楊國維

摘 要：由于我國城市化進程的加快，城市人口數(shù)量迅速增加，隨之而產(chǎn)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(fā)結合深度學習，通過獲取數(shù)據(jù)集—預處理數(shù)據(jù)集—搭建網(wǎng)絡模型—訓練—測試模型，模型精確度達到90%。實驗發(fā)現(xiàn)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(shù)量不斷提升，以往人工分類的時間成本與經(jīng)濟成本不斷攀升。為了降低垃圾分類的時間與經(jīng)濟成本，很多學者做出了研究，目前已經(jīng)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(huán)節(jié)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(yī)療垃圾分類系統(tǒng)，該系統(tǒng)在應用于實際的醫(yī)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(jù)深度學習讓人工智能幫助對生活飲品產(chǎn)生的垃圾進行識別分類的程序。通過深度學習、神經(jīng)網(wǎng)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(jīng)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(tǒng)提出的，通過多層神經(jīng)網(wǎng)絡的特征提取，最終得到能夠體現(xiàn)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(jīng)網(wǎng)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(jīng)網(wǎng)絡對這些信息再進行處理合并，這樣通過多層網(wǎng)絡，此物體區(qū)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(qū)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(shù)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(jīng)網(wǎng)絡

在神經(jīng)網(wǎng)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?shù)较乱粋€層次。通過這樣的過程，神經(jīng)網(wǎng)絡可以完成非常復雜的非線性分類。這個網(wǎng)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(shù)據(jù)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(jīng)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(wǎng)絡，也就是"神經(jīng)網(wǎng)絡"。

（二）實踐過程

（1）采集樣本，模型訓練與優(yōu)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(shù)據(jù)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(wǎng)絡模型，損失函數(shù)與優(yōu)化函數(shù)并定義一個program，接下來創(chuàng)建訓練的Executor，執(zhí)行之前定義的program，feed數(shù)據(jù)，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(jīng)達到一定程度之后，我們創(chuàng)建預測executor加載預測程序并執(zhí)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(jīng)達到一定程度之后，我們創(chuàng)建預測executor加載預測程序并執(zhí)行

（三）實驗結果

經(jīng)過無數(shù)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(yōu)化這套模型，將大大減少人工分揀的時間與經(jīng)濟成本，提升分揀效率，更加從容的面對新中國發(fā)展中垃圾的再利用挑戰(zhàn)。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(qū)分，具有較強的實用性。獲取數(shù)據(jù)集—預處理數(shù)據(jù)集—搭建網(wǎng)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(chuàng)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(chuàng)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(huán)境與可持續(xù)發(fā)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(yī)療垃圾分類系統(tǒng)[J].電腦編程技巧與維護，2019，（5）：108-110.