楊旺功，趙一飛

(北京印刷學(xué)院新媒體學(xué)院，北京 102600)

1 引言

垃圾分類是解決垃圾問(wèn)題的有效途徑。雖然我國(guó)已經(jīng)多年嘗試推廣垃圾分類，但由于城市居民環(huán)保意識(shí)和責(zé)任感缺失，且我國(guó)垃圾分類體系不完善，實(shí)際推行效果并未達(dá)到預(yù)期效果。中國(guó)城市環(huán)境衛(wèi)生協(xié)會(huì)提供的數(shù)據(jù)顯示，目前我國(guó)人均生活垃圾年產(chǎn)量為440公斤，全國(guó)城市垃圾的年產(chǎn)量達(dá)1.5億噸，且每年以8%到10%的速度增長(zhǎng)，全國(guó)歷年垃圾存量已超過(guò)60億噸。全國(guó)688座城市(除縣城外)已有2/3的大中城市遭遇垃圾問(wèn)題，每年因垃圾造成的資源損失價(jià)值在250億—300億元[1]。

居民將生活垃圾投放于垃圾收集容器后，被小型環(huán)保專用收集車運(yùn)輸至垃圾轉(zhuǎn)運(yùn)站，再由專用密閉型垃圾車運(yùn)輸至垃圾處理終端地點(diǎn)進(jìn)行統(tǒng)一處理。當(dāng)前國(guó)內(nèi)垃圾分類處理是以人工流水線分揀的方式為主，此方法不僅成本高、勞動(dòng)強(qiáng)度大、效率低下，已經(jīng)不能滿足目前垃圾處理需求。此外，人工分揀出錯(cuò)率高、速度慢，從而導(dǎo)致大部分可重復(fù)利用的垃圾被焚燒或填埋。隨著深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)領(lǐng)域的發(fā)展，基于卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)的圖像分類取得顯著成果，使得利用利用計(jì)算機(jī)視覺(jué)完成垃圾自動(dòng)分類成為可能，將深度學(xué)習(xí)模型與機(jī)械自動(dòng)化技術(shù)融合，應(yīng)用于垃圾分類處理的工作流程，實(shí)現(xiàn)基于深度學(xué)習(xí)的垃圾分類系統(tǒng)，提高垃圾處理的自動(dòng)化水平和可回收垃圾的利用率。因此，基于卷積神經(jīng)網(wǎng)絡(luò)的垃圾圖像分類算法的研究，具有重要的研究?jī)r(jià)值。

2 相關(guān)研究

早期對(duì)垃圾圖像分類的研究采用的是經(jīng)典圖像分類算法[2-5]，需要手工選取特征，并使用分類器完成分類任務(wù)。由于傳統(tǒng)分類算法需要手工提取圖像特征，算法的魯棒性較差，處理時(shí)間長(zhǎng)、過(guò)程復(fù)雜，無(wú)法達(dá)到實(shí)時(shí)處理的效果。隨著卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Network，CNN)的發(fā)展，已經(jīng)被廣泛應(yīng)用于計(jì)算機(jī)視覺(jué)任務(wù)。作為數(shù)據(jù)驅(qū)動(dòng)的算法，卷積神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練參數(shù)少，自動(dòng)特征提取的特點(diǎn)。AlexNet[6]在2012年ImageNet競(jìng)賽中以絕對(duì)優(yōu)勢(shì)大敗所有基于非深度學(xué)習(xí)模型，從而奠定了深度學(xué)習(xí)在視覺(jué)任務(wù)中的地位。隨后，基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)迅猛發(fā)展，如GoogleNet[7]、VGGNet[8]、ResNet[9]等算法有效提升了圖像分類的精度?；趫D像的垃圾分類任務(wù)，在深度學(xué)習(xí)的推動(dòng)下也得到了的長(zhǎng)足的發(fā)展。斯坦福大學(xué)的Mindy Yang和Gary Thung創(chuàng)建TrashNet數(shù)據(jù)集，該數(shù)據(jù)集包括6個(gè)類別，其中每個(gè)圖像僅出現(xiàn)一種類型的垃圾[10]。Ozkaya等在TrashNet數(shù)據(jù)集上比較不同CNN的分類性能，并自建卷積神經(jīng)網(wǎng)絡(luò)和微調(diào)，取得了良好的分類效果[11]。Mittal等自建數(shù)據(jù)集GINI，搭建卷積神經(jīng)網(wǎng)絡(luò)GarbNet，最終實(shí)現(xiàn)了87.69%的準(zhǔn)確率。向偉等使用CaffeNet，調(diào)整卷積核尺寸和網(wǎng)絡(luò)深度，在自建的垃圾圖像數(shù)據(jù)集上獲得95.75%的準(zhǔn)確率[12]。國(guó)內(nèi)基于深度學(xué)習(xí)的垃圾圖像分類研究較少，本文提出一種基于雙線性卷積神經(jīng)網(wǎng)絡(luò)的垃圾圖像分類算法(Trash Classification Net，TCNet)，在網(wǎng)絡(luò)結(jié)構(gòu)中融合了注意力機(jī)制模塊，提高了模型在垃圾分類任務(wù)上的準(zhǔn)確性與魯棒性。

3 算法設(shè)計(jì)

本文構(gòu)建了垃圾圖像分類模型TCNet，其包括特征提取器、分類器兩部分，神經(jīng)網(wǎng)絡(luò)的整體結(jié)構(gòu)如圖1所示。特征提取器由EfficientNet＿B3[13]作為主干部分，并在特征提取器之后加入注意力機(jī)制模塊，最后對(duì)兩個(gè)網(wǎng)絡(luò)提取的特征進(jìn)行雙線性乘積運(yùn)算，以獲得輸入圖像的雙線性特征。分類器由兩層全連接層，設(shè)置每層的隨機(jī)失活率為0.1，最后接Softmax分類器，對(duì)特征提取的特征進(jìn)行分類。

圖1 TCNet網(wǎng)絡(luò)結(jié)構(gòu)

3.1 雙線性神經(jīng)網(wǎng)絡(luò)

研究發(fā)現(xiàn)，人類視覺(jué)處理圖像時(shí)使用兩條通路，即腹側(cè)通路和背側(cè)通路。腹側(cè)通路處理物體的形狀及輪廓，專注于物體的類型識(shí)別；背側(cè)通路主要處理物體的空間信息，專注于物體定位。受人類視覺(jué)識(shí)別機(jī)制的思想啟發(fā)，B-CNN[14]采用雙鏈路的方式，其結(jié)構(gòu)如圖1所示。

B-CNN模型F由一個(gè)四元組表示

F=(fA，fB，P，C)

(1)

fA、fB表示特征提取函數(shù)，P為池化函數(shù)，C為分類函數(shù)。

特征提取函數(shù)f(·)可表示為映射關(guān)系f：L×I→Rc×D，將輸入圖像I和位置L映射為c×D維的特征向量。采用外積運(yùn)算的方法融合fA，fB的輸出，得到雙線性特征。池化函數(shù)P將所有位置的雙線性特征聚合為一個(gè)特征φ(I)。如下式

(2)

式中，l為L(zhǎng)的子區(qū)域，B表示雙線性操作。

B(l，L，fA，fB)=fA(l，I)TfB(l，I)

(3)

外積運(yùn)算的過(guò)程，需要對(duì)其中一個(gè)特征進(jìn)行轉(zhuǎn)置運(yùn)算，輸出特征的維度與卷積特征通道對(duì)應(yīng)，且不同通道表示不同層次的語(yǔ)義特征。雙線性模型的外積運(yùn)算，可以得到不同語(yǔ)義對(duì)象間的關(guān)系。由于卷積特征對(duì)絕對(duì)位置不敏感，且不同語(yǔ)義對(duì)象的相對(duì)位置較穩(wěn)定。因此，雙線性網(wǎng)絡(luò)的外積運(yùn)算可定位語(yǔ)義特征，能夠在一定程度上模擬人類視覺(jué)處理機(jī)制。

3.2 EfficientNet-B3

EfficientNet-B3是系列高效網(wǎng)絡(luò)模型EfficientNet中的一種。通常對(duì)基準(zhǔn)網(wǎng)絡(luò)提升，對(duì)輸入圖像大小、網(wǎng)絡(luò)的深度和寬度(通道數(shù))進(jìn)行擴(kuò)展。文獻(xiàn)[13]對(duì)分辨率、深度和寬度三個(gè)維度進(jìn)行綜合研究，提出了協(xié)調(diào)三個(gè)維度的模型復(fù)合縮放方法。作者設(shè)計(jì)了結(jié)合MBConv和squeeze and excitation方法的EfficientNet-B0作為基準(zhǔn)網(wǎng)絡(luò)，其核心網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 EfficientNet-B0核心結(jié)構(gòu)示意圖

在基準(zhǔn)網(wǎng)絡(luò)EfficientNet-B0基礎(chǔ)上，利用復(fù)合縮放方法對(duì)三個(gè)維度(分辨率、深度和寬度)進(jìn)行調(diào)整優(yōu)化，以期獲得在一定資源限定條件下的準(zhǔn)確率高的模型。其中圖像分辨率、深度和寬度的對(duì)應(yīng)關(guān)系如下式(4)所示

depth：d=αφ

width：w=βφ

resolution：r=γφ

s.t.α·β2·γ2≈2，

α≥1，β≥1，γ≥1.

(4)

其中，α、β、γ是搜索神經(jīng)網(wǎng)絡(luò)所得的常數(shù)；φ是由計(jì)算資源確定的常數(shù)；d、w、r分別表示復(fù)合縮放調(diào)整后的網(wǎng)絡(luò)寬度、深度和分辨率；其約束條件是設(shè)定的計(jì)算量變換倍數(shù)。

3.3 注意力機(jī)制

視覺(jué)注意力機(jī)制(Attention Mechanism)是模仿人類大腦視覺(jué)系統(tǒng)所特有的信號(hào)處理機(jī)制。人類視覺(jué)會(huì)快速掃描整幅圖像，重點(diǎn)關(guān)注目標(biāo)區(qū)域的高價(jià)值信息和興趣區(qū)域；自動(dòng)忽略低價(jià)值信息。人類視覺(jué)注意力機(jī)制有效提高了視覺(jué)信息處理的效率和準(zhǔn)確性。注意力機(jī)制最先應(yīng)用于自然語(yǔ)言處理之后被應(yīng)用于計(jì)算機(jī)視覺(jué)，有效提升了深度學(xué)習(xí)模型的分類、識(shí)別和預(yù)測(cè)的準(zhǔn)確性及效率。注意力機(jī)制的數(shù)學(xué)表達(dá)為

(5)

其中，x表示注意力網(wǎng)絡(luò)的輸入；Z表示特征圖像，A表示輸出；Fφ表示注意力生成函數(shù)。根據(jù)網(wǎng)絡(luò)中注意力機(jī)制結(jié)構(gòu)不同，可分為2種：空間注意力[15](Spatial Attention)和通道注意力[16](Channel Attention)。

1)位置注意力機(jī)制

位置注意力機(jī)制是通過(guò)提取特征圖任意兩個(gè)位置的相關(guān)性和依賴性。利用空間注意力模塊生成一個(gè)空間注意力特征圖，其本質(zhì)是利用任意兩點(diǎn)特征之間的關(guān)聯(lián)，來(lái)相互增強(qiáng)各自特征的表達(dá)。通過(guò)計(jì)算空間關(guān)聯(lián)度的方法獲得位置權(quán)重，有效彌補(bǔ)膨脹卷積造成的空間信息丟失和提高小目標(biāo)的檢測(cè)率。位置注意力機(jī)制的模型結(jié)構(gòu)如圖3所示。

圖3 空間注意力模塊

首先特征圖A經(jīng)過(guò)卷積操作得到三個(gè)特征圖B、C、D，維度均為C×H×W，隨后將B、C、D進(jìn)行維度轉(zhuǎn)換為C×N(N=H×W)；矩陣B的轉(zhuǎn)置與C相乘，通過(guò)softmax獲得空間注意力特征S(N×N)；矩陣S的轉(zhuǎn)置乘以D，乘以尺度系數(shù)后(維度為C×H×W)，再與特征圖A相加，得到輸出E(維度為C×H×W)。其數(shù)學(xué)表達(dá)如下式所示

(6)

其中，i，j分別表示維度轉(zhuǎn)換后N的序列。

(7)

2)通道注意力機(jī)制

通常對(duì)卷積、池化層之后，對(duì)每一個(gè)通道的特征圖進(jìn)行相同的操作，認(rèn)為每一個(gè)通道同等重要。真實(shí)情況是不同卷積核生成的特征圖對(duì)于分類任務(wù)的重要性不同，通道注意力機(jī)制可以為不同通道的特征圖賦予不同的權(quán)重，有效地過(guò)濾通道信息。圖4是通道注意力機(jī)制模型結(jié)構(gòu)。

圖4 通道注意力模塊

在通道注意力模塊中，對(duì)特征圖的空間維度進(jìn)行壓縮操作(1×1×C)，然后進(jìn)行激發(fā)操作，為每個(gè)特征通道生成權(quán)重值，最后將該權(quán)重應(yīng)用于原來(lái)的每個(gè)特征通道。對(duì)于特定的分類任務(wù)，訓(xùn)練過(guò)程即為訓(xùn)練通道的權(quán)重。

4 仿真結(jié)果及分析

4.1 仿真環(huán)境

實(shí)驗(yàn)采用由斯坦福大學(xué)Gary Thung和Mindy Yang收集的垃圾圖像數(shù)據(jù)集TrashNet，其圖像分類為硬紙板、玻璃、金屬、紙張、塑料或垃圾，測(cè)試數(shù)據(jù)集樣本總數(shù)為2527張。

圖5 垃圾圖像分類數(shù)據(jù)集樣本

本研究按訓(xùn)練與驗(yàn)證樣本的比例為7：3進(jìn)行隨機(jī)劃分。最終訓(xùn)練樣本1769幅圖像，驗(yàn)證樣本758幅圖像，各分類的樣本分布如表1所示。

表1 實(shí)驗(yàn)樣本分別情況

本研究的實(shí)驗(yàn)電腦配置為PC Intel(R) Xeon(R) CPU E5-2640 v2 @ 2.00GHz的CPU、8GB的Nvidia Geforce GTX 1070 GPU和64G運(yùn)行內(nèi)存。所有的程序均是由Python語(yǔ)言編寫并調(diào)用CUDA、Cudnn、OPENCV庫(kù)并在Windows7統(tǒng)下運(yùn)行。

4.2 評(píng)價(jià)指標(biāo)

本研究采用準(zhǔn)確率(accuracy)對(duì)實(shí)驗(yàn)進(jìn)行評(píng)估，其含義如式(8)所示

(8)

式中，真陽(yáng)性(true positive，TP)表示樣本真實(shí)為正被預(yù)測(cè)為正的個(gè)數(shù)；假陽(yáng)性(false positive，F(xiàn)P)表示樣本真實(shí)為負(fù)而被預(yù)測(cè)為正的個(gè)數(shù)；真陰性(true negative，TN)表示樣本真實(shí)為負(fù)且被預(yù)測(cè)為負(fù)的個(gè)數(shù)；假陰性(false negative，F(xiàn)N)表示樣本真實(shí)為正而被錯(cuò)誤地預(yù)測(cè)為陰性的個(gè)數(shù)。

4.3 仿真及分析

采用TCNet的網(wǎng)絡(luò)結(jié)構(gòu)，它是對(duì)EfficientNet的改進(jìn)，并在TrashNet數(shù)據(jù)集上完成仿真。實(shí)驗(yàn)每個(gè)訓(xùn)練批次為16，采用RMSprop優(yōu)化函數(shù)，初始學(xué)習(xí)率為0.0001，rho為0.9，epsilon為1e-6，全連接層后添加Dropout機(jī)制，Dropout值為0.1。訓(xùn)練過(guò)程如圖所示。

圖6 TCNet網(wǎng)絡(luò)實(shí)驗(yàn)仿真過(guò)程

為了進(jìn)一步驗(yàn)證TCNet網(wǎng)絡(luò)的有效性，將特征提取網(wǎng)絡(luò)的最后特征圖。本文采用加權(quán)梯度類激活熱力圖(Gradient-weighted Class Activation Mapping，Grad-CAM)[17]方法對(duì)TCNet模型進(jìn)行可視化解釋。該方法通過(guò)構(gòu)建熱力圖以顯示輸入的圖像中具體區(qū)域?qū)D像最終的分類判斷起到了關(guān)鍵作用。如圖所示特征圖的熱力圖的聚焦位置基本都位于圖像中的目標(biāo)位置。

圖7 TCNet網(wǎng)絡(luò)激活熱力圖

目前，對(duì)垃圾圖像分類任務(wù)大多采用神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn)完成。為了更客觀評(píng)價(jià)本模型的性能，本文對(duì)典型的模型和方法進(jìn)行比較。所有實(shí)驗(yàn)使用相同的分類網(wǎng)絡(luò)結(jié)構(gòu)，特征提取使用經(jīng)典模型模型結(jié)構(gòu)，并在TrashNet數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)仿真，仿真結(jié)果如表2所示。

可以看出，針對(duì)于TrashNet數(shù)據(jù)集，EfficientNet的分類準(zhǔn)確率優(yōu)于VGG19和InceptionV。EfficientNetB3的輸入圖像更大，結(jié)構(gòu)更復(fù)雜，分類性能優(yōu)于EfficientNetB0。在EfficientNetB3的基礎(chǔ)上，添加了通道注意力模塊，學(xué)習(xí)通道間的非線性關(guān)系，提高關(guān)鍵特征的表達(dá)力。TCNet采用雙線性匯合的方法計(jì)算不同空間位置的外積，并對(duì)不同空間位置計(jì)算平均匯合以得到雙線性特征，最優(yōu)的分類準(zhǔn)確率為93.13%。

表2 不同方法對(duì)垃圾圖像數(shù)據(jù)集的準(zhǔn)確率

5 結(jié)論

1)對(duì)于垃圾圖像分類，相較于其它經(jīng)典模型，EfficientNet圖像分類模型實(shí)現(xiàn)了較先進(jìn)的分類精度。

2)注意力機(jī)制有利于垃圾圖像分類工作，能夠提取更準(zhǔn)確的特征，使特征圖具備更豐富的語(yǔ)義信息。

3)采用雙線性融合方法，對(duì)于圖像的不同位置進(jìn)行外積運(yùn)算，從而得到雙線性特征，使其具有高級(jí)表達(dá)能力的垃圾圖像特征信息。