基于元学习的改进小样本目标检测法在废品识别分类的研究

作     者：孟青 

作者单位：安徽理工大学 

学位级别：硕士

导师姓名：于瓅

授予年度：2022年

学科分类：12[管理学] 083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：元学习 小样本目标检测法 度量学习 非线性分类器 空间特征区域匹配 前景关注 

摘      要：目前,废品正确的分类困扰着居民的正常生活。主流废品识别分类系统是使用R-CNN来做识别,但R-CNN泛化能力弱,相对于困难样本(例如:遮挡,形变等),R-CNN只能通过增多训练样本来提高检测精度。再加上现实生活中的场景长尾效应,则需要更多训练样本。其次,智能废品识别分类系统的研究主要集中在废品箱或小程序的单一结构设计上。然而,这缺乏将两者结合在一起的组合结构。(1)针对传统R-CNN泛化能力弱等问题,本文首先对传统的R-CNN算法进行改进,运用元学习的方法,将从数据丰富的基类中学习到的元知识转移到数据稀缺的新类中。对粗粒度原型匹配网络进行改进,使用基于度量学习的非线性分类器而不是传统的线性目标分类器来处理查询图像中候选框和新类之间的相似度,从而提高了小样本新类候选框的召回率。对细粒度原型匹配网络进行改进,添加了一个带有空间特征区域匹配和前景关注的模块来处理噪声候选框和小样本新类的相似度,以解决候选框特征和类原型之间的空间区域不匹配,从而提高整体检测精度。本文改进的算法在The PASCAL VOC数据集的大部分样本指标中,比以前最先进算法的性能高出3.0m AP50以上。在MSCOCO数据集上实现了类似的精度提升。其次设计了一个小样本检测器,将基于softmax的分类器和本文设计的小样本检测器放在一起考虑,利用这两种检测器的优势,通过使用本文的小样本检测器的来共享特征主干网络,联合学习一个Faster R-CNN检测头,用来检测基类和新类。做到了在保持原有检测精度的基础上,扩大了检测范围。(2)本文将小程序和废品箱进行软硬件结合,软件部分基于微信小程序,包括一个小程序端和一个服务器端。小程序端负责显示前端界面,而服务器端主要负责与小程序端进行交互。这种交互具有以下几个功能:系统主页、图像识别、文本识别及积分测验。硬件部分以树莓派为基础,并分为树莓派和废品箱本身,前者充当后者“大脑,将本文改进的算法模型部署到树莓派中,负责对废品进行识别、分类及入箱,此外,还可以完成图像拍摄等功能,并通过自动播报功能给用户提出废品分类的建议。图24表14参77