论文部分内容阅读
摘 要：由于我国城市化进程的加快，城市人口数量迅速增加，随之而产生的生活垃圾处理问题也日益受到社会的广泛关注。本文通过研究分类学习在垃圾分类中的应用，希望能在一定程度上解决垃圾分类的问题。本实验采用拍照片发结合深度学习，通过获取数据集—预处理数据集—搭建网络模型—训练—测试模型，模型精确度达到90%。实验发现效率深度学习在垃圾分类中的应用远高于人工分类，也解放了很多垃圾分拣工人。降低可回收物分选中心的压力并提升效率。
一、研究背景及意义
随着人们生活水平提高，城市生活垃圾的种类和数量不断提升，以往人工分类的时间成本与经济成本不断攀升。为了降低垃圾分类的时间与经济成本，很多学者做出了研究，目前已经有学者赵峰（2014）[1]指出了垃圾分类的应对措施。罗晓萌（2017）[2]对于新型垃圾分类方法的可行性分析。陈海滨（2017）[3]等三人指出垃圾分类成败与否的关键环节在分类投放。陈宇超（2019）[4]等两人研究了基于机器视觉与深度学习的医疗垃圾分类系统，该系统在应用于实际的医疗垃圾分类中，能有效减少人工投入、降低分拣员受病毒感染的风险。以往的研究都是从理论上支出垃圾分类的应对措施，我们设计了一种根据深度学习让人工智能帮助对生活饮品产生的垃圾进行识别分类的程序。通过深度学习、神经网络，训练机械像人一样识别垃圾进行分类，在一定程度上能够降低垃圾分类的时间与经济成本。
二、实验研究
（一）实验原理
1.深度学习
深度学习是基于人的视觉系统提出的，通过多层神经网络的特征提取，最终得到能够体现物体本质的表达。简单来讲，你看到- -样物体，形成一张图像，接着大脑中的前几层神经网络会提取出这张图像中的颜色、亮度、形状、大小等各种信息，然后后几层神经网络对这些信息再进行处理合并，这样通过多层网络，此物体区别与其他物体的特征信息就被提取出来了。深度学习-般需要大量的训练样本，即需要给电脑看很多张这个物体的图像，不同角度不同大小不同亮度等，当看了很多图像之后，电脑就能够从其他物体中区分出来，也就是训练完成。
2.图形处理器
图形处理器（英语：Graphics Processing Unit 缩写：GPU） 又称显示核心、视觉处理器、显示芯片，是一种专门在个人电脑、工作站、游戏机和一些移动设备（比如平板电脑、智能手机等）上图像运算工作的微处理器。GPU 专门用于快速完成一些特定类型的数学运算，特别是对于浮点、矢量和矩阵的计算，能将 3D 模型的信息转换为 2D 表示，同时添加不同的纹理和阴影效果。
3.神经网络
在神经网络中，每个处理单元事实上就是一个逻辑回归模型，逻辑回归模型接收上层的输入，把模型的预测结果作为输出传输到下一个层次。通过这样的过程，神经网络可以完成非常复杂的非线性分类。这个网络中，分成输入层，隐藏层，和输出层。输入层负责接收信号，隐藏层负责对数据的分解与处理，最后的结果被整合到输出层。每层中的一个圆代表一个处理单元，可以认为是模拟了一个神经元，若干个处理单元组成了一个层，若干个层再组成了一个网络，也就是"神经网络"。
（二）实践过程
（1）采集样本，模型训练与优化
我们首先采集了市面上几乎所有的饮料包装的照片作为样本，有金属容器430种，塑料瓶560种参与实验。首先将照片们按照塑料瓶、易拉罐进行分类，将数据库中随机抽取80%作为训练集与其余20%作为验证集，并对其中塑料瓶、易拉罐与纸盒进行检测。用GPU加速训练。采用mobile light作为深度学习的模型。
（2）然后我们配置网络模型，损失函数与优化函数并定义一个program，接下来创建训练的Executor，执行之前定义的program，feed数据，seve模型并保存下来。
（3）观察模型训练的中间结果，输出cost和accuracy，来了解当前学习程度和精确度，在精确度已经达到一定程度之后，我们创建预测executor加载预测程序并执行。
（4）通过拍照片法，同一张照片可以分析到多种垃圾
（5）观察模型训练的中间结果，输出cost和accuracy，来了解当前学习程度和精确度，在精确度已经达到一定程度之后，我们创建预测executor加载预测程序并执行
（三）实验结果
经过无数次的调试，模型精确度最终达到了90%！因为这套模型是以拍照的方式结合深度学习来垃圾分类的，建造成本和运营成本都很低，维修也很方便，如果可回收物分选中心可以使用或优化这套模型，将大大减少人工分拣的时间与经济成本，提升分拣效率，更加从容的面对新中国发展中垃圾的再利用挑战。随着人工智能技术越来越成熟，每年借由智能技术的方式，能够将两万吨可回收材料从垃圾填埋场中挽救回来。利用技术，我们能够大大提升垃圾回收率，而且在效率上也远远高于人工。
三、总结
在完成垃圾自动分类器的训练后，我们对一些垃圾进行了自动分类的测试，准确率达到近90%。虽然对復杂的情况还是存在一定的误判，但大部分常见的垃圾都得到了正确的区分，具有较强的实用性。获取数据集—预处理数据集—搭建网络模型—训练—测试模型，
参考文献：
[1]赵锋. 浅谈城市垃圾分类的应对措施[J]. 科技创新与应用，2014，0（21）.
[2]罗晓萌 李春燕 孙跃鸣 李迪. 中国城市居民生活垃圾分类处理研究——对于新型垃圾分类方法的可行性分析（二）[J]. 科技创新与品牌，2017，0（5）.
[3]陈海滨，刘彩，朱斌. 推进生活垃圾分类工作的若干切入点研究[J]. 环境与可持续发展，2017，42（5）：58-60.
[4]陈宇超，卞晓晓.基于机器视觉与深度学习的医疗垃圾分类系统[J].电脑编程技巧与维护，2019，（5）：108-110.
一、研究背景及意义
随着人们生活水平提高，城市生活垃圾的种类和数量不断提升，以往人工分类的时间成本与经济成本不断攀升。为了降低垃圾分类的时间与经济成本，很多学者做出了研究，目前已经有学者赵峰（2014）[1]指出了垃圾分类的应对措施。罗晓萌（2017）[2]对于新型垃圾分类方法的可行性分析。陈海滨（2017）[3]等三人指出垃圾分类成败与否的关键环节在分类投放。陈宇超（2019）[4]等两人研究了基于机器视觉与深度学习的医疗垃圾分类系统，该系统在应用于实际的医疗垃圾分类中，能有效减少人工投入、降低分拣员受病毒感染的风险。以往的研究都是从理论上支出垃圾分类的应对措施，我们设计了一种根据深度学习让人工智能帮助对生活饮品产生的垃圾进行识别分类的程序。通过深度学习、神经网络，训练机械像人一样识别垃圾进行分类，在一定程度上能够降低垃圾分类的时间与经济成本。
二、实验研究
（一）实验原理
1.深度学习
深度学习是基于人的视觉系统提出的，通过多层神经网络的特征提取，最终得到能够体现物体本质的表达。简单来讲，你看到- -样物体，形成一张图像，接着大脑中的前几层神经网络会提取出这张图像中的颜色、亮度、形状、大小等各种信息，然后后几层神经网络对这些信息再进行处理合并，这样通过多层网络，此物体区别与其他物体的特征信息就被提取出来了。深度学习-般需要大量的训练样本，即需要给电脑看很多张这个物体的图像，不同角度不同大小不同亮度等，当看了很多图像之后，电脑就能够从其他物体中区分出来，也就是训练完成。
2.图形处理器
图形处理器（英语：Graphics Processing Unit 缩写：GPU） 又称显示核心、视觉处理器、显示芯片，是一种专门在个人电脑、工作站、游戏机和一些移动设备（比如平板电脑、智能手机等）上图像运算工作的微处理器。GPU 专门用于快速完成一些特定类型的数学运算，特别是对于浮点、矢量和矩阵的计算，能将 3D 模型的信息转换为 2D 表示，同时添加不同的纹理和阴影效果。
3.神经网络
在神经网络中，每个处理单元事实上就是一个逻辑回归模型，逻辑回归模型接收上层的输入，把模型的预测结果作为输出传输到下一个层次。通过这样的过程，神经网络可以完成非常复杂的非线性分类。这个网络中，分成输入层，隐藏层，和输出层。输入层负责接收信号，隐藏层负责对数据的分解与处理，最后的结果被整合到输出层。每层中的一个圆代表一个处理单元，可以认为是模拟了一个神经元，若干个处理单元组成了一个层，若干个层再组成了一个网络，也就是"神经网络"。
（二）实践过程
（1）采集样本，模型训练与优化
我们首先采集了市面上几乎所有的饮料包装的照片作为样本，有金属容器430种，塑料瓶560种参与实验。首先将照片们按照塑料瓶、易拉罐进行分类，将数据库中随机抽取80%作为训练集与其余20%作为验证集，并对其中塑料瓶、易拉罐与纸盒进行检测。用GPU加速训练。采用mobile light作为深度学习的模型。
（2）然后我们配置网络模型，损失函数与优化函数并定义一个program，接下来创建训练的Executor，执行之前定义的program，feed数据，seve模型并保存下来。
（3）观察模型训练的中间结果，输出cost和accuracy，来了解当前学习程度和精确度，在精确度已经达到一定程度之后，我们创建预测executor加载预测程序并执行。
（4）通过拍照片法，同一张照片可以分析到多种垃圾
（5）观察模型训练的中间结果，输出cost和accuracy，来了解当前学习程度和精确度，在精确度已经达到一定程度之后，我们创建预测executor加载预测程序并执行
（三）实验结果
经过无数次的调试，模型精确度最终达到了90%！因为这套模型是以拍照的方式结合深度学习来垃圾分类的，建造成本和运营成本都很低，维修也很方便，如果可回收物分选中心可以使用或优化这套模型，将大大减少人工分拣的时间与经济成本，提升分拣效率，更加从容的面对新中国发展中垃圾的再利用挑战。随着人工智能技术越来越成熟，每年借由智能技术的方式，能够将两万吨可回收材料从垃圾填埋场中挽救回来。利用技术，我们能够大大提升垃圾回收率，而且在效率上也远远高于人工。
三、总结
在完成垃圾自动分类器的训练后，我们对一些垃圾进行了自动分类的测试，准确率达到近90%。虽然对復杂的情况还是存在一定的误判，但大部分常见的垃圾都得到了正确的区分，具有较强的实用性。获取数据集—预处理数据集—搭建网络模型—训练—测试模型，
参考文献：
[1]赵锋. 浅谈城市垃圾分类的应对措施[J]. 科技创新与应用，2014，0（21）.
[2]罗晓萌 李春燕 孙跃鸣 李迪. 中国城市居民生活垃圾分类处理研究——对于新型垃圾分类方法的可行性分析（二）[J]. 科技创新与品牌，2017，0（5）.
[3]陈海滨，刘彩，朱斌. 推进生活垃圾分类工作的若干切入点研究[J]. 环境与可持续发展，2017，42（5）：58-60.
[4]陈宇超，卞晓晓.基于机器视觉与深度学习的医疗垃圾分类系统[J].电脑编程技巧与维护，2019，（5）：108-110.