深度學習在垃圾分類中的應用研究

楊國維

摘 要：由于我國城市化進程的加快，城市人口數量迅速增加，隨之而產生的生活垃圾處理問題也日益受到社會的廣泛關注。本文通過研究分類學習在垃圾分類中的應用，希望能在一定程度上解決垃圾分類的問題。本實驗采用拍照片發結合深度學習，通過獲取數據集—預處理數據集—搭建網絡模型—訓練—測試模型，模型精確度達到90%。實驗發現效率深度學習在垃圾分類中的應用遠高于人工分類，也解放了很多垃圾分揀工人。降低可回收物分選中心的壓力并提升效率。

一、研究背景及意義

隨著人們生活水平提高，城市生活垃圾的種類和數量不斷提升，以往人工分類的時間成本與經濟成本不斷攀升。為了降低垃圾分類的時間與經濟成本，很多學者做出了研究，目前已經有學者趙峰（2014）[1]指出了垃圾分類的應對措施。羅曉萌（2017）[2]對于新型垃圾分類方法的可行性分析。陳海濱（2017）[3]等三人指出垃圾分類成敗與否的關鍵環節在分類投放。陳宇超（2019）[4]等兩人研究了基于機器視覺與深度學習的醫療垃圾分類系統，該系統在應用于實際的醫療垃圾分類中，能有效減少人工投入、降低分揀員受病毒感染的風險。以往的研究都是從理論上支出垃圾分類的應對措施，我們設計了一種根據深度學習讓人工智能幫助對生活飲品產生的垃圾進行識別分類的程序。通過深度學習、神經網絡，訓練機械像人一樣識別垃圾進行分類，在一定程度上能夠降低垃圾分類的時間與經濟成本。

二、實驗研究

（一）實驗原理

1.深度學習

深度學習是基于人的視覺系統提出的，通過多層神經網絡的特征提取，最終得到能夠體現物體本質的表達。簡單來講，你看到- -樣物體，形成一張圖像，接著大腦中的前幾層神經網絡會提取出這張圖像中的顏色、亮度、形狀、大小等各種信息，然后后幾層神經網絡對這些信息再進行處理合并，這樣通過多層網絡，此物體區別與其他物體的特征信息就被提取出來了。深度學習-般需要大量的訓練樣本，即需要給電腦看很多張這個物體的圖像，不同角度不同大小不同亮度等，當看了很多圖像之后，電腦就能夠從其他物體中區分出來，也就是訓練完成。

2.圖形處理器

圖形處理器（英語：Graphics Processing Unit 縮寫：GPU） 又稱顯示核心、視覺處理器、顯示芯片，是一種專門在個人電腦、工作站、游戲機和一些移動設備（比如平板電腦、智能手機等）上圖像運算工作的微處理器。GPU 專門用于快速完成一些特定類型的數學運算，特別是對于浮點、矢量和矩陣的計算，能將 3D 模型的信息轉換為 2D 表示，同時添加不同的紋理和陰影效果。

3.神經網絡

在神經網絡中，每個處理單元事實上就是一個邏輯回歸模型，邏輯回歸模型接收上層的輸入，把模型的預測結果作為輸出傳輸到下一個層次。通過這樣的過程，神經網絡可以完成非常復雜的非線性分類。這個網絡中，分成輸入層，隱藏層，和輸出層。輸入層負責接收信號，隱藏層負責對數據的分解與處理，最后的結果被整合到輸出層。每層中的一個圓代表一個處理單元，可以認為是模擬了一個神經元，若干個處理單元組成了一個層，若干個層再組成了一個網絡，也就是"神經網絡"。

（二）實踐過程

（1）采集樣本，模型訓練與優化

我們首先采集了市面上幾乎所有的飲料包裝的照片作為樣本，有金屬容器430種，塑料瓶560種參與實驗。首先將照片們按照塑料瓶、易拉罐進行分類，將數據庫中隨機抽取80%作為訓練集與其余20%作為驗證集，并對其中塑料瓶、易拉罐與紙盒進行檢測。用GPU加速訓練。采用mobile light作為深度學習的模型。

（2）然后我們配置網絡模型，損失函數與優化函數并定義一個program，接下來創建訓練的Executor，執行之前定義的program，feed數據，seve模型并保存下來。

（3）觀察模型訓練的中間結果，輸出cost和accuracy，來了解當前學習程度和精確度，在精確度已經達到一定程度之后，我們創建預測executor加載預測程序并執行。

（4）通過拍照片法，同一張照片可以分析到多種垃圾

（5）觀察模型訓練的中間結果，輸出cost和accuracy，來了解當前學習程度和精確度，在精確度已經達到一定程度之后，我們創建預測executor加載預測程序并執行

（三）實驗結果

經過無數次的調試，模型精確度最終達到了90%！因為這套模型是以拍照的方式結合深度學習來垃圾分類的，建造成本和運營成本都很低，維修也很方便，如果可回收物分選中心可以使用或優化這套模型，將大大減少人工分揀的時間與經濟成本，提升分揀效率，更加從容的面對新中國發展中垃圾的再利用挑戰。隨著人工智能技術越來越成熟，每年借由智能技術的方式，能夠將兩萬噸可回收材料從垃圾填埋場中挽救回來。利用技術，我們能夠大大提升垃圾回收率，而且在效率上也遠遠高于人工。

三、總結

在完成垃圾自動分類器的訓練后，我們對一些垃圾進行了自動分類的測試，準確率達到近90%。雖然對復雜的情況還是存在一定的誤判，但大部分常見的垃圾都得到了正確的區分，具有較強的實用性。獲取數據集—預處理數據集—搭建網絡模型—訓練—測試模型，

參考文獻：

[1]趙鋒. 淺談城市垃圾分類的應對措施[J]. 科技創新與應用，2014，0（21）.

[2]羅曉萌 李春燕 孫躍鳴 李迪. 中國城市居民生活垃圾分類處理研究——對于新型垃圾分類方法的可行性分析（二）[J]. 科技創新與品牌，2017，0（5）.

[3]陳海濱，劉彩，朱斌. 推進生活垃圾分類工作的若干切入點研究[J]. 環境與可持續發展，2017，42（5）：58-60.

[4]陳宇超，卞曉曉.基于機器視覺與深度學習的醫療垃圾分類系統[J].電腦編程技巧與維護，2019，（5）：108-110.