王 珂，和 莉，趙 慧，王小軍，郝 喆

(江蘇開放大學(xué)信息化建設(shè)處，江蘇 南京 210036)

全球的廢棄電器和電子設(shè)備(Waste Electrical and Electronic Equipment，WEEE)大約每年會產(chǎn)生3 000 萬噸到5 000 萬噸的電子垃圾，雖然電子垃圾具有很高的回收價值，但大多數(shù)電子垃圾也含有必須從城市垃圾流中分離出來的有害物質(zhì)。垃圾回收機(jī)構(gòu)提供了不同的收集方式，包括在超市和電器電子設(shè)備商店收集，市政收集中心、路邊收集，家庭收集等等。特別是在城市中心，按需收集電子垃圾可能更符合城市的垃圾回收策略。印度和中國已經(jīng)對基于互聯(lián)網(wǎng)的垃圾回收服務(wù)進(jìn)行了調(diào)查，新興技術(shù)和電子商務(wù)已成為電子廢棄物回收領(lǐng)域的新趨勢。在國內(nèi)，Zhang 等[1]調(diào)查了居民選擇智能設(shè)備進(jìn)行電子垃圾回收的關(guān)鍵驅(qū)動因素和障礙。他們發(fā)現(xiàn)，智能設(shè)備并沒有被居民普遍接受，并且態(tài)度、主觀規(guī)范，以及對智能設(shè)備便利性的感知與使用的意愿呈正相關(guān)。

智能手機(jī)和移動應(yīng)用設(shè)備無處不在，在當(dāng)前的“信息社會”中有著廣泛的應(yīng)用，然而，支持垃圾回收的移動應(yīng)用程序相對有限。其功能主要用于尋找廢物收集站的位置，或設(shè)置有關(guān)收集時間的提醒。一項(xiàng)使用基于物聯(lián)網(wǎng)的垃圾收集應(yīng)用程序[5]的研究還包括了其他功能，比如車輛路線規(guī)劃等。在許多情況下，居民無法給垃圾回收公司提供精準(zhǔn)的數(shù)據(jù)，在收集點(diǎn)，如果有過多的廢棄設(shè)備需要回收，或者該設(shè)備的尺寸過大，將會給回收公司增加回收難度。

如圖1 所示，從個人處理報廢設(shè)備的角度以及垃圾回公司的角度概述了WEEE 的優(yōu)先處理次序。需要考慮所收集設(shè)備的類型、尺寸和數(shù)量，這些數(shù)據(jù)是整合垃圾回收策略的組成部分，該計劃中使用的車輛和人力資源，是回收成本和運(yùn)輸費(fèi)用的主要因素。按需回收垃圾主要針對中大型垃圾項(xiàng)目，要整合車輛資源和優(yōu)化路徑。

圖1 個人與垃圾回收公司優(yōu)先處理策略

深度學(xué)習(xí)技術(shù)采用直接從圖片數(shù)據(jù)進(jìn)行特征識別，在眾多圖片檢測和目標(biāo)分類中取得了巨大的進(jìn)步，目標(biāo)檢測與識別已廣泛應(yīng)用于機(jī)器人、電子產(chǎn)品、道路安全、自動駕駛、智能交通系統(tǒng)和文本識別等人工智能系統(tǒng)中，其主要技術(shù)手段是利用視覺識別算法來識別目標(biāo)的類型和尺寸，基于圖片識別的目標(biāo)檢測是識別圖片中是否出現(xiàn)了特定的目標(biāo)，確定檢測目標(biāo)之后，使用特殊的可調(diào)節(jié)框架確定其位置和大小。

在本文研究中，探索了一種新的垃圾回收系統(tǒng)，主要是促進(jìn)個人與垃圾回收公司之間數(shù)據(jù)的精準(zhǔn)交流。提出了一種新穎的方法來識別和分類廢物設(shè)備[2]。該算法主要采用具有深度學(xué)習(xí)特性的神經(jīng)網(wǎng)絡(luò)，基于區(qū)域的深度卷積神經(jīng)網(wǎng)絡(luò)檢測圖片中廢物設(shè)備的類別和大小。

1 相關(guān)研究工作

1.1 電子垃圾圖片識別系統(tǒng)

一種新穎的WEEE 收集規(guī)劃系統(tǒng)方案包括廢物設(shè)備的識別和分類，如圖2 所示。首先把準(zhǔn)備處置的廢物設(shè)備拍攝成單獨(dú)的照片，然后將照片上傳到后臺識別廢物設(shè)備的圖片識別服務(wù)器上。根據(jù)智能手機(jī)的性能，這個系統(tǒng)也可以作為一個移動應(yīng)用程序的APP。然后在識別和分類電子廢物后，垃圾回收公司會根據(jù)廢物的大小和類別制定有效的回收計劃。其中規(guī)劃過程可以進(jìn)一步應(yīng)用人工智能算法，為垃圾回收車輛提供最優(yōu)路徑[3]。

圖2 WEEE 收集規(guī)劃系統(tǒng)總體方案

1.2 基于深度學(xué)習(xí)的電子垃圾識別

深度學(xué)習(xí)是用于建立和模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，并模仿人腦的機(jī)制來解釋數(shù)據(jù)的一種機(jī)器學(xué)習(xí)技術(shù)，深度學(xué)習(xí)最大的意義就在于能夠提取對象的特征，機(jī)器學(xué)習(xí)直接從數(shù)據(jù)中“學(xué)習(xí)”信息，而不依賴預(yù)先確定的方程作為模型。本文提出的基于深度卷積神經(jīng)網(wǎng)絡(luò)CNN 電子垃圾識別模型[4]，如圖3 所示。

圖3 基于深度卷積神經(jīng)網(wǎng)絡(luò)分類器模型

模型輸入包含選定類別的電子垃圾的圖片。在本文的研究中，選擇了家庭中常用的三種電器和電子設(shè)備:冰箱、洗衣機(jī)、監(jiān)視器或電視機(jī)。每種設(shè)備都有自己獨(dú)特的特征，其中模型的輸出類別是三類。深度卷積神經(jīng)網(wǎng)絡(luò)CNN 可以分為兩個主要的功能模塊:特征學(xué)習(xí)模塊、分類模塊。特征學(xué)習(xí)模塊主要由交替卷積層和池化層組成，卷積層對輸入的h×b×c(圖像高度h×圖像寬度b×通道數(shù)c)圖片x進(jìn)行了2D 卷積，具有m個不同的濾波器。輸出是c個通道的特征圖y。

式中:bk是偏差；Wi，j，p，q是濾波器尺寸為kh×kb的第q層權(quán)重；i＝1，2，…，h；j＝1，2，…，b；p＝1，2，…，c；q＝1，2，…，m。

二維卷積層將滑動卷積濾波器應(yīng)用于輸入層，該層通過沿輸入方向的垂直和水平方位移動濾波器對輸入進(jìn)行卷積，計算權(quán)重和輸入的點(diǎn)積，然后加上一個偏置項(xiàng)[5]。池化層主要負(fù)責(zé)空間子采樣，它進(jìn)行一個特殊的二維卷積，步長大于1，通常等于濾波器的大小。該網(wǎng)絡(luò)中的最大池化層如下式所示:

式中:h是輸入圖像的高度；b是輸入圖像的寬度；y是尺寸為hp×bp的池化結(jié)果；i＝1，2，…，hp；j＝1，2，…，bp；q＝1，2，…，m。

特征學(xué)習(xí)模塊的每一層都將前一層的輸出作為輸入，從而形成一個分層特征映射，將原始像素數(shù)據(jù)轉(zhuǎn)換為多層特征向量。分類模塊由全連接層組成，該方法利用最高層次的特征向量作為單隱藏層前饋神經(jīng)網(wǎng)絡(luò)分類器。對于分類任務(wù)，輸入大小通常是訓(xùn)練圖片的大小[6]。使用的圖片為RGB 格式，大小為128 pixel×128 pixel。

1.3 基于深度卷積神經(jīng)網(wǎng)絡(luò)分類結(jié)果

采集了一組廢棄電器設(shè)備的照片進(jìn)行分類。這組數(shù)據(jù)包括不同型號的冰箱、洗衣機(jī)和電視機(jī)，如圖4 所示為相關(guān)數(shù)據(jù)圖片。

圖4 訓(xùn)練數(shù)據(jù)部分樣圖

該網(wǎng)絡(luò)使用1 800 張圖片進(jìn)行訓(xùn)練，分為3 類，每類600 張，然后選取300 張測試圖片，每類100 張進(jìn)行測試。其中，數(shù)據(jù)集的制作采用網(wǎng)絡(luò)爬蟲和人工拍攝的方式，為了保證圖片類別的準(zhǔn)確性，所有圖片都經(jīng)過人工預(yù)處理。測試圖片不是訓(xùn)練集的一部分，為提高訓(xùn)練和測試的準(zhǔn)確率[7]，對圖片進(jìn)行方形裁剪。每個圖片包含一個廢物物品(冰箱、洗衣機(jī)、電視機(jī)、顯示器)，圖片縮放到128 pixel ×128 pixel。采用不同的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，測試了卷積神經(jīng)網(wǎng)絡(luò)包含的3 個卷積層。在3 個方面對深度卷積層結(jié)構(gòu)進(jìn)行了修改:濾波器的數(shù)目，濾波器的大小，以及圖片輸入的大小。使用系統(tǒng)的方法來確定濾波器的大小，卷積層c1 濾波器的大小為7×7，9×9，和11×11，卷積層c2 濾波器的大小為7×7，5×5，和3×3，卷積層c3 濾波器的大小為3×3。逐步改變?yōu)V波器的大小和數(shù)量，訓(xùn)練步長范圍是1 到4，進(jìn)行訓(xùn)練得到新的參數(shù)，重復(fù)訓(xùn)練5 次，對訓(xùn)練結(jié)果進(jìn)行評估，選擇性能最好的一組濾波器。

2 實(shí)驗(yàn)分析

2.1 選定類別電子垃圾分類結(jié)果

表1 中給出了2 種深度卷積神經(jīng)網(wǎng)絡(luò)的詳細(xì)配置參數(shù)，網(wǎng)絡(luò)的Padding 卷積層分別為0、1、1，F(xiàn)S 是濾波器的大小，F(xiàn)M 是特征圖，MS 是特征圖的尺寸，最大池化層是3×3 的濾波器，并且在測試的過程中對洗衣機(jī)、冰箱和顯示器使用C1、C2 和C3 卷積層特征可視化，如圖5 所示。利用該方法對3 類電子垃圾設(shè)備進(jìn)行了檢測和分類，平均準(zhǔn)確率為90%到96.7%，其準(zhǔn)確率的波動取決于參數(shù)的配置和訓(xùn)練數(shù)據(jù)量的大小，分類結(jié)果的混淆矩陣如圖6 所示。

圖5 CNN2 卷積神經(jīng)網(wǎng)絡(luò)輸出特征可視化

表1 兩種深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的分類結(jié)果

在混淆矩陣圖6 中，行對應(yīng)于預(yù)測的輸出類，列對應(yīng)于真實(shí)的目標(biāo)類。對角線單元對應(yīng)于已正確分類的預(yù)測值，非對角線單元對應(yīng)于未正確分類的預(yù)測值。圖6 最右邊的一列顯示了預(yù)測每個類中所有已測試圖片中正確和不正確的分類百分比[8-10]。圖6 底部的一行顯示了屬于每個類的所有圖片的正確分類和不正確分類的百分比，圖6 右下角的單元格顯示了總體準(zhǔn)確率。該方法只允許識別圖片中的一個對象，并對圖片尺寸大小有要求。

圖6 卷積網(wǎng)絡(luò)CNN1 和CNN2 對三類垃圾進(jìn)行分類的結(jié)果

2.2 多目標(biāo)分類識別

Faster R-CNN 算法利用了卷積神經(jīng)網(wǎng)絡(luò)來提取輸入的垃圾圖像特征圖，然后再通過共享卷積層將該特征圖分別送入Faster R-CNN 網(wǎng)絡(luò)和區(qū)域提議網(wǎng)絡(luò)中，算法框架如圖7 所示。采用Faster R-CNN網(wǎng)絡(luò)在一幅圖片中同時識別多個物體，F(xiàn)aster RCNN 網(wǎng)絡(luò)可以選擇要處理的區(qū)域并確定如何對這些區(qū)域進(jìn)行分類，并且在識別多個目標(biāo)的同時還可以識別物體的尺寸[11-12]。使用CNN 作為基礎(chǔ)網(wǎng)絡(luò)的Faster R-CNN 目標(biāo)檢測網(wǎng)絡(luò)包含3 個卷積層，濾波器大小為5×5，3×3 和3×3，并對其他的網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整(濾波器數(shù)量、層數(shù)、完全連接層中的神經(jīng)元個數(shù)、最大循環(huán)數(shù))，網(wǎng)絡(luò)訓(xùn)練有多個階段，每個階段學(xué)習(xí)完成的條件為10 個epoch，以達(dá)到最佳效果。

圖7 Faster R-CNN 算法框架

廢物設(shè)備的圖片可以包含一種、兩種或三種類型的廢物，以及幾件相同的設(shè)備，或相同類別的設(shè)備。設(shè)備類型的識別是電子垃圾收集規(guī)劃的第一步，確定對象的大小是關(guān)鍵，WEEE 收集計劃要求指定一輛能夠裝載客戶要求處理的所有廢物設(shè)備的車輛，電子垃圾報告的自動化系統(tǒng)既方便客戶拍照并發(fā)送照片，也方便收集公司服務(wù)器的后臺處理，上傳的所有照片都可以被識別并按類別和大小進(jìn)行分類，圖8 是多目標(biāo)識別對象的示例。該方法的準(zhǔn)確率平均為90%，洗衣機(jī)圖片識別為100%，冰箱圖片識別為80%。CNN 網(wǎng)絡(luò)比R-CNN 網(wǎng)絡(luò)更能準(zhǔn)確地識別物體。Faster R-CNN 的優(yōu)點(diǎn)是能準(zhǔn)確識別目標(biāo)的大小[13-14]，圖9 為網(wǎng)絡(luò)采用四折交叉驗(yàn)證算法進(jìn)行驗(yàn)證，經(jīng)過了400 個epoch 評估測試。從圖中可以看出，當(dāng)訓(xùn)練模型在200 個epoch 時曲線趨于平穩(wěn)，性能最優(yōu)。圖10 是訓(xùn)練過程的Loss 曲線，可以看出網(wǎng)絡(luò)能夠迅速收斂，沒有出現(xiàn)大幅度震蕩和過擬合，說明網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計較為合理。

圖8 Faster R-CNN 多目標(biāo)檢測結(jié)果

圖9 卷積神經(jīng)網(wǎng)絡(luò)四折交叉驗(yàn)證準(zhǔn)確率測試

圖10 訓(xùn)練過程的Loss 曲線

深度學(xué)習(xí)的研究需要很高的硬件配置環(huán)境，尤其是對實(shí)驗(yàn)機(jī)器的顯卡性能和內(nèi)存要求極高，所以本實(shí)驗(yàn)使用1080Ti 顯卡和64 Gbyte 的DDR4 內(nèi)存，該配置具有極強(qiáng)的處理性能。

3 結(jié)論

本文提出了一種新的電子垃圾圖片識別和分類方法，利用CNN 對電子垃圾類型進(jìn)行分類，并利用Faster R-CNN 對圖片中垃圾設(shè)備的類別和大小進(jìn)行檢測，采用的分類識別算法具有較高的識別率。由于數(shù)據(jù)量不充足，可通過對數(shù)據(jù)量進(jìn)行擴(kuò)充，進(jìn)一步提高模型的準(zhǔn)確率和魯棒性。基于深度學(xué)習(xí)CNN和Faster R-CNN 網(wǎng)絡(luò)識別廢物設(shè)備的準(zhǔn)確性為90%到96.7%。相比之下Faster R-CNN 網(wǎng)絡(luò)的準(zhǔn)確性較低(90%)，但可以進(jìn)行識別并確定圖片中目標(biāo)的大小。這種用于識別廢物的新方法為數(shù)字化的解決方案提供思路，利用智能手機(jī)的拍照上傳功能，從而可以根據(jù)客戶圖片識別報告選擇收集的設(shè)備。后續(xù)的研究會考慮識別和分類多種廢物設(shè)備，并改進(jìn)網(wǎng)絡(luò)模型提高系統(tǒng)的整體性能。