基于Tensorflow的智能垃圾分类系统的研究与设计

只看该作者 · 2021-10-31 23:06

　采用正整数 ζ 参数的原因是在卷积过程中加入样本稀疏函数来减小卷积过程中输入的大小。

　　该研究对CNN的多种模型进行了实验，最终发现inception-v4提供了更稳定的训练和更高的准确性。

只看该作者 · 2021-10-31 23:06

3.3 试验结果以及数据

　　CNN算法工作在两阶段循环中，即正向传播和反向传播，在前向通过过程中，图像将传递到上述每个层，并计算输出。将预期输出与实际输出进行比较，并计算误差，在计算出误差之后，该算法随后调整权重。滤波器的权重的调整是反向传播阶段，此阶段与优化技术（例如梯度下降）结合使用，以尽可能降低误差，随后将数据集中的所有图像调整为256x256，然后再作为输入（input）输入到网络。

只看该作者 · 2021-10-31 23:08

损失是使用二进制交叉输入法计算的，优化器使用的是RMSprop。CNN在GTX 750Ti上接受了大约3–3.5小时的训练。由于使用扩展样本进行输入，所以即使增加了数据集的大小，它们也具有高度相关性，但这可能导致数据过拟合，通过调节网络的熵容量（模型中存储的信息量）解决了过拟合问题。本研究使用了非常小的CNN，几乎没有图层，每层只有很少的过滤器，同时数据增加和丢失(loss)为0.5，从而有助于减少过度拟合的情况。而为了判断模型是否过拟合，是否需要停止训练,则需要依靠验证集，即一边训练一边验证，从图4的实验结果可知，训练值一直低于验证值，未处于过拟合状态，最终实验数据如表1。

只看该作者 · 2021-10-31 23:11

只看该作者 · 2021-10-31 23:14

4 OpenCV图像处理

　　本研究中，OpenCV用于对图像的采集以及预处理，此外，OpenCV也用于对输出结果进行处理。

只看该作者 · 2021-10-31 23:16

4.1 形态学处理以及图像不变矩

　　图像处理包括将RGB图像转换为灰度图像，然后将其二值化。此阶段从图像中删除了不必要的特征。图像由Microsoft Webcam VX-6000采集并转换为灰度,获得灰度图像后，为了使灰度图像仅具有两种颜色（分别为0和255），应用了二值化处理，图5为相关算法流程图。

只看该作者 · 2021-10-31 23:18

只看该作者 · 2021-10-31 23:19

本研究用力矩描述图像而不是使用其他更常用的图像特征（例如宽度和高度），这意味着使用图像的全局属性而不是局部属性。该方法对于选择从目标垃圾中提取的一组数字属性很有用，以便于进行分类。

只看该作者 · 2021-10-31 23:19

4.2 图像分割

　　处理步骤（分割）涉及将对象与背景和其他对象区分开，在此步骤中，使用了非常通用的图像处理方法，即：

　　a）边界检测（Canny算法）。

　　b）阈值以与背景隔离并消除噪声。

　　c）高斯模糊以柔化细节并过滤噪声。

　　d）从彩色到黑白和二值图像的转换，使用饱和通道来帮助寻找边界。

　　e）二值图像中的轮廓检测以单独分析对象。

只看该作者 · 2021-10-31 23:22

阈值化采用Otsu算法，使用一个阈值将像素划分为两个类，其定义为每个群集的方差的加权和：

只看该作者 · 2021-10-31 23:24

　其中 n B 与 n o 是阈值以下和之上的像素数，而 δ B 与δ o 分别是它们的方差。 T 是选择的阈值。该研究使用Ostu算法的意义是仅考虑边界附近的像素，因此这样应用的阈值倾向于保持边界上的分离，图像分割实际效果如图6。

只看该作者 · 2021-10-31 23:24

只看该作者 · 2021-10-31 23:25

　5 结论

　　随着处理大数据的深度网络架构的出现，在不执行其他任何功能的情况下，就准确性，可扩展性，适应性而言，深度学习提供了同类最佳的性能。本文提出了使用深度学习实现全自动垃圾分类的想法，而无需进行人工操作。要实现它，系统将使用庞大的数据集，用于对象检测的模式预测和训练算法。后期进一步的工作包括实时优化各种离散输入的结果和预测精度。这种方法有助于降低污染水平，从长远来看，其重点是发展通用垃圾分类框架，可以将输入图像的数据集更改为更多的特定场景，用于应用程序的执行。例如，该系统可用于对快餐店以及其他各个公共场合的垃圾进行分类。

只看该作者 · 2021-10-31 23:26

参考文献：

　　[1] Mohammadi M, Al-Fuqaha A, Sorour S, et al. Deeplearning for IoT big data and streaming analytics: Asurvey[J]. IEEE Communications Surveys & Tutorials, 2018,20(4): 2923-2960.

　　[2] Chu Y, Huang C, Xie X, et al. Multilayer hybrid deep-learning method for waste classification and recycling[J].Computational Intelligence and Neuroscience, 2018, 2018.

　　[3] Liu Y, Ge Z, Lv G, et al. Research on AutomaticGarbage Detection System Based on Deep Learning andNarrowband Internet of Things[C]//Journal of Physics:Conference Series. IOP Publishing, 2018, 1069(1): 012032.

　　[4] Y. Taigman, M. Yang, M. Ranzato, and L. Wolf,“DeepFace: closing the gap to human-level performancein face verification,” in Proceedings of Computer Visionand Pattern Recognition (CVPR), 2014 IEEE Conference,Columbus, OH, USA, 2014.

　　[5] Chen G, Wang H, Zheng J. Application of ImageRecognition Technology in Garbage ClassificationEducation Platform[C]//2019 5th International Conferenceon Control, Automation and Robotics (ICCAR). IEEE, 2019:290-294.

　　[6] Sudha S, Vidhyalakshmi M, Pavithra K, et al. Anautomatic classification method for environment: Friendlywaste segregation using deep learning[C]//2016 IEEETechnological Innovations in ICT for Agriculture and RuralDevelopment (TIAR). IEEE, 2016: 65-70.

　　[7] Lee S H, Yeh C H, Hou T W, et al. A LightweightNeural Network Based on AlexNet-SSD Model forGarbage Detection[C]//Proceedings of the 2019 3rdHigh Performance Computing and Cluster TechnologiesConference. 2019: 274-278.

　　（注：本文来源于科技期刊《电子产品世界》2020年第06期第71页，欢迎您写论文时引用，并注明出处。）