基于深度學(xué)習(xí)的智能分類垃圾箱設(shè)計方法

趙一 陳震

關(guān)鍵詞：智能分類;AI體貼;深度學(xué)習(xí);CNN神經(jīng)網(wǎng)絡(luò)

我國每年產(chǎn)生近10億噸垃圾，且每年以5%～8%的倍速遞增，全國約2/3的城市，正在被垃圾“大軍”包圍。生活垃圾中有30%～40%都可以變廢為寶，通過垃圾分類，既能減少占地，又能減少環(huán)境污染。傳統(tǒng)上填埋和焚燒處理垃圾并不是優(yōu)化的處理方式，如果經(jīng)過垃圾分類，我們能大大提高垃圾資源的利用率。在現(xiàn)實生活中，大部分人對垃圾分類知識的了解并不全面，對于垃圾分類的意識較為薄弱，而傳統(tǒng)的垃圾分類箱需要用戶對垃圾分類的知識有一定的了解，它并不能高效地進(jìn)行垃圾分類，也難以提高用戶的分類意識，導(dǎo)致實際垃圾分類的效果并不如預(yù)期。而隨著計算機(jī)科學(xué)技術(shù)、人工智能技術(shù)、圖像分類等技術(shù)的產(chǎn)生和發(fā)展，讓垃圾分類的智能化成為可能。針對以上垃圾分類存在的問題，本小組將開發(fā)一款基于圖像分類的智能分類垃圾箱，同時配套小程序輔助，幫助人們高效地進(jìn)行垃圾分類，同時在分類的過程中提高人們的環(huán)保意識。

一、深度學(xué)習(xí)

（一）數(shù)據(jù)集采集與整理

（1）前期：對CSDN、GitHub等中現(xiàn)成垃圾數(shù)據(jù)集進(jìn)行下載，同時采取網(wǎng)上爬蟲和線下手機(jī)拍照的形式擴(kuò)充數(shù)據(jù)集，令每張圖片重新處理至同一分辨率和大小，數(shù)據(jù)集分成一定數(shù)量類別，對每個類別的垃圾重量范圍進(jìn)行手動標(biāo)注。

（2）后期：垃圾箱攝像頭拍照后上傳用戶丟人垃圾的圖片，并對每張圖片進(jìn)行標(biāo)注與手工分類，形成標(biāo)準(zhǔn)數(shù)據(jù)集。

（二）模型輸入

（1）模型訓(xùn)練輸入：垃圾數(shù)據(jù)集。

（2）模型部署輸入：攝像頭和壓力傳感器分別獲取垃圾的圖像和重量。

（三）數(shù)據(jù)預(yù)處理

對圖像進(jìn)行水平/垂直翻轉(zhuǎn)、旋轉(zhuǎn)、縮放、裁剪、剪切、平移等數(shù)據(jù)增廣技術(shù)。

（四）模型網(wǎng)絡(luò)結(jié)構(gòu)

服務(wù)端：CNN的圖像分類性能與其網(wǎng)絡(luò)深度存在著重要的關(guān)系，網(wǎng)絡(luò)越深，CNN的擬合能力就越強(qiáng)，但進(jìn)一步增加CNN的深度不但不能提高網(wǎng)絡(luò)的精準(zhǔn)度，反而會因為梯度消失而產(chǎn)生更高的訓(xùn)練誤差，使CNN的圖像分類性能降低。殘差網(wǎng)絡(luò)緩解在深度神經(jīng)網(wǎng)絡(luò)中增加深度帶來了梯度消失的問題，它是目前應(yīng)用最為廣泛的CNN特征提取網(wǎng)絡(luò)之一，由此也產(chǎn)生了許多Resnet變種網(wǎng)絡(luò)。本模型以ResNeSt為基礎(chǔ)結(jié)構(gòu)，它結(jié)合了許多ResNet變種結(jié)構(gòu)的優(yōu)點(diǎn)：

（1）ResNeXt網(wǎng)絡(luò)的切片思想，對輸入的通道進(jìn)行切片，均分每組的通道數(shù)，不同于Inception的需要人工設(shè)計每個分支，ResNeXt的每個分支的拓?fù)浣Y(jié)構(gòu)是相同的，即采用分組卷積。

（2）SENet注意力模塊，可以自動學(xué)習(xí)到不同channel的重要程度，然后依照這個重要程度去提升有用的特征并抑制對當(dāng)前任務(wù)用處不大的特征。

（3）SKNet的選擇核模塊，其靈感來源是，我們在看不同尺寸、不同遠(yuǎn)近的物體時，視覺皮層神經(jīng)元接受域大小是會根據(jù)刺激來進(jìn)行調(diào)節(jié)的。對應(yīng)于CNN網(wǎng)絡(luò)來說，就是可以根據(jù)輸入信息的多個尺度自適應(yīng)的調(diào)節(jié)接受域大小，與傳統(tǒng)人工設(shè)計卷積核大小相比，讓網(wǎng)絡(luò)學(xué)會找到適合自己的卷積核可以增強(qiáng)網(wǎng)絡(luò)的泛化能力。

硬件端：以MobileNetV3為基本網(wǎng)絡(luò)結(jié)構(gòu)，它綜合了V1的深度可分離卷積和v2的具有線性瓶頸的逆殘差結(jié)構(gòu)的特點(diǎn)，同時加入了輕量集的注意力模型，保證了在極小Params和Flops的情況下，模型擁有較高的準(zhǔn)確率。最后加上邏輯回歸層和softmax層，一層用于學(xué)習(xí)網(wǎng)絡(luò)輸出和垃圾重量的權(quán)重，另一層對輸出進(jìn)行分類，最終從多類到四類（可回收垃圾、有害垃圾、廚余垃圾、其他垃圾）的映射表中輸出垃圾類目。

（五）模型訓(xùn)練

（1）前期：輸入“前期”收集到的圖片，得到準(zhǔn)確率并進(jìn)行分析，進(jìn)一步修改超參數(shù)優(yōu)化模型。

（2）后期：不斷收集到垃圾箱上傳的圖片數(shù)據(jù)后，輸入之前的模型中，進(jìn)一步訓(xùn)練、提高模型的準(zhǔn)確率。

（六）測試

基于python的垃圾分類程序，用戶丟人垃圾后，調(diào)用python程序?qū)D片進(jìn)行拍照并分類，同時導(dǎo)入request庫將圖片上傳至服務(wù)器。通過Pyqt5設(shè)計一套圖形化界面對垃圾分類程序進(jìn)行測試，能夠完成對上傳圖片進(jìn)行識別并把識別結(jié)果進(jìn)行輸出的功能。

二、程序開發(fā)

基于微信框架設(shè)計的WXML語法、WXS語法、WXSS語法，使用微信web開發(fā)工具對垃圾分類小程序進(jìn)行開發(fā)。使用小程序第三方組件庫以及自定義組件進(jìn)行頁面搭建。調(diào)用小程序API實現(xiàn)網(wǎng)絡(luò)請求、圖片上傳、獲取位置（騰訊位置服務(wù)）等功能。后端服務(wù)器使用HTTPS請求調(diào)用的API，完成各類數(shù)據(jù)分析、管理和查詢等操作。采用云開發(fā)提供的云函數(shù)、數(shù)據(jù)庫、存儲、云調(diào)用，盡可能輕松地完成后端的操作和管理。

（一）運(yùn)用深度學(xué)習(xí)模型

區(qū)別于傳統(tǒng)的淺層學(xué)習(xí)，深度學(xué)習(xí)的不同在于強(qiáng)調(diào)了模型結(jié)構(gòu)的深度，明確特征學(xué)習(xí)的重要性。通過逐層特征變換，將樣本在原空間的特征表示變換到一個新特征空間，從而使分類和預(yù)測更容易。與傳統(tǒng)的人工規(guī)則構(gòu)造特征的方法相比，利用大數(shù)據(jù)來學(xué)習(xí)數(shù)據(jù)的特征值，更能夠刻畫數(shù)據(jù)豐富的內(nèi)在信息。

（二）軟硬件結(jié)合

本項目結(jié)合了硬件設(shè)施（智能分類垃圾箱）、軟件端（垃圾分類小程序）研發(fā)形成了一套完整的體系。智能分類垃圾箱通過CNN進(jìn)行圖像分類，識別出垃圾的類別，并投放到對應(yīng)的垃圾桶，簡化傳統(tǒng)分類垃圾的過程。而在小程序端，用戶可進(jìn)行垃圾分類知識的學(xué)習(xí)，我們通過積分制的方式調(diào)動用戶使用智能分類垃圾箱和學(xué)習(xí)垃圾分類知識的積極性，從而在潛移默化中提高人們對于垃圾分類的意識。

三、硬件設(shè)施

（一）硬件結(jié)構(gòu)

（1）人性化：將分揀模塊置后，與市場的垃圾桶相比，無須等待垃圾分類完成后才能投入垃圾;無須記憶太多垃圾對應(yīng)類目，做到解放人類大腦，垃圾即丟即走，方便快捷，無須煩惱。

（2）語音播報功能：經(jīng)過圖像識別出垃圾類別后，經(jīng)揚(yáng)聲器播報垃圾類別。

（3）結(jié)構(gòu)化創(chuàng)新：由1：1全金屬打造，擁有四種垃圾分類，可拆卸式垃圾桶。本產(chǎn)品采用氧焊電焊鐵絲等技術(shù)實現(xiàn)模塊拼接。具有高度自動化、能自動開合、自動識別、精準(zhǔn)投放垃圾的功能。

（二）硬件關(guān)聯(lián)客戶端

（1）可隨時隨地通過圖像識別垃圾進(jìn)行分類，瀏覽垃圾分類小知識。

（2）可根據(jù)地圖查找附近的智能垃圾箱。

（3）設(shè)置積分制，用戶可通過使用垃圾箱積累使用記錄、辨別垃圾類別提高自己的“段位”，同時開設(shè)游戲問答模塊，使積分制度引導(dǎo)用戶潛移默化地掌握垃圾分類知識。

（三）開發(fā)步驟

（1）進(jìn)行需求分析以及系統(tǒng)的整體設(shè)計，并收集數(shù)據(jù)。

（2）搭建深度學(xué)習(xí)模型，構(gòu)建神經(jīng)網(wǎng)絡(luò)并訓(xùn)練模型;垃圾分類小程序界面的UI設(shè)計;智能分類垃圾箱整體結(jié)構(gòu)設(shè)計及優(yōu)化。

（3）小程序后臺與深度學(xué)習(xí)對接并測試;硬件模型實現(xiàn)。

（4）樹莓派后臺與深度學(xué)習(xí)對接并測試;小程序拓展功能實現(xiàn)。

（5）項目整體完善，提高垃圾識別類目精度;小程序端體驗優(yōu)化。