(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 202211366465.X (22)申请日 2022.11.03 (71)申请人 湖北信通 通信有限公司 地址 430040 湖北省武汉市东西湖区吴家 山八方路2 9号 (72)发明人 张小翠　卢华　彭航　梁佳　陈挚　 (74)专利代理 机构 武汉知律知识产权代理事务 所(普通合伙) 42307 专利代理师 田常娟 (51)Int.Cl. G06V 10/774(2022.01) G06Q 10/06(2012.01) G06Q 10/00(2012.01) G06V 10/40(2022.01) G06V 10/764(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 基于废旧物资的质量分析方法及装置 (57)摘要 本发明涉及一种基于废旧物资的质量分析 方法及装置， 包括： 接受包括废旧物资训练集， 其 中废旧物资训练集由废金属图片、 废生活用品图 片、 废塑料图片及废陶瓷图片组成， 将废旧物资 训练集输入至废旧物资识别模型中执行训练得 到训练完成的废旧物资识别模型， 将待分类的废 旧物资图输入至训练完成的废旧物资识别模型 执行分类， 若分类结果为废陶瓷或废金属， 则确 定该待分类的废旧物资图为质量待鉴定物资图， 对所述质量待鉴定物资图执行裂纹判断， 若质量 待鉴定物资图存在裂纹， 则鉴定为低质量物资， 若质量待鉴定物资图不存在裂纹， 则鉴定为高质 量物资。 本发 明可以解决传统方法无法端到端实 现废旧物资 分类及质量 鉴定的问题。 权利要求书4页 说明书12页 附图3页 CN 115424095 A 2022.12.02 CN 115424095 A 1.一种基于废旧物资的质量分析 方法， 其特 征在于， 所述方法包括： 接受包括真实标签的废旧物资训练集； 将所述废旧物资训练集输入至预构建的废旧物资识别模型中执行训练， 其中废旧物资 识别模型按从左到右的顺序包括两组并排的特征提取层、 一组特征融合层及一组分类器组 成， 其中第一组特征提取层由改进的卷积层和 最大池化层按顺序组成， 第二组特征提取层 由卷积层、 池化层和改进的注意力机制层组成； 利用第一组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取， 得到 第一特征图， 其中改进的卷积层的卷积运 算采用如下计算公式： 其中， c表示改进的卷积层中卷积核总数， 表示废旧物资训练集中第i张废旧物资图 的第k个通道的通道图， 表示 经过改进的卷积层中所有的卷积核执行卷积操作后得 到第k个通道图的卷积特征， K为废旧物资训练集的通道总数， 表示与通道数k对应的第 c个卷积核函数， 表示与第i张废旧物资图及第c个卷积核函数对应的偏置值， 表示卷 积运算， 卷积运 算如下所示： 其中， 表示第i张废旧物资图中像素位置 与 执行卷积运算后得到的 像素值， 表示以像素位置 为左上角顶点所确定的矩 形区域m， L为 矩形区域的长， W为矩形区域的宽， 表示卷积核函数与 矩形区域 m中每个像素均执 行卷积运算； 利用第二组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取， 得到 第二特征图， 其中改进的注意力机制层的注意力运 算采用如下计算公式： 其中， 表示第i张废旧物资图中像 素位置 执行注意力运算后得到的像 素 值， g表示激 活函数， 为第一重权重值， 为第二重权重值， 为第i张废旧物资图 经过平均池化后得到像素值， 为第i张废旧物资图经 过最大池化后得到像素值； 将所述第一特征图和第二特征图在特征融合层中执行特征融合， 得到融合特征， 将所 述融合特 征作为分类 器的输入计算得到预测标签； 计算每个预测标签与真实标签的误差值， 根据误差值调节所述废旧物资识别模型的模 型参数， 其中模型参数包括所述偏 置值、 第一重权重值及第二重权重值， 直至误差值小于预 设阈值， 得到训练完成的废旧物资识别模型；权　利　要　求　书 1/4 页 2 CN 115424095 A 2接收待分类的废旧物资图， 将待分类的废旧物资图输入至训练完成的废旧物资识别模 型执行分类， 若分类结果为废陶瓷或废金属， 则确定该待分类的废旧物资图为质量待鉴定 物资图； 对所述质量待鉴定物资图执行裂纹判断， 若质量待鉴定物资图存在裂纹， 则鉴定为低 质量物资， 若质量待鉴定物资图不存在裂纹， 则鉴定为高质量物资。 2.如权利要求1所述的基于废旧物资的质量分析方法， 其特征在于， 所述第 一组特征提 取层共8层， 其中第1、 3、 5层为改进的卷积层， 第2、 4、 6、 8层为最大池化层， 第7层为普通的卷 积层； 第一组特征提取层共6层， 其中第1、 3层为普通的卷积层， 第2、 4层分别为平均池化层 和最大化池化层， 第5层为改进的注意力机制层， 第6层为 最大化池化层。 3.如权利要求2所述的基于废旧物资的质量分析方法， 其特征在于， 所述利用第 一组特 征提取层对所述废旧物资训练集中每张废旧物资图执 行特征提取， 得到第一特 征图， 包括： 获取所述废旧物资训练集中每张废旧物资图的通道图； 将每张废旧物资图的每 个通道图依次输入 共8层的第一组特 征提取层； 按照第一组特征提取层的结构， 依次经过改进的卷积层、 最大化池化层、 普通的卷积 层， 得到所述第一特 征图。 4.如权利要求2所述的基于废旧物资的质量分析方法， 其特征在于， 所述利用第 二组特 征提取层对所述废旧物资训练集中每张废旧物资图执 行特征提取， 得到第二特 征图， 包括： 获取所述废旧物资训练集中每张废旧物资图的通道图； 将每张废旧物资图的每 个通道图依次输入 共6层的第二组特 征提取层； 按照第二组特征提取层的结构， 依次经过普通的卷积层、 平均池化层、 最大化池化层及 改进的注意力机制层得到所述第二特 征图。 5.如权利要求4所述的基于废旧物资的质量分析方法， 其特征在于， 所述计算每个预测 标签与真实标签的误差值， 包括： 将每个预测标签与真实标签映射 为[0,1]区间内的数值； 采用如下公式计算得到每 个预测标签与真实标签的误差值： 其中， 表示第i张废旧物资图的预测标签 与真实标签 的误差值， 表示 与预测标签 对应的映射数值， 表示与预测标签 对应的映射数值。 6.如权利要求5所述的基于废旧物资的质量分析方法， 其特征在于， 所述对所述质量待 鉴定物资图执 行裂纹判断， 包括： 提取所述质量待鉴定物资图的像素矩阵； 依次计算所述像素矩阵中每一行像素值的像素平均值和像素 标准差； 根据每一行的像素 标准差， 依次计算出像素矩阵中每一行的每一个 像素的滤波值； 将滤波值大于滤波阈值的像素值用对应行的像素平均值 替代， 得到物资滤波图； 基于YOLO构建裂纹识别 模型， 并基于具有裂纹和不具有裂纹的物资图训练所述裂纹识 别模型， 得到训练完成的裂纹识别模型； 利用所述裂纹识别模型识别所述物资滤波图是否具有裂纹。权　利　要　求　书 2/4 页 3 CN 115424095 A 3