基于深度学习的智能分类垃圾箱设计方法

赵一　陈震

摘要：目前，全国对于“互联网+”智能垃圾分类系统、智能垃圾桶等软硬件需求已处于白热化状态。垃圾分类机器人依靠计算机视觉来识别不同材料之间的差异，其背后应用了AI系统来赋予机器识别的规范和技术。通过深度学习技术，机器人可采用多层神经网络和视觉系统，以与人的方式类似的方式查看和识别物体。

关键词：智能分类;AI体贴;深度学习;CNN神经网络

我国每年产生近10亿吨垃圾，且每年以5%～8%的倍速递增，全国约2/3的城市，正在被垃圾“大军”包围。生活垃圾中有30%～40%都可以变废为宝，通过垃圾分类，既能减少占地，又能减少环境污染。传统上填埋和焚烧处理垃圾并不是优化的处理方式，如果经过垃圾分类，我们能大大提高垃圾资源的利用率。在现实生活中，大部分人对垃圾分类知识的了解并不全面，对于垃圾分类的意识较为薄弱，而传统的垃圾分类箱需要用户对垃圾分类的知识有一定的了解，它并不能高效地进行垃圾分类，也难以提高用户的分类意识，导致实际垃圾分类的效果并不如预期。而随着计算机科学技术、人工智能技术、图像分类等技术的产生和发展，让垃圾分类的智能化成为可能。针对以上垃圾分类存在的问题，本小组将开发一款基于图像分类的智能分类垃圾箱，同时配套小程序辅助，帮助人们高效地进行垃圾分类，同时在分类的过程中提高人们的环保意识。

一、深度学习

（一）数据集采集与整理

（1）前期：对CSDN、GitHub等中現成垃圾数据集进行下载，同时采取网上爬虫和线下手机拍照的形式扩充数据集，令每张图片重新处理至同一分辨率和大小，数据集分成一定数量类别，对每个类别的垃圾重量范围进行手动标注。

（2）后期：垃圾箱摄像头拍照后上传用户丢人垃圾的图片，并对每张图片进行标注与手工分类，形成标准数据集。

（二）模型输入

（1）模型训练输入：垃圾数据集。

（2）模型部署输入：摄像头和压力传感器分别获取垃圾的图像和重量。

（三）数据预处理

对图像进行水平/垂直翻转、旋转、缩放、裁剪、剪切、平移等数据增广技术。

（四）模型网络结构

服务端：CNN的图像分类性能与其网络深度存在着重要的关系，网络越深，CNN的拟合能力就越强，但进一步增加CNN的深度不但不能提高网络的精准度，反而会因为梯度消失而产生更高的训练误差，使CNN的图像分类性能降低。残差网络缓解在深度神经网络中增加深度带来了梯度消失的问题，它是目前应用最为广泛的CNN特征提取网络之一，由此也产生了许多Resnet变种网络。本模型以ResNeSt为基础结构，它结合了许多ResNet变种结构的优点：

（1）ResNeXt网络的切片思想，对输入的通道进行切片，均分每组的通道数，不同于Inception的需要人工设计每个分支，ResNeXt的每个分支的拓扑结构是相同的，即采用分组卷积。

（2）SENet注意力模块，可以自动学习到不同channel的重要程度，然后依照这个重要程度去提升有用的特征并抑制对当前任务用处不大的特征。

（3）SKNet的选择核模块，其灵感来源是，我们在看不同尺寸、不同远近的物体时，视觉皮层神经元接受域大小是会根据刺激来进行调节的。对应于CNN网络来说，就是可以根据输入信息的多个尺度自适应的调节接受域大小，与传统人工设计卷积核大小相比，让网络学会找到适合自己的卷积核可以增强网络的泛化能力。

硬件端：以MobileNetV3为基本网络结构，它综合了V1的深度可分离卷积和v2的具有线性瓶颈的逆残差结构的特点，同时加入了轻量集的注意力模型，保证了在极小Params和Flops的情况下，模型拥有较高的准确率。最后加上逻辑回归层和softmax层，一层用于学习网络输出和垃圾重量的权重，另一层对输出进行分类，最终从多类到四类（可回收垃圾、有害垃圾、厨余垃圾、其他垃圾）的映射表中输出垃圾类目。

（五）模型训练

（1）前期：输入“前期”收集到的图片，得到准确率并进行分析，进一步修改超参数优化模型。

（2）后期：不断收集到垃圾箱上传的图片数据后，输入之前的模型中，进一步训练、提高模型的准确率。

（六）测试

基于python的垃圾分类程序，用户丢人垃圾后，调用python程序对图片进行拍照并分类，同时导入request库将图片上传至服务器。通过Pyqt5设计一套图形化界面对垃圾分类程序进行测试，能够完成对上传图片进行识别并把识别结果进行输出的功能。

二、程序开发

基于微信框架设计的WXML语法、WXS语法、WXSS语法，使用微信web开发工具对垃圾分类小程序进行开发。使用小程序第三方组件库以及自定义组件进行页面搭建。调用小程序API实现网络请求、图片上传、获取位置（腾讯位置服务）等功能。后端服务器使用HTTPS请求调用的API，完成各类数据分析、管理和查询等操作。采用云开发提供的云函数、数据库、存储、云调用，尽可能轻松地完成后端的操作和管理。

（一）运用深度学习模型

区别于传统的浅层学习，深度学习的不同在于强调了模型结构的深度，明确特征学习的重要性。通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类和预测更容易。与传统的人工规则构造特征的方法相比，利用大数据来学习数据的特征值，更能够刻画数据丰富的内在信息。

（二）软硬件结合

本项目结合了硬件设施（智能分类垃圾箱）、软件端（垃圾分类小程序）研发形成了一套完整的体系。智能分类垃圾箱通过CNN进行图像分类，识别出垃圾的类别，并投放到对应的垃圾桶，简化传统分类垃圾的过程。而在小程序端，用户可进行垃圾分类知识的学习，我们通过积分制的方式调动用户使用智能分类垃圾箱和学习垃圾分类知识的积极性，从而在潜移默化中提高人们对于垃圾分类的意识。

三、硬件设施

（一）硬件结构

（1）人性化：将分拣模块置后，与市场的垃圾桶相比，无须等待垃圾分类完成后才能投入垃圾;无须记忆太多垃圾对应类目，做到解放人类大脑，垃圾即丢即走，方便快捷，无须烦恼。

（2）语音播报功能：经过图像识别出垃圾类别后，经扬声器播报垃圾类别。

（3）结构化创新：由1：1全金属打造，拥有四种垃圾分类，可拆卸式垃圾桶。本产品采用氧焊电焊铁丝等技术实现模块拼接。具有高度自动化、能自动开合、自动识别、精准投放垃圾的功能。

（二）硬件关联客户端

（1）可随时随地通过图像识别垃圾进行分类，浏览垃圾分类小知识。

（2）可根据地图查找附近的智能垃圾箱。

（3）设置积分制，用户可通过使用垃圾箱积累使用记录、辨别垃圾类别提高自己的“段位”，同时开设游戏问答模块，使积分制度引导用户潜移默化地掌握垃圾分类知识。

（三）开发步骤

（1）进行需求分析以及系统的整体设计，并收集数据。

（2）搭建深度学习模型，构建神经网络并训练模型;垃圾分类小程序界面的UI设计;智能分类垃圾箱整体结构设计及优化。

（3）小程序后台与深度学习对接并测试;硬件模型实现。

（4）树莓派后台与深度学习对接并测试;小程序拓展功能实现。

（5）项目整体完善，提高垃圾识别类目精度;小程序端体验优化。

作者简介：赵一（1984— ），男，汉族，湖北武汉人，博士，副教授，研究方向：人工智能;陈震（2001— ），男，汉族，广东河源人，本科在读，研究方向：人工智能。