基于分数阶多尺度方向纹理描述符与轻量化CNN融合的智能废物分类框架

《Scientific Reports》：A hybrid deep learning framework with fractional multi-scale directional texture features for automated waste classification

　　

摘要

准确的废物图像分类对于智能回收和可持续废物管理系统至关重要。然而，由于物体形状不规则、光照变化、复杂背景以及标注数据有限，可靠的废物识别仍然充满挑战。尽管深度学习方法已取得可喜成果，但它们通常需要大型训练数据集，且可能无法有效捕捉区分视觉相似废物类别所需的细粒度纹理特征。本研究提出了一种用于自动废物分类的手工艺与深度学习混合框架。该方法采用分数阶多尺度方向纹理描述符（FMSDTD）从废物图像中提取判别性的分数阶、多尺度和方向性纹理特征。这些手工制作的特征有效刻画了塑料、金属、纸张、纸板、玻璃和有机废物中常见的材料特定表面图案。提取的纹理特征与轻量级卷积神经网络（CNN）生成的深度特征进行融合，实现局部纹理与高级形状信息的互补表示，同时保持计算效率。随后使用支持向量机（SVM）对合并特征集进行分类，以实现九类废物识别。在公开的RealWaste数据集上进行的实验证明了所提框架的有效性，分类准确率达到97.32%。结果表明，将FMSDTD与CNN特征集成可提高特征的判别性与鲁棒性，为智能废物分类与回收应用提供了一种准确且计算高效的解决方案。