s3由卷积深度神经网络构成垃圾分类模型：第一层由两层卷积层和一层池化层组成，第二层由两层卷积层和一层池化层组成，第三层由四层卷积层和一层池化层组成，第四层由四层卷积层和一层池化层组成，第五层由四层全连接层组成；
s5将待分类的垃圾照片预处理后输入到训练后的垃圾分类模型，输出分类结果。
2.根据权利要求1所述的方法，其特征是s1中将数据集按照一定比例划分成训练测试集和验证集。
3.根据权利要求2所述的方法，其特征是s4中使用10折交叉验证方法将训练测试集划分为测试集和训练集，利用划分后的测试集和训练集训练垃圾分类模型，使用验证集根据代价函数计算垃圾分类模型的代价，根据代价选择最优的垃圾分类模型。
s401使用十折交叉验证法对训练测试集进行划分和验证，训练测试集中的十分之一作为测试集，剩余的十分之九作为训练集；
s404根据代价进行反向传播修改垃圾分类模型的参数直到得到最优的垃圾分类模型。
5.根据权利要求1-4任一所述的方法，其特征是s3中对垃圾分类模型使用batch-normal、prelu激活函数、dropout方法中一种或几种进行优化。
6.根据权利要求5所述的方法，其特征是s2中对数据集中进行图片降噪、二值化、字符切分以及归一化的预处理。
7.根据权利要求6所述的方法，其特征是s5中利用opencv读取待分类的垃圾照片预处理后输入到训练后的垃圾分类模型，输出分类结果。
8.一种基于人工智能的垃圾分类识别系统，其特征是包括数据集建立模块、图片预处理模块、垃圾分类模型建立模块、训练模块及垃圾分类模块，
数据集建立模块建立数据集：收集垃圾照片，并对垃圾照片进行类别标注，构成数据集；
垃圾分类模型建立模块利用卷积深度神经网络构成垃圾分类模型：第一层由两层卷积层和一层池化层组成，第二层由两层卷积层和一层池化层组成，第三层由四层卷积层和一层池化层组成，第四层由四层卷积层和一层池化层组成，第五层由四层全连接层组成；
训练模块使用图片预处理模块中预处理后的数据集训练垃圾分类模型建立模块中的垃圾分类模型；
垃圾分类模块将待分类的垃圾照片预处理后输入到训练后的垃圾分类模型，输出分类结果。
本发明公开一种基于人工智能的垃圾分类识别方法，涉及图像处理技术领域；建立数据集，对数据集中的垃圾图片进行预处理；由卷积深度神经网络构成垃圾分类模型，使用步骤预处理后的数据集训练垃圾分类模型；将待分类的垃圾照片预处理后输入到训练后的垃圾分类模型，输出分类结果；本发明方法通过建立的深度神经网络训练垃圾图集完成垃圾识别模型的建立，利用建立的垃圾识别模型对投放的垃圾进行准确识别，可以提高用户垃圾分类的效率，节约时间和成本。
针对传统垃圾分类技术难以准确识别变形垃圾的问题，提出一种基于残差结构的图像分类方法。通过训练第一识别模型获取特征参数，利用双损失函数计算目标特征与预定义类别的相似度，结合残差块多层网络结构提升...
针对传统密集连接网络在深度增加时计算量剧增、设计复杂的问题，提出分段密集连接型深度网络构建方法。通过将连续卷积层划分为多个小段，在段内和段间分别进行通道级密集连接，既保持了特征学习能力，又避免...
