基于Tensorflow的垃圾分類回收系統(tǒng)設(shè)計

鄧銀瑩 徐勇

摘要：目前我國城市垃圾數(shù)量逐年增加，垃圾分類及回收成為亟待解決的問題。針對城市生活垃圾分類效率低的現(xiàn)狀，以Tensorflow為基礎(chǔ)設(shè)計基于圖像識別的垃圾分類回收系統(tǒng)，系統(tǒng)由圖像識別分類、機(jī)械控制、用戶使用、滿溢監(jiān)測、清理系統(tǒng)五個模塊組成，旨在以智能化無人操作的方式完成垃圾的前期分類及回收，節(jié)省大量人力和物力投入，為我國智能垃圾分類回收箱的構(gòu)建提供新思路。

關(guān)鍵詞：人工智能;垃圾分類;圖像識別;Tensorflow

中圖分類號：TP391? ? ? ?文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2021）23-0050-03

1引言

1.1 生活垃圾處理現(xiàn)狀

隨著人民經(jīng)濟(jì)生活水平的提高，城市垃圾總量日益增長。因大多數(shù)居民對于垃圾分類了解過少，在投放時無法正確進(jìn)行垃圾分類處理，僅簡單將各類垃圾放置在一起，使部門回收時無法及時合理化處理垃圾，導(dǎo)致嚴(yán)重的環(huán)境污染。

目前我國大多數(shù)城市采用填埋法處理垃圾，且對于垃圾的回收采取混合回收和統(tǒng)一運(yùn)輸?shù)姆绞?，這不僅浪費(fèi)土地資源，且依賴人工分揀，處理過程復(fù)雜，推廣效果不佳。

1.2 垃圾分類行業(yè)發(fā)展現(xiàn)狀

幾年來我國加速推行垃圾分類制度，先后在46個重點(diǎn)城市基本建成生活垃圾分類處理系統(tǒng)，同時加快構(gòu)建生活垃圾分類投放、收集、運(yùn)輸、處理為一體的處理體系，旨在進(jìn)一步推動循環(huán)經(jīng)濟(jì)、再生資源行業(yè)、環(huán)衛(wèi)設(shè)施產(chǎn)業(yè)發(fā)展。

由于人為處理垃圾分類過程較為復(fù)雜，公民分類意識和習(xí)慣仍需培養(yǎng)，因此使垃圾分類智能化成為現(xiàn)今垃圾分類行業(yè)需研究的重要方向。同時由于云計算、大數(shù)據(jù)、物聯(lián)網(wǎng)技術(shù)的出現(xiàn)，使垃圾分類智能化成為現(xiàn)實(shí)。

1.3 分類系統(tǒng)介紹

為了更好解決垃圾分類回收問題，及為垃圾分類智能化研究提供新思路。本文設(shè)計基于Tensorflow的生活垃圾分類回收處理系統(tǒng)，克服人工分揀困難，既提高前期的垃圾分類效率，又能回收更多可循環(huán)利用資源，在保護(hù)環(huán)境的同時減少資源消耗，降低后期垃圾處理的技術(shù)難度。

2 回收箱功能設(shè)計

本系統(tǒng)以TensorFlow為“監(jiān)察者”，以單片機(jī)為“執(zhí)行者”，通過兩者的協(xié)同配合來更加精確地實(shí)現(xiàn)垃圾分類回收[1]。箱體基于全封閉式設(shè)計，共分為五個模塊，圖1為回收箱使用流程圖。

2.1 圖像識別分類模塊

該模塊為整個系統(tǒng)設(shè)計重點(diǎn)之一?；厥障鋬?nèi)部能通過攝像頭捕捉投入箱內(nèi)的垃圾圖像信息，并將圖片進(jìn)行處理后發(fā)送到后臺系統(tǒng)。后臺系統(tǒng)接收垃圾圖像后，利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型對圖像進(jìn)行處理、識別與分類。

2.2 機(jī)械控制模塊

回收箱機(jī)械控制包括箱內(nèi)機(jī)械臂、傳送帶、攝像頭、紅外傳感器等硬件設(shè)施。主要負(fù)責(zé)在系統(tǒng)識別出用戶投入垃圾的類別后，利用機(jī)械臂和傳送帶將垃圾送至相應(yīng)內(nèi)置垃圾桶中。同時，后臺系統(tǒng)控制回收箱內(nèi)部裝置進(jìn)行定時消毒滅菌與排氣處理。

2.3 用戶使用模塊

回收箱上安裝液晶顯示屏，用戶通過掃描二維碼登錄線上個人賬戶，從而實(shí)現(xiàn)開關(guān)回收箱投遞口、查看個人使用記錄、進(jìn)行積分兌換等操作。

2.4 滿溢監(jiān)測模塊

每個內(nèi)置垃圾桶頂部安裝紅外感應(yīng)裝置，能實(shí)時檢測桶內(nèi)垃圾容量。一旦垃圾達(dá)到箱體容積的80%，系統(tǒng)便會發(fā)出警報，同時將信息傳入云端檢測部門，系統(tǒng)根據(jù)警報安排工作人員進(jìn)行垃圾回收運(yùn)輸與后續(xù)處理。

2.5 清理系統(tǒng)模塊

桶內(nèi)安裝紫光燈消毒裝置，定期對箱內(nèi)垃圾進(jìn)行消毒殺菌處理，防止細(xì)菌滋生。箱底安裝排氣裝置，從而保持箱內(nèi)空氣清新流暢。

2.6 設(shè)施監(jiān)控模塊

回收箱內(nèi)裝有GPS定位系統(tǒng)，不僅能實(shí)時檢測回收箱地理位置，更設(shè)有防盜安全警報裝置，當(dāng)檢測到回收箱某部位出現(xiàn)異常狀況，例如箱體遭到破壞等，系統(tǒng)便會發(fā)出警報，同時定位該回收箱位置，利用監(jiān)控查看周圍情況，避免回收箱被不法分子盜走。

3 基于Tensorflow的圖像分類設(shè)計

Tensorflow是谷歌基于DistBelief研發(fā)的第二代人工智能學(xué)習(xí)系統(tǒng)，可用于語音識別、圖像識別、大數(shù)據(jù)預(yù)測等機(jī)器學(xué)習(xí)和深度學(xué)習(xí)領(lǐng)域。利用神經(jīng)網(wǎng)絡(luò)進(jìn)行回收系統(tǒng)設(shè)計，能迅速、有效、準(zhǔn)確地對垃圾圖片進(jìn)行識別與分類，提高回收箱智能分類水平[2]。下面是神經(jīng)網(wǎng)絡(luò)模型設(shè)計：

3.1 數(shù)據(jù)預(yù)處理

利用爬蟲或是上網(wǎng)查找公開數(shù)據(jù)集等方式獲取各類圖片，包括塑料、易拉罐、廢紙、玻璃、布料等。對圖像進(jìn)行旋轉(zhuǎn)、裁剪、縮放、設(shè)置灰度等操作，并設(shè)置標(biāo)簽，不同標(biāo)簽代表不同圖像對應(yīng)類別，可視化查看預(yù)處理效果。最后需要將訓(xùn)練集數(shù)據(jù)轉(zhuǎn)化為TFRecord格式文件，作為神經(jīng)網(wǎng)絡(luò)的輸入層進(jìn)行訓(xùn)練。

3.2 搭建神經(jīng)網(wǎng)絡(luò)模型

通過構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)框架進(jìn)行圖片分類訓(xùn)練。本文共設(shè)置三次卷積池化層，兩次全連接層，一次RELU層和一次softmax層進(jìn)行訓(xùn)練。訓(xùn)練步驟包括：1）提取訓(xùn)練數(shù)據(jù)集送至搭建好的模型;2）利用模型將圖像和類別標(biāo)簽相對應(yīng)并驗(yàn)證結(jié)果;3）在訓(xùn)練中統(tǒng)計每迭代1000次的檢驗(yàn)損失值loss和準(zhǔn)確率acc，當(dāng)損失值越小，準(zhǔn)確率越高時，模型向正確方向收斂。

圖3是模型訓(xùn)練完成后可視化得到的loss-acc曲線圖，其中藍(lán)色線代表隨訓(xùn)練次數(shù)增加，損失值逐漸降低。紅色線代表模型準(zhǔn)確率隨訓(xùn)練次數(shù)的增加而上升。從圖中可以看出，隨著訓(xùn)練次數(shù)增加，該模型訓(xùn)練效果逐漸增強(qiáng)，符合分類回收系統(tǒng)構(gòu)建需求。

3.3 實(shí)例驗(yàn)證

最后，利用測試集對訓(xùn)練好的模型進(jìn)行檢驗(yàn)。測試集包含的圖片數(shù)據(jù)不是訓(xùn)練集的一部分，需要找新的數(shù)據(jù)進(jìn)行結(jié)果驗(yàn)證。

圖4展示部分測試結(jié)果，表1為針對上述訓(xùn)練模型的測試結(jié)果匯總。從表中數(shù)據(jù)可以看出，測試集分類準(zhǔn)確率不高，應(yīng)考慮訓(xùn)練模型不夠完善、訓(xùn)練集數(shù)據(jù)較少等問題加以改進(jìn)，從而使垃圾分類模型更加準(zhǔn)確有效。