精细分类模型*

吴谊平,张 宇,李 鸣

(南昌大学 信息工程学院,江西 南昌 330000)

0 引 言

如今塑料的使用随处可见,据预测,到2030年全球可能会有1.11亿公吨塑料垃圾无处可去。随着塑料原材料价格快速上涨、进口固废禁令和生态文明城市发展,将倒逼我国城镇塑料垃圾要做好高质化利用的后端处理。由于塑料聚合物各类特性对分类精度影响较大,国内外的专家学者对此做了大量研究。Pascoe R D[1]提出了按颜色分类聚合物,去除有色杂质,该方法只能实现粗类分拣,不能识别聚合物,仅用于分色。Hearn G I等人[2]使用摩擦电/静电分离对塑料进行分类,但是此方法只适用于介电常数相差较大的塑料材质,而且要求干燥清洁的塑料表面。Agüera F等人[3]通过图像中包含的纹理信息来进行塑料材质的分类。Negre E等人[4]针对图像的激光诱导技术实现塑料垃圾的分类。上述方法存在特征检测不明显与检测效率低下等缺点。国内现有光谱图法分类正确率不高,无法实现精细分类。针对此问题,提出一种基于Fisher向量(FV)-时滞细胞神经网络(delayed cellular neural network,DCNN)的塑料垃圾精细分类模型,使精细分类成为可能。

卷积神经网络(convolutional neural network,CNN)[5]已经在图像分类方面取得了巨大的成功。首先利用自适应卷积对近红外光谱[6]进行建模,构建端到端自适应CNN,然后通过自适应卷积和渗漏整流线性单元(LeakyReLU)激活函数提取输入的噪声图像特征,最后重构完成之后使用均方差(mean square error,MSE)损失函数获得初始去噪光谱图像。由于光谱图像动态采集,所以光谱图像内容复杂,最后再结合FV[7]编码对光谱图像进行表征,结合接收机工作特性[8](receiver operating characteristic curve,ROC)曲线分析分类结果。

该方法针对塑料光谱图像可以快速识别、提取及分类,将深度CNN在图像分类方面取得的巨大成功应用到了新型应用场景,对于塑料垃圾的精准精细分类提供了可靠的分类方法,具有很好的应用前景。

1 模型理论基础

1.1 深度CNN

Lawrence S等人[9]于1997年提出的CNN近年来已成为一个热点,具有很强的泛化能力。就其自身的特征(例如权重共享,局部感知,合并操作和多层结构)而言,CNN在图像处理和计算机视觉方面已获得更好的性能。它可以更有效地将低级像素投影到高级像素,从而可以减少像素图的尺寸。同时,CNN还可以通过使用现代图形处理单元(graphic processing unit,GPU)上的计算来有效地提高训练网络模型的效率。在CNN的训练阶段,神经网络的训练精度将首先提高并达到饱和,然后随着网络深度的增加,训练精度将降低。提出了残差学习来解决神经网络的退化问题。如果残差映射易于学习且浅层网络具有饱和精度,则在网络框架中添加一些一致的映射层不会增加错误。

随着深度学习已成为机器学习领域的研究重点,深度CNN已成功应用于图像识别[10],纹理分类和语音识别[11]等领域。CNN可以为图像降噪提供新思路,尤其是在高噪声环境下。由于CNN具有比其他传统降噪方法更强大的学习能力,因此,可以有效提高不同噪声水平的图像降噪模型的能力,并具有更好的泛化能力。

1.2 FV编码

FV编码[12]采用了高斯混合模型(Caussian mixture model,GMM)[13]计算密码本,然后对模型的对数似然性的参数进行编码。GMM是表示为多个高斯分布的线性组合的概率密度函数。GMM表示为

(1)

其中

(2)

(3)

(4)

由于协方差矩阵Σk被假定为对角线矩阵,因此,可以在较少的时间内计算出这些特征向量。特征向量的FV编码可以通过所有K高斯中心的uk和vk来表示

(5)

FV编码的维数为2KD,其中K为高斯数,D为特征向量维。

2 分类模型

2.1 模型结构

由于实际光谱图像内容复杂,存在的图像失真种类繁多,并且存在多种失真现象于一张光谱图中的情况。本文提出了一种基于深度CNN的塑料垃圾分类模型,该模型可以自动提取光谱特征,根据图像数据实现垃圾精细分类。由于CNN在大多数计算机视觉任务中的出色表现,本文采用CNN体系结构作为基本框架。它使用线性滑动滤波器对输入图像进行卷积以生成响应图,如果Xi是第i层输入或输出的特征图,则卷积运算可表示为

Xi=Wi⊗[Xi-1,1]T

(6)

式中Wi=[Wi1,Wi2,…,Wik,bi]为第i层滤波器的参数,⊗为卷积运算,bi为偏差。卷积获得的深度卷积特征可以通过合并层合并。汇聚层在滑动窗口子区域上以最大值或平均值的模式对卷积特征进行非线性采样。它可以大大减少网络参数的数量。最后经过全连接层,可以表示为

yim=WimXi-1+bm

(7)

式中Wim为第i层的第m个滤波器。该层需要固定数量的输入和输出。图1为DCNN分类的框架结构。

图1 DCNN模型流程

2.2 训练算法

此次光谱图像分类的基本流程:根据五类聚合物图像数据的特性,定义欲分类类别数目与分类种别,然后选择并提取光谱特征用于区分不同塑料类别的判决特征,获取用于判决准则的训练数据,最后依据判决准则对多元像素进行分类,并检查分类结果的精准性及可靠性。

3 实验验证

3.1 实验设置与实验过程

本文研究选择了四种基于石油的聚合物和一种新型的生物聚合物,这些聚合物在生活中使用最为频繁。这些聚合物是聚对苯二甲酸乙二醇酯(PET),聚乙烯分为高密度聚乙烯(HDPE)和低密度聚乙烯(LDPE),聚丙烯(PP)和聚苯乙烯(PS),聚乳酸(PLA)是一种新的生物基聚合物,在全世界包装工业中得到了广泛使用,因此也与上面四种传统聚合物一起被选择作为实验对象。

针对上面五种聚合物选取了1 100张具有形状、表面、光滑度各异的光谱成像图进行训练,测试样本为2 115个,各类聚合物的数量如表1所示。通过网络对数据进行反复训练,最终FV-DCNN模型的均方差明显呈现下降局势,错误率达到极小值,为0.009 1。

表1 训练和测试样本个数

3.2 实验结果与分析

ROC曲线图为五类聚合物在给定分类器下的真实阳性率和假阳性率,曲线下的面积(area under curve,AUC)介于0和1之间,针对每一类聚合物分别计算了ROC曲线,如图2所示,PET，H/LDPE，PP，PS，PLA的分类精度分别为91.23 %，91.53 %，91.04 %，91.31 %，91.12 %。

图2 光谱分类模型的ROC曲线

4 结 论

本研究提出了一种基于FV-DCNN的塑料垃圾精细分类方法。采用该方法能够从塑料垃圾原始光谱图像中提取分类特征,构建深度CNN的分类模型,能够对五类聚合物进行特征提取、识别及分类,实现了塑料垃圾的单品质的高质量回收,使各品质的废塑料杂质含量低于9 %。到目前为止,如何在不降低分类精度的情况下提高分类速度仍是一个关键点,这也是后续研究的一个重要方向。