论文部分内容阅读
摘要：随着社会环保意识的不断增强，生活垃圾分类在很多城市已经铺开，但是目前垃圾分类政策的实行存在一定困难，尤其是民众对于垃圾分类的规则不够熟悉、清晰。首先介绍了智能垃圾分类识别系统诞生的背景，包括所采用的框架、分类模型的训练及其适用范围，从三个方面对智能垃圾分类识别系统进行阐述，最后总结该系统的发展前景与优势。
关键词：垃圾分类;图像识别;神经网络。
1.引言
随着人民生活质量的日益提高，所产生的垃圾数量也随之增多，为实现绿色协调可持续发展的新理念，实行垃圾分类势在必行，生活垃圾目前成为了日常生活中不可忽视的问题。但由于目前人们在垃圾种类的区分方面存在一定程度上的困难，对于老人、儿童如何正确进行垃圾分类是个不小的难题，同时由于小区人员文化水平差异较大，对垃圾分类的重要性认识不同，导致了现有垃圾分类政策施行的难度加大，实行效果不够好。目前对于个人垃圾分类的指导和帮助较少，在上海等大城市实行的即为“人肉战术”，每个社区派出志愿者在垃圾桶前对小区居民逐一讲解、指导，但是居民体验度不高，并且操作难度大。另一方面，手机软件市场上并没有能够支持图像识别垃圾分类的APP。为更高效的解决生活垃圾分类问题，急需研究开发一个简单快捷的手机程序，能够根据图像识别帮助用户进行垃圾分类，更好的配合生活垃圾的处理工作，减少垃圾处理量和处理设备的使用，降低处理成本，减少土地资源的消耗。本文先介绍了垃圾分类识别系统的项目背景和总体方案，接着总结发展前景与优势。
2.系統总体方案
本文提出的基于图像AI的垃圾分类识别系统基于神经网络，可以根据手机摄像头对垃圾拍照，上传图片后快速、准确识别垃圾种类，从而让对垃圾分类规则不太熟悉的用户轻松实现垃圾分类，适用于日常生活中的垃圾分类、垃圾图像识别、小区垃圾分类检测等多种场景。
2.1构建训练数据集
智能垃圾分类系统的核心是垃圾分类模型，在实际工作中，是由分类模型根据垃圾图像来识别垃圾并实现种类的。要想获得垃圾分类模型，首先就要建立包含各种垃圾种类的垃圾图像数据集，需要收集大量垃圾图像作为训练数据集。这个过程可以利用网络图片，也可以采用实际现场拍摄图片。在图像的收集过程中可能会遇到问题，例如收集的图像不能很好地表征该图像的数据集，此时需要对图像数据集进行清洗，以保证数据集的特征一致性、有效性。此外，还需要根据垃圾图像中的垃圾所属种类进行人工分类，采用不同的标注方法对图像进行标注或分类，最后再将图像与标注文件映射存储到数据库，形成物理数据集。
2.2训练算法
由于生活垃圾分类通常仅包含4-6个类别，因此我们将该问题抽象为机器学习中的多分类问题。目前主流的分类算法包括：决策树、朴素的贝叶斯、支持向量机（SVM），神经网络，以及k-最近邻等，鉴于神经网络算法在图像识别、图像分类问题中的优异表现，同时计算量又远远小于深度学习，因此我们选择了神经网络作为分类模型的训练算法。
神经网络的分类模型训练的过程就是分类模型网络参数估计与学习的过程。训练过程改变了网络节点的连接权值使其具有分类的功能，经过训练的网络就可用于对象的分类与识别。基于上一部分获得的样本数据集采用K折交叉验证法进行模型的训练，在这里K取10。在最后可以调整神经网络的学习率来进行模型优化，即自适应学习率算法，学习率是神经网络难以设置的参数之一。当学习率过小，导致梯度大的参数产生过慢收敛速度;如果学习率过大，导致已经优化较好的参数出现不稳定的情况。所以为了更有效的训练及优化模型，比较好的一种做法是，对参与训练的每个参数设置不同的学习率，在整个学习过程中通过一些算法自动适应这些参数的学习率，以此来优化神经网络模型。
2.3移动端应用程序开发
使用神经网络，经过参数调优之后，将基于训练数据集而采用基于神经网络所获得的分类模型作为识别系统的核心，这里有以下两个思路。第一个是在线方式：训练模型驻留在服务器端，移动端应用做前期预处理，并把数据上传到服务器执行分类算法，现在大多数应用都是基于这个思路。这种方式的优点是部署相对简单，并且现成的多种框架（Caffe，Theano，Mxnet，Torch） 简单封装就可以直接应用，实现难度较低，服务器性配置高，适合进行计算密集型操作， 能够处理复杂计算问题，缺点是必须要进行联网。
第二种是离线方式：首先根据不同的分类精度，提前训练出多个分类模型。根据移动端硬件的性能，部署适当的模型，优点是可以离线执行。缺点也是明显的：（1）受限硬件，可能要运行阉割版的模型，对模型的分类精度会有一定的影响，（2） 要移植现成框架到移动平台比较麻烦， 各种依赖的处理相对也会比较复杂。
在对比两个方式之后选择了主流的在线方式，只要考虑到其部署简单、易于实现的优点。
3.系统发展前景与优势
随着生活水平的提高，人们的垃圾与日俱增，生活垃圾处理俨然已经成为一个全球性难题。我国为了从根本上解决生活垃圾的处理问题，各个地区正加强对垃圾分类的推广和监管，要提高垃圾分类的法制化水平和全民参与度。在信息化程度日益提高的今天，人们倾向利用便携电子设备来寻求问题的解决办法，这也是智能垃圾分类系统诞生的契机和展示需求的象征，预计未来图像识别相关的APP市场会持续扩大。
该智能识别系统满足了人们对垃圾分类最直接的实用需求，运用图像识别帮助用户解决实际的垃圾分类问题。目前国内外已有的APP基本都采用文字描述识别的方法，而非图像识别。且目前的APP大众接受度低，并没有在现实意义明确的场景中起到显著作用，其中主要原因是其应用场景不够契合，操作不够简便，识别结果不够准确。相比于文字描述，图像识别对于普通用户使用起来更加友好、更加便捷。
同时，该平台利用垃圾分类这一与居民生活息息相关的课题，进行引流，在社区积极宣传正确垃圾分类的思想，吸引用户，以及广告入驻，搜索引擎推广，同时还有口碑传播。
4.总结
本文先介绍了垃圾分类识别系统产生的背景以及应用场景，接着分析了总体方案。首先，构建包含各种垃圾图像的训练数据集;然后，选取并改进分类模型训练算法从而能够获取准确对垃圾图像进行分类的分类模型;最后，将训练模型集成到系统中，并开发出最终的手机端应用程序。最后阐明了该系统的发展前景与优势。
垃圾分类识别系统是一个实用性强、现实意义较好的科普项目，需要了解图像智能识别技术、神经网络算法的应用等知识，这要求要多种专业技术与智能算法间的协调配合，我国大部分地区还未实现垃圾分类，因此应用和发展前景都十分广阔。
参考文献
[1]粟庆，蔡远亮.智能化物联网垃圾分类应用研究[J].现代物业（中旬刊），2018（06）：235.
[2]任娟娟，冯中强.机器视觉在物料识别分拣中的应用[J].西安工程大学学报，2021，35（04）：90-94+101.
[3]郭原东，雷帮军，聂豪，李讷.基于深度学习的智能高精度图像识别算法[J].现代电子技术，2021，44（04）：173-176.
[4]陈伟. 基于深度学习的垃圾分类算法研究[D].天津职业技术师范大学，2021.
[5]李优，穆林平.基于迁移学习的垃圾图像分类模型研究[J].电脑与信息技术，2021，29（04）：17-21.
关键词：垃圾分类;图像识别;神经网络。
1.引言
随着人民生活质量的日益提高，所产生的垃圾数量也随之增多，为实现绿色协调可持续发展的新理念，实行垃圾分类势在必行，生活垃圾目前成为了日常生活中不可忽视的问题。但由于目前人们在垃圾种类的区分方面存在一定程度上的困难，对于老人、儿童如何正确进行垃圾分类是个不小的难题，同时由于小区人员文化水平差异较大，对垃圾分类的重要性认识不同，导致了现有垃圾分类政策施行的难度加大，实行效果不够好。目前对于个人垃圾分类的指导和帮助较少，在上海等大城市实行的即为“人肉战术”，每个社区派出志愿者在垃圾桶前对小区居民逐一讲解、指导，但是居民体验度不高，并且操作难度大。另一方面，手机软件市场上并没有能够支持图像识别垃圾分类的APP。为更高效的解决生活垃圾分类问题，急需研究开发一个简单快捷的手机程序，能够根据图像识别帮助用户进行垃圾分类，更好的配合生活垃圾的处理工作，减少垃圾处理量和处理设备的使用，降低处理成本，减少土地资源的消耗。本文先介绍了垃圾分类识别系统的项目背景和总体方案，接着总结发展前景与优势。
2.系統总体方案
本文提出的基于图像AI的垃圾分类识别系统基于神经网络，可以根据手机摄像头对垃圾拍照，上传图片后快速、准确识别垃圾种类，从而让对垃圾分类规则不太熟悉的用户轻松实现垃圾分类，适用于日常生活中的垃圾分类、垃圾图像识别、小区垃圾分类检测等多种场景。
2.1构建训练数据集
智能垃圾分类系统的核心是垃圾分类模型，在实际工作中，是由分类模型根据垃圾图像来识别垃圾并实现种类的。要想获得垃圾分类模型，首先就要建立包含各种垃圾种类的垃圾图像数据集，需要收集大量垃圾图像作为训练数据集。这个过程可以利用网络图片，也可以采用实际现场拍摄图片。在图像的收集过程中可能会遇到问题，例如收集的图像不能很好地表征该图像的数据集，此时需要对图像数据集进行清洗，以保证数据集的特征一致性、有效性。此外，还需要根据垃圾图像中的垃圾所属种类进行人工分类，采用不同的标注方法对图像进行标注或分类，最后再将图像与标注文件映射存储到数据库，形成物理数据集。
2.2训练算法
由于生活垃圾分类通常仅包含4-6个类别，因此我们将该问题抽象为机器学习中的多分类问题。目前主流的分类算法包括：决策树、朴素的贝叶斯、支持向量机（SVM），神经网络，以及k-最近邻等，鉴于神经网络算法在图像识别、图像分类问题中的优异表现，同时计算量又远远小于深度学习，因此我们选择了神经网络作为分类模型的训练算法。
神经网络的分类模型训练的过程就是分类模型网络参数估计与学习的过程。训练过程改变了网络节点的连接权值使其具有分类的功能，经过训练的网络就可用于对象的分类与识别。基于上一部分获得的样本数据集采用K折交叉验证法进行模型的训练，在这里K取10。在最后可以调整神经网络的学习率来进行模型优化，即自适应学习率算法，学习率是神经网络难以设置的参数之一。当学习率过小，导致梯度大的参数产生过慢收敛速度;如果学习率过大，导致已经优化较好的参数出现不稳定的情况。所以为了更有效的训练及优化模型，比较好的一种做法是，对参与训练的每个参数设置不同的学习率，在整个学习过程中通过一些算法自动适应这些参数的学习率，以此来优化神经网络模型。
2.3移动端应用程序开发
使用神经网络，经过参数调优之后，将基于训练数据集而采用基于神经网络所获得的分类模型作为识别系统的核心，这里有以下两个思路。第一个是在线方式：训练模型驻留在服务器端，移动端应用做前期预处理，并把数据上传到服务器执行分类算法，现在大多数应用都是基于这个思路。这种方式的优点是部署相对简单，并且现成的多种框架（Caffe，Theano，Mxnet，Torch） 简单封装就可以直接应用，实现难度较低，服务器性配置高，适合进行计算密集型操作， 能够处理复杂计算问题，缺点是必须要进行联网。
第二种是离线方式：首先根据不同的分类精度，提前训练出多个分类模型。根据移动端硬件的性能，部署适当的模型，优点是可以离线执行。缺点也是明显的：（1）受限硬件，可能要运行阉割版的模型，对模型的分类精度会有一定的影响，（2） 要移植现成框架到移动平台比较麻烦， 各种依赖的处理相对也会比较复杂。
在对比两个方式之后选择了主流的在线方式，只要考虑到其部署简单、易于实现的优点。
3.系统发展前景与优势
随着生活水平的提高，人们的垃圾与日俱增，生活垃圾处理俨然已经成为一个全球性难题。我国为了从根本上解决生活垃圾的处理问题，各个地区正加强对垃圾分类的推广和监管，要提高垃圾分类的法制化水平和全民参与度。在信息化程度日益提高的今天，人们倾向利用便携电子设备来寻求问题的解决办法，这也是智能垃圾分类系统诞生的契机和展示需求的象征，预计未来图像识别相关的APP市场会持续扩大。
该智能识别系统满足了人们对垃圾分类最直接的实用需求，运用图像识别帮助用户解决实际的垃圾分类问题。目前国内外已有的APP基本都采用文字描述识别的方法，而非图像识别。且目前的APP大众接受度低，并没有在现实意义明确的场景中起到显著作用，其中主要原因是其应用场景不够契合，操作不够简便，识别结果不够准确。相比于文字描述，图像识别对于普通用户使用起来更加友好、更加便捷。
同时，该平台利用垃圾分类这一与居民生活息息相关的课题，进行引流，在社区积极宣传正确垃圾分类的思想，吸引用户，以及广告入驻，搜索引擎推广，同时还有口碑传播。
4.总结
本文先介绍了垃圾分类识别系统产生的背景以及应用场景，接着分析了总体方案。首先，构建包含各种垃圾图像的训练数据集;然后，选取并改进分类模型训练算法从而能够获取准确对垃圾图像进行分类的分类模型;最后，将训练模型集成到系统中，并开发出最终的手机端应用程序。最后阐明了该系统的发展前景与优势。
垃圾分类识别系统是一个实用性强、现实意义较好的科普项目，需要了解图像智能识别技术、神经网络算法的应用等知识，这要求要多种专业技术与智能算法间的协调配合，我国大部分地区还未实现垃圾分类，因此应用和发展前景都十分广阔。
参考文献
[1]粟庆，蔡远亮.智能化物联网垃圾分类应用研究[J].现代物业（中旬刊），2018（06）：235.
[2]任娟娟，冯中强.机器视觉在物料识别分拣中的应用[J].西安工程大学学报，2021，35（04）：90-94+101.
[3]郭原东，雷帮军，聂豪，李讷.基于深度学习的智能高精度图像识别算法[J].现代电子技术，2021，44（04）：173-176.
[4]陈伟. 基于深度学习的垃圾分类算法研究[D].天津职业技术师范大学，2021.
[5]李优，穆林平.基于迁移学习的垃圾图像分类模型研究[J].电脑与信息技术，2021，29（04）：17-21.