智能垃圾分類系統(tǒng)的研究設(shè)計(jì)

楊會(huì)玲 葉利華 劉小晶 王寶旭 商永全 張剛

摘要：本文針對(duì)現(xiàn)階段前期垃圾分類不徹底造成的問題，實(shí)地調(diào)查了解垃圾站垃圾分類的基本操作流程和系統(tǒng)設(shè)計(jì)。結(jié)合調(diào)研數(shù)據(jù)，分析垃圾分類政策相關(guān)要求，探索垃圾站分類工作新方法，結(jié)合現(xiàn)有AI技術(shù)對(duì)垃圾站垃圾分類系統(tǒng)進(jìn)行優(yōu)化處理，設(shè)計(jì)了智能垃圾分類系統(tǒng)，為我國生態(tài)環(huán)境保護(hù)做貢獻(xiàn)。

關(guān)鍵詞：垃圾分類;智能化;深度學(xué)習(xí);垃圾站;生態(tài)環(huán)境

中圖分類號(hào)：TP183

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）04-0261-04

收稿日期：2019-10-15

基金項(xiàng)目：國家級(jí)大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目（編號(hào)：201910354027）;浙江省新苗人才計(jì)劃項(xiàng)目（編號(hào)：2019R417037）

作者簡介：楊會(huì)玲（1998—），女，主 要研究領(lǐng)域?yàn)閳D像處理;葉利華（1978—），男，主要研究領(lǐng)域?yàn)闄C(jī)器學(xué)習(xí);劉小晶（1964—），女，主要研究領(lǐng)域?yàn)橹悄苄畔⑻幚砗徒逃夹g(shù);王寶旭（1999—），男，主要研究領(lǐng)域?yàn)槿斯ぶ悄?商永全（1999—），男，主要研究領(lǐng)域?yàn)檐浖こ?張剛（1999—），男，主要研究領(lǐng)域?yàn)檐浖こ獭?/p>

Modeling and Simulation of Computational Thinking Education

YANG Hui-ling，YE Li-hua，LIU Xiao-jing，W ANG Bao-xu，SHANG Yong-quan，ZHANG Gang

（School of Mathematical and Information Engineering，Jiaxing University，Zhejiang 314001，China）

Abstract：This paper explores aims at the problems caused by incomplete garbage classification at the early stage，and investigation to understand the basic operation process and system design of garbage classification.Combined with the survey data，analyze the relevant requirements of garbage classification policy，explore a new method of garbage station classification，combine the existing AI technology to optimize the garbage classification system of garbage station，design an intelligent garbage classification system，and make contribu-tions to the ecological env ironment protection in China.

Key words：Garbage Classification;Intelligent;Deep Learning;Garbage dump;The Ecological Environment

1 概述

隨著智慧城市[1]快速發(fā)展，居民的生活水平不斷提高，人民對(duì)高質(zhì)量生活環(huán)境綠色環(huán)保型社會(huì)的需求日益強(qiáng)烈。為了滿足人民日益增長的生活需求，各種多元化的商品及生活用品蜂擁而至。隨之而來的是日益增多的生活垃圾，對(duì)環(huán)境造成了極大的壓力，有些城市已經(jīng)出現(xiàn)了垃圾圍城的現(xiàn)象。垃圾分類是造成環(huán)境污染、資源循環(huán)利用困難的一大因素[2]，已成為我國需要解決的迫在眉睫的問題。2016年12月，習(xí)近平總書記在主持中央財(cái)經(jīng)工作領(lǐng)導(dǎo)小組會(huì)議時(shí)鄭重提出，要大力普遍推行垃圾分類制度。中國垃圾分類近期（2020年底）市場份額為160億元，遠(yuǎn)期市場份額估計(jì)將突破600億元大關(guān)[3]，等于再造一個(gè)服務(wù)市場。

在巨大的市場推動(dòng)下，國內(nèi)的垃圾分類公司如雨后春筍。為了實(shí)現(xiàn)對(duì)生活垃圾的初步分類，目前，市場上已推出可分類垃圾桶，但還需要人工將垃圾投入相應(yīng)分類口，且為帶蓋垃圾箱，開蓋時(shí)需采用手動(dòng)或腳踩方式實(shí)現(xiàn)，這種方式主要的缺點(diǎn)是既不衛(wèi)生又不方便。并且人們對(duì)垃圾是否可回收的概念模糊，常常也會(huì)造成垃圾的混亂投放。隨著科技進(jìn)步，市場上興起智能垃圾箱，但開發(fā)程度并不高[4]，主要以自動(dòng)感應(yīng)翻蓋為主，不能主動(dòng)對(duì)垃圾進(jìn)行分類，且成本高昂，覆蓋范圍小。

我國垃圾站目前采用集中回收垃圾方法，由居民將生活垃圾收集后丟棄至公共垃圾桶。但居民普遍存在垃圾分類意識(shí)薄弱[5]，垃圾分類知識(shí)掌握不足的問題，導(dǎo)致垃圾分類不徹底。垃圾站在垃圾運(yùn)輸環(huán)節(jié)考慮成本等因素，又將分類收集起來的垃圾集中混合運(yùn)輸，主要采用填埋、焚燒方式處理垃圾，占用大量土地資源，造成二次污染。垃圾站傳統(tǒng)的物理化學(xué)分類設(shè)備體積大，回收率低，導(dǎo)致許多可回收應(yīng)用的垃圾未得到充分利用而導(dǎo)致巨大資源浪費(fèi)。

前期居民主動(dòng)分類的不徹底性，后期垃圾站分類的不足，無法做到真正的垃圾分類。鑒于此，本文提出設(shè)計(jì)了智能垃圾分類系統(tǒng)，該系統(tǒng)由硬件部分的終端設(shè)備和Web服務(wù)端用戶可視化控制平臺(tái)所組成。此系統(tǒng)運(yùn)用了前沿人工智能技術(shù)，用較低的硬件成本實(shí)現(xiàn)對(duì)垃圾的智能識(shí)別與分類。其設(shè)備操作簡單，精細(xì)化分類，省去人工分類環(huán)節(jié)，節(jié)省人力，系統(tǒng)識(shí)別精準(zhǔn)，從而可有效提高回收率、減少垃圾處理量、減輕環(huán)境污染、支持節(jié)能、促進(jìn)循環(huán)經(jīng)濟(jì)的發(fā)展等，彌補(bǔ)傳統(tǒng)垃圾分類系統(tǒng)的不足，解決由于前期垃圾分類不徹底造成的問題。還可利用互聯(lián)網(wǎng)采集數(shù)據(jù)，提供給人們更加便利的生活，迎合數(shù)據(jù)時(shí)代的需求。

2 系統(tǒng)構(gòu)架與設(shè)計(jì)

智能垃圾分類系統(tǒng)由終端設(shè)備、Web服務(wù)端用戶可視化的控制平臺(tái)組成。智能垃圾分類系統(tǒng)的硬件部分是一款基于CNN深度學(xué)習(xí)、圖像分類來實(shí)現(xiàn)垃圾分類功能的終端設(shè)備，它是智能垃圾分類系統(tǒng)中的主要部分，它有“圖像拍攝”“圖像處理”“圖像識(shí)別”“圖像分類”“控制分揀”“實(shí)時(shí)查看”等功能;智能垃圾分類系統(tǒng)的Web端，它主要在普通PC電腦上通過瀏覽器進(jìn)行訪問，方便管理者操作，它有“數(shù)據(jù)存儲(chǔ)”“數(shù)據(jù)查看”“數(shù)據(jù)統(tǒng)計(jì)功能”（如圖1所示）。

該系統(tǒng)基于tensorflow設(shè)計(jì)分類大腦，對(duì)圖像的處理分為兩步，首先使用openCV對(duì)采集的圖像進(jìn)行預(yù)處理[6]，然后采用基于深度學(xué)習(xí)的SSD模型[7]（如圖2所示）實(shí)現(xiàn)目標(biāo)的定位和分類。

訓(xùn)練模型的流程框架為：首先將搜集到的數(shù)據(jù)進(jìn)行標(biāo)注、清洗以及整理，然后通過SSD模型進(jìn)行定位分類，再基于K均值聚類損失和交叉信息熵?fù)p失優(yōu)化模型。模型的訓(xùn)練方法采用六折交叉驗(yàn)證法評(píng)估模型的預(yù)測性能[8]，在一定程度上減小過擬合從有限的數(shù)據(jù)中獲取盡可能多的有效信息。

3 系統(tǒng)功能實(shí)現(xiàn)

3.1 終端技術(shù)實(shí)現(xiàn)

智能垃圾分類系統(tǒng)的技術(shù)核心是垃圾圖片識(shí)別。本小節(jié)將圍繞垃圾圖片識(shí)別的基本流程，對(duì)系統(tǒng)實(shí)現(xiàn)過程中所牽涉的主要技術(shù)和算法進(jìn)行詳細(xì)地分析和講解。

3.1.1 圖片采集的實(shí)現(xiàn)

用戶在APP點(diǎn)擊拍照選擇圖片，將選擇的圖片上傳到服務(wù)器，再做垃圾識(shí)別。本系統(tǒng)使用的是型號(hào)為OV5647的攝像機(jī)應(yīng)用，將采集的作物圖片以文件形式保存至指定的文件夾，同時(shí)上傳到服務(wù)器識(shí)別。下面對(duì)圖片采集的實(shí)現(xiàn)進(jìn)行介紹。

獲取一張圖像的具體步驟（具體流程圖如圖3）如下：

1）檢測并訪問攝像頭。即檢查攝像頭存在與否并請(qǐng)求訪問。

2）攝像頭拍攝圖像，通過圖像分割算法分割出含有對(duì)象主體的圖片。

3）將圖像轉(zhuǎn)化為Base64格式編碼并通過HTTP-POST發(fā)送。

4）API服務(wù)。分類終端接受結(jié)果并進(jìn)行Json解碼。

5）邏輯層進(jìn)行圖像處理。

6）捕獲并保存文件。建立捕獲圖片或視頻并保存到輸出文件的代碼。

實(shí)現(xiàn)圖像捕獲線程的過程如下：

1）window線程開啟

2）中央?yún)f(xié)程開啟

3）測試拍攝-確定圖片參數(shù)

4）循環(huán)拍攝，觸發(fā)信號(hào)

5）捕獲后的圖像檢測邊緣并轉(zhuǎn)化為二值圖，如圖4所示。接著去除噪點(diǎn)并根據(jù)對(duì)象主體位置裁剪為分辨率224*224的圖片區(qū)域，并將區(qū)域代人原圖片得到預(yù)處理后的圖像。

圖像預(yù)處理主要實(shí)現(xiàn)過程為：對(duì)采集到的圖像進(jìn)行灰度化、圖像增強(qiáng)，濾波、二值化等處理以克服圖像干擾[9]。

1）灰度圖轉(zhuǎn)換、高斯濾波卷積圖像，邊緣檢測。

2）分割輪廓-方形，傳入輪廓圖，二值化圖像。

3）回傳區(qū)域。

3.1.2 機(jī)械控制

樹莓派自帶GPIO針腳，通過GPIO針腳控制與下位機(jī)的邏輯交互，主要實(shí)現(xiàn)過程如下：

1）中央控制協(xié)程-通道注人數(shù)據(jù);

2）針腳初始化;

3）開啟信號(hào)檢查進(jìn)程;

4）開啟數(shù)據(jù)管理線程;

5）類別分控節(jié)點(diǎn)線程，輸出一個(gè)對(duì)應(yīng)的等待觸發(fā)的信號(hào)。

3.2 Web端實(shí)現(xiàn)

Web端主要使用Html、CSS .Javaseript .Java和Mysql共同開發(fā)完成，使用Servlet與前端交互數(shù)據(jù)，前端定時(shí)向服務(wù)端請(qǐng)求數(shù)據(jù)，服務(wù)端收到請(qǐng)求后首先向數(shù)據(jù)庫發(fā)送命令查找相關(guān)數(shù)據(jù)并打包成Json發(fā)送到前端，前端解析接收到的數(shù)據(jù)并將其更新到頁面上，部分靜態(tài)消息（如配置文件）使用XML方式保存到本地。

Web端輔助分類垃圾的信息數(shù)據(jù)的“存儲(chǔ)”“統(tǒng)計(jì)”“分析，在WEB端主界面可以顯示出當(dāng)前設(shè)備數(shù)目、分類垃圾的總數(shù)、各設(shè)備詳細(xì)信息;歷史界面按日期統(tǒng)計(jì)了分類垃圾的詳細(xì)信息，并且用戶可以進(jìn)行檢索;數(shù)據(jù)記錄界面給用戶呈現(xiàn)了詳細(xì)的已分類的垃圾圖表分析，具體實(shí)現(xiàn)如圖5所示。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)中使用Linux操作系統(tǒng)，在數(shù)據(jù)集上訓(xùn)練初始網(wǎng)絡(luò)模型。終端使用Go語言，Goev、go-rpigpio運(yùn)行庫。Web服務(wù)器端使用Java語言開發(fā)，在Tomeat環(huán)境，使用Tensorflow-gpu、gson、tensorflow-JNI運(yùn)行庫與組件，cuda9.0及cuda工具包。

4.2 實(shí)驗(yàn)測試數(shù)據(jù)

測試數(shù)據(jù)集的來源由兩部分構(gòu)成，約40%通過使用自有生活垃圾采集，50%左右分通過從互聯(lián)網(wǎng)上搜集一些垃圾圖片，測試的數(shù)據(jù)包括紙類、金屬、塑料、玻璃四大類分類（如圖6所示）。實(shí)驗(yàn)中將所有圖像尺寸縮放到256X256像素。為訓(xùn)練識(shí)別模型，單類別分別采集了近150張樣本。

4.3 結(jié)果分析

4.3.1 訓(xùn)練模型

利用互聯(lián)網(wǎng)和我們提供的數(shù)據(jù)集，首先進(jìn)行數(shù)據(jù)分析，數(shù)據(jù)如下圖7所示，并不復(fù)雜，背景簡單。

訓(xùn)練中可視化評(píng)估圖表如圖8、9所示：

采用微調(diào)訓(xùn)練，通過交叉驗(yàn)證的訓(xùn)練方法獲得模型，經(jīng)不斷的模型訓(xùn)練，識(shí)別準(zhǔn)確率最終可以穩(wěn)定在95%-98%，如圖10所示。

4.3.2 識(shí)別優(yōu)化

有監(jiān)督學(xué)習(xí)雖然高效、應(yīng)用范圍廣，但最大的問題就是需要大量的有標(biāo)簽的數(shù)據(jù)集，但現(xiàn)實(shí)生活中我們遇到的大量數(shù)據(jù)都是沒有明確標(biāo)簽的，而且對(duì)于龐大的數(shù)據(jù)集進(jìn)行標(biāo)注工作本身也是一項(xiàng)費(fèi)時(shí)費(fèi)力的工作模式，所以我們采用無監(jiān)督學(xué)習(xí)[10]。使用聚類方法進(jìn)行數(shù)據(jù)分類，在聚類中我們把物體所聚到的集合成為”簇”，聚類的優(yōu)化方法采用深度特征均值聚類。

由于初始化是隨機(jī)的，所以產(chǎn)生的結(jié)果可能不會(huì)相同，對(duì)于上述的初始化，我們可以從損失函數(shù)的曲線圖中可以看出，迭代兩次之后就已經(jīng)收斂（如圖11所示）。

5 結(jié)束語

針對(duì)現(xiàn)階段前期垃圾分類不徹底造成的問題，本文提出設(shè)計(jì)智能垃圾分類系統(tǒng)，滿足市場需求。相比于垃圾站已有的垃圾處理方法，該系統(tǒng)能運(yùn)用人工智能技術(shù)使得可以用較低的硬件成本來實(shí)現(xiàn)對(duì)垃圾智能定位與分類，還可利用互聯(lián)網(wǎng)采集數(shù)據(jù)，提供給人們更加便利的生活，迎合數(shù)據(jù)時(shí)代的需求。然而也注意到，本文設(shè)計(jì)的智能垃圾分類系統(tǒng)基于深度學(xué)習(xí)針對(duì)一些固態(tài)垃圾，對(duì)系統(tǒng)進(jìn)行了嘗試性的研究和探索開發(fā)，限于人力、時(shí)間、與工作基礎(chǔ)，以及垃圾千變?nèi)f化，形態(tài)萬千以及除固體外的其他形態(tài)的垃圾有待進(jìn)一步深入研究。且現(xiàn)階段智能.垃圾分類系統(tǒng)在實(shí)現(xiàn)自動(dòng)分揀之前需要進(jìn)行簡易的人工分揀，

系統(tǒng)的可靠性、實(shí)用性有待提高。本文在吸收多位專家學(xué)者研究成果的基礎(chǔ)上，把關(guān)注點(diǎn)放在垃圾站垃圾分類與智能化方面。隨著傳統(tǒng)的垃圾分類方式弊端的愈趨明顯，智能識(shí)別智能垃圾分類必然會(huì)迎來廣闊的發(fā)展前景[11]，讓垃圾分類成為新習(xí)慣、新風(fēng)尚、新規(guī)矩，文明行為逐漸養(yǎng)成，生活環(huán)境得到改善。

參考文獻(xiàn)：

[1]周梓博.分析人工智能技術(shù)在智慧城市中的應(yīng)用[J].通訊世界，2019（1）：259-260.

[2]金山.潔凈城市的第一步是垃圾分類[J].防災(zāi)博覽，2017（2）：60-61.

[3]朱颯.200億，垃圾分類市場規(guī)模是畫餅充饑？[J].資源再生，2017（12）：38-39.

[4]韓曉靜，張德富.智能分類垃圾箱的設(shè)計(jì)與研發(fā)[J].中國市場，2017（2）：182-183.

[5]賀旭娟.國內(nèi)垃圾分類回收處理現(xiàn)狀及對(duì)策[J].資源節(jié)約與環(huán)保，2018（12）：102-103.

[6]李娜，安彥波，余志偉，等.基于OpenCV的物體定位與捕捉系統(tǒng)設(shè)計(jì)[J].機(jī)械設(shè)計(jì)與制造工程，2019，48（3）：85-88.

[7]陳冠琪，胡國清，Jahangir Alam SM，等.基于改進(jìn)SSD的多目標(biāo)零件識(shí)別系統(tǒng)研究[J]新技術(shù)新工藝，2019（8）：72-76.

[8]張龍波，李智遠(yuǎn)，楊習(xí)貝，等.決策代價(jià)約簡求解中的交叉驗(yàn)證策略[J].南京大學(xué)學(xué)報(bào)（自然科學(xué)），2019，55（4）：601-608.

[9]郭業(yè)才，鄭慧穎，葉飛.梯度域和深度學(xué)習(xí)的圖像運(yùn)動(dòng)模糊盲去除算法[J].實(shí)驗(yàn)室研究與探索，2019，38（6）：4-8.

[10]甘井中，楊秀蘭，呂潔，等.人工智能中無監(jiān)督學(xué)習(xí)算法綜述[J].海峽科技與產(chǎn)業(yè)，2019（1）：134-135.

[11]楊淑婷.人工智能發(fā)展概述[J].福建電腦，2018，34（10）：86-87.

[通聯(lián)編輯：唐一東]