(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211109135.2 (22)申请日 2022.09.13 (71)申请人 浙江蓝景 科技有限公司杭州分公司 地址 310000 浙江省杭州市钱塘新区下沙 街道杭州 东部国际商务中心1幢1107 室 申请人 浙江蓝景 科技有限公司 (72)发明人 陈光辉　贺玮　方敏　陈亚红　 周一帆　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 郑海峰 (51)Int.Cl. G06V 20/10(2022.01) G06V 20/70(2022.01)G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/20(2022.01) (54)发明名称 海洋塑料垃圾材质识别方法、 系统、 电子设 备和存储介质 (57)摘要 本发明公开了一种海洋塑料垃圾材质识别 方法、 系统、 电子设备和存储介质， 属于图像识别 领域。 采集海洋塑料垃圾高光谱图像， 标记第一 识别标签； 训练集成式分类识别模型， 获取图像 的第二识别标签及识别概率， 若识别概率小于预 设标准， 则标记第三识别标签， 并对比图像的第 一、 二识别标签， 若对比结果不一致， 则属于误 判， 存入第二训练集， 利用第二训练集对模型进 行优化； 采用训练好的集 成式分类识别模型对待 识别的海洋塑料垃圾进行识别。 本发 明通过集成 式分类识别模型融合一维DNN模型、 LS ‑SVM模型、 三维CNN模型三种分类模型， 随机采样得到多种 图像样本集对集成式分类识别模 型进行训练， 可 实现高准确率、 高效率的海洋塑料垃圾材质识 别。 权利要求书2页 说明书11页 附图4页 CN 115187870 A 2022.10.14 CN 115187870 A 1.一种海洋塑料 垃圾材质识别方法， 其特 征在于， 包括： 对海洋塑料垃圾进行高光谱图像采集， 标记第一识别标签， 对高光谱图像预处理后得 到第一训练集； 利用第一训练集对集成式分类识别模型进行训练， 利用集成式分类识别模型获取图像 的第二识别标签及对应的识别概率， 利用分类筛选模型判断识别概率是否小于预设标准， 若是， 则标记第三识别 标签； 所述的集成式分类识别模型分别采用一维DNN模型、 LS ‑SVM模 型、 三维CN N模型作为第一层中的基学习器； 训练阶段， 针对带有第三识别标签的图像， 对比图像的第一识别标签与第二识别标签 的结果， 若结果不一致， 则将图像标记为误判， 存入第二训练集， 利用第二训练集对集成式 分类识别模型进行优化； 采用训练好的集成式分类识别模型对待识别的海洋塑料垃圾进行分类， 得到识别结 果。 2.根据权利要求1所述的一种 海洋塑料垃圾材质识别方法， 其特征在于， 所述的对高光 谱图像预处 理时， 通过替换原 始高光谱图像的背景色， 对高光谱图像进行 校正， 公式为： 其中， 表示校正后的高光谱图像， (x,  y)表示高光谱图像中的像素点坐标位 置， 表示波长； 表示原始高光谱图像； 表示黑背景参考图像； 表示是白背景参 考图像。 3.根据权利要求1所述的一种 海洋塑料垃圾材质识别方法， 其特征在于， 所述的第 一训 练集中包 含第一图像样本集、 第二图像样本集和第三图像样本集， 获取 方法为： 结合高光谱图像的第一识别标签的类型， 针对由多种目标类型的组合方式， 从预处理 后的高光谱图像中随机取 出不同数量的样本图像， 构成第一图像样本集； 针对每一种目标类型， 从预处理后的高光谱图像中随机取出不同数量的样本 图像， 构 成第二图像样本集； 在所有的目标类型之外， 引入异类标签样本， 针对至少包含一种异类标签和一种目标 类型标签的多种类型的组合方式， 从预处理后的高光谱图像中随机取出不同数量的样本图 像， 构成第三图像样本集。 4.根据权利要求1所述的一种海洋塑料垃圾材质识别方法， 其特征在于， 所述的一维 DNN模型对高光谱图像进 行识别时， 通过对高光谱图像进 行重建， 提取重 建后的高光谱图像 的颜色特 征、 纹理特征和边缘特征。 5.根据权利要求4所述的一种 海洋塑料垃圾材质识别方法， 其特征在于， 所述的对高光 谱图像进行重建的公式为： M=Cr+k 其中， M是重建后的高光谱图像， 代表 RGB强度的3*1 向量； C是原始高光谱图像， r是高光 谱图像归一 化的反射 率强度向量， k代 表系统噪声向量。 6.根据权利要求1所述的一种海洋塑料垃圾材质识别方法， 其特征在于， 采用K折交叉权　利　要　求　书 1/2 页 2 CN 115187870 A 2验证的方式分别训练一维DNN模 型、 LS‑SVM模型、 三维CNN模 型共计三种分类模 型， 针对每一 个分类模型， 每一次训练均保留1/K数据作为测试集； 将训练好的三种分类模型对应的测试 集的预测结果作为第二层的元学习器的输入， 结合预测集的真实标签完成对第二层的元学 习器的训练。 7.一种海洋塑料 垃圾材质识别系统， 其特 征在于， 包括： 高光谱图像采集模块， 其用于对 海洋塑料 垃圾进行高光谱图像采集； 云平台， 其用于对采样得到的高光谱图像进行预处理并输出海洋塑料材质类型的识别 结果； 所述的云平台包括： 高光谱图像预处理模块， 其用于替换原始高光谱图像的背景色， 对高光谱图像进行校 正； 第一训练集模块， 其用于对预处理后的高光谱图像样本随机采样， 并标记第一识别标 签， 构建第一训练集； 集成式分类识别模型模块， 其分别采用一维DNN模型、 LS ‑SVM模型、 三维CNN模型作 为集 成式分类识别模型第一层中的基学习器， 用于对预处理后的高光谱图像进行材质 类型识 别， 输出第二识别标签及对应的识别概 率； 分类筛选模型模块， 其用于在集成式分类识别模型训练阶段， 判断集成式分类识别模 型输出的识别概 率是否小于预设标准， 若是， 则标记第三识别标签； 第二训练集模块， 其用于获取带有第三识别标签的图像， 对比图像的第一识别标签与 第二识别标签的结果， 若结果 不一致， 则将图像标记为 误判， 存入第二训练集； 训练模块， 其用于对集成式分类识别模型模块进行训练和优化。 8.根据权利要求7所述的一种 海洋塑料垃圾材质识别系统， 其特征在于， 所述的第 一训 练集模块中， 对预 处理后的高光谱图像样本随机采样时， 分别采样得到第一图像样本集、 第 二图像样本集和第三图像样本集； 具体为： 结合高光谱图像的第一识别标签的类型， 针对由多种目标类型的组合方式， 从预处理 后的高光谱图像中随机取 出不同数量的样本图像， 构成第一图像样本集； 针对每一种目标类型， 从预处理后的高光谱图像中随机取出不同数量的样本 图像， 构 成第二图像样本集； 在所有的目标类型之外， 引入异类标签样本， 针对至少包含一种异类标签和一种目标 类型标签的多种类型的组合方式， 从预处理后的高光谱图像中随机取出不同数量的样本图 像， 构成第三图像样本集。 9.一种电子设备， 其特征在于， 包括处理器和存储器， 所述存储器存储有能够被所述处 理器执行 的机器可执行指令， 所述处理器执行所述机器可执行指令以实现权利要求1 ‑6任 一项所述的海洋塑料 垃圾材质识别方法。 10.一种机器可读存储介质， 其特征在于， 该机器可读存储介质存储有机器可执行指 令， 该机器可执行指 令在被处理器调用和执行时， 用于实现权利要求 1‑6任一项所述的海洋 塑料垃圾材质识别方法。权　利　要　求　书 2/2 页 3 CN 115187870 A 3