基于深度学习的智能分类垃圾箱设计方法.pdfVIP

基于深度学习的智能分类垃圾箱设计方法

作者：赵一陈震

来源：《科技风》2021年第31期

关键词：智能分类;AI体贴;深度学习;CNN神经网络

我国每年产生近10亿吨垃圾，且每年以5%～8%的倍速递增，全国约2/3的城市，正在被

垃圾“大军”包围。生活垃圾中有30%～40%都可以变废为宝，通过垃圾分类，既能减少占地，

又能减少环境污染。传统上填埋和焚烧处理垃圾并不是优化的处理方式，如果经过垃圾分类，

我们能大大提高垃圾资源的利用率。在现实生活中，大部分人对垃圾分类知识的了解并不全

面，对于垃圾分类的意识较为薄弱，而传统的垃圾分类箱需要用户对垃圾分类的知识有一定的

了解，它并不能高效地进行垃圾分类，也难以提高用户的分类意识，导致实际垃圾分类的效果

并不如预期。而随着计算机科学技术、人工智能技术、图像分类等技术的产生和发展，让垃圾

分类的智能化成为可能。针对以上垃圾分类存在的问题，本小组将开发一款基于图像分类的智

能分类垃圾箱，同时配套小程序辅助，帮助人们高效地进行垃圾分类，同时在分类的过程中提

高人们的环保意识。

一、深度学习

（一）数据集采集与整理

（1）前期：对CSDN、GitHub等中现成垃圾数据集进行下载，同时采取网上爬虫和线下

手机拍照的形式扩充数据集，令每张图片重新处理至同一分辨率和大小，数据集分成一定数量

类别，对每个类别的垃圾重量范围进行手动标注。

（2）后期：垃圾箱摄像头拍照后上传用户丢人垃圾的图片，并对每张图片进行标注与手

工分类，形成标准数据集。

（二）模型输入

（1）模型训练输入：垃圾数据集。

（2）模型部署输入：摄像头和压力传感器分别获取垃圾的图像和重量。

（三）数据预处理

对图像进行水平/垂直翻轉、旋转、缩放、裁剪、剪切、平移等数据增广技术。

（四）模型网络结构

服务端：CNN的图像分类性能与其网络深度存在着重要的关系，网络越深，CNN的拟合

能力就越强，但进一步增加CNN的深度不但不能提高网络的精准度，反而会因为梯度消失而

产生更高的训练误差，使CNN的图像分类性能降低。残差网络缓解在深度神经网络中增加深

度带来了梯度消失的问题，它是目前应用最为广泛的CNN特征提取网络之一，由此也产生了

许多Resnet变种网络。本模型以ResNeSt为基础结构，它结合了许多ResNet变种结构的优

点：

（1）ResNeXt网络的切片思想，对输入的通道进行切片，均分每组的通道数，不同于

Inception的需要人工设计每个分支，ResNeXt的每个分支的拓扑结构是相同的，即采用分组卷

积。

（2）SENet注意力模块，可以自动学习到不同channel的重要程度，然后依照这个重要程

度去提升有用的特征并抑制对当前任务用处不大的特征。

（3）SKNet的选择核模块，其灵感来源是，我们在看不同尺寸、不同远近的物体时，视

觉皮层神经元接受域大小是会根据刺激来进行调节的。对应于CNN网络来说，就是可以根据

输入信息的多个尺度自适应的调节接受域大小，与传统人工设计卷积核大小相比，让网络学会

找到适合自己的卷积核可以增强网络的泛化能力。

硬件端：以MobileNetV3为基本网络结构，它综合了V1的深度可分离卷积和v2的具有线

性瓶颈的逆残差结构的特点，同时加入了轻量集的注意力模型，保证了在极小Params和Flops

的情况下，模型拥有较高的准确率。最后加上逻辑回归层和softmax层，一层用于学习网络输

出和垃圾重量的权重，另一层对输出进行分类，最终从多类到四类（可回收垃圾、有害垃圾、

厨余垃圾、其他垃圾）的映射表中输出垃圾类目。

（五）模型训练

（1）前期：输入“前期”收集到的图片，得到准确率并进行分析，进一步修改超参数优化

模型。

（2）后期：不断收集到垃圾箱上传的图片数据后，输入之前的模型中，进一步训练、提

高模型的准确率。

（六）测试

基于python的垃圾分类程序，用户丢人垃圾后，调用python程序对图片进行拍照并分

类，同时导入request库将图片上传至服务器。通过Pyqt5设计一套图形化界面对垃圾分类程序

进行测试，能够完成对上传图片进行识别并把识别结果进行输出的功能。

二、程序开发

基于微信框架设计的WXML语法、WXS语法、WXSS