可回收垃圾的循环利用对我国经济的可持续发展有着重要意义．当前的垃圾回收需要人们手动分类垃圾，找到一种自动分类垃圾的方法，提高垃圾回收的效率，不仅会产生显著的社会效益，而且有巨大的经济效益．为了提高可回收生活垃圾识别的准确率，研究人员尝试利用图像处理、机器学习等方法自动识别玻璃瓶、废纸、纸盒、易拉罐等常见生活废品．利用图像处理技术获取垃圾图像的特征后，再利用深度学习网络、支持向量机、K近邻分类器、主成分分析(PCA)方法[3]等方法对垃圾图像特征向量。提出一种在ImageNet图像数据集训练的ResNetl8模型进行迁移学习的方法．用于解决可回收生活垃圾的分类识别问题．对现有的可回收生活垃圾图像集进行旋转、平移、缩放等预处理后，由人工分为纸皮、废纸、塑料、玻璃和金属5个类别．每个类别各随机选择70％的样本用作训练集，剩余30％用作测试集．

可回收生活垃圾的分类和再利用，是我国社会经济良性循环的重要途径．基于机器视觉的高效分类算法是垃圾智能分类的关键．提出一种在ImageNet图像数据集训练的ResNetl8模型进行迁移学习的方法．用于解决可回收生活垃圾的分类识别问题．对现有的可回收生活垃圾图像集进行旋转、平移、缩放等预处理后，由人工分为纸皮、废纸、塑料、玻璃和金属5个类别．每个类别各随机选择70％的样本用作训练集，剩余30％用作测试集．在Matlab深度学习框架下，基于训练集对ResNetl8预训练模型进行迁移学习，形成新的ResNetl8分类模型．对测试集的实验结果表明：新分类模型分类准确率高达93．67％，而且提高了模型的训练速度.

一、数据集

本研究的图像数据集以Gary Thung和Mindy Yang∞1创建的垃圾图像数据集为基础，该数据集由1 989 张图片组成，分为玻璃、纸张、塑料、金属、纸皮5个类别，所有图片的大小调整到512×84．由于数据集的图像数量较少．从Kaggle网站中的waste—pictures数据集中抽取2 485张相同类型的图像，最终形成4 474张图片的实验数据集．每个类别的样图如图l所示．这些图像能较好表达生活垃圾被回收时的状态，例如变形的瓶子、皱褶的纸张等．每类大约有500～900张图像，每张照片的灯光和姿势都不一样，每个图像都执行了图像增强技术．这些技术包括图像的随机旋转、随机亮度控制、随机平移、随机缩放和随机剪切．选择变换的图像是为了考虑回收材料的不同方向，并最大化数据集的规模．

二、实验训练

模型训练与测试均是在Matlab 2019a的深度学习框架下完成的．硬件环境：Intel i7—8750H@2．20GHz CPU，32GB内存；Nvidia RTX2070 GPU，8GB显存．软件环境：CUDA Toolkit 9．0，CUDNN V7．0；Matlab Deep Learning Toolbox；Windows 10 64bit操作系统．模型训练与测试均通过GPU加速．对于迁移学习模型训练，主要有Epoch、Batch Size和Learning Rate参数．

Epoch：一个Epoch指代所有的数据送人网络中完成一次前向计算及反向传播的过程，随着Epoch数量的增加，神经网络中权重更新迭代的次数增多．

Batch Size：Batch是每次送入网络中训练的一部分数据，而Batch Size就是每个Batch中训练图片样本的数量．为了在内存效率和内存容量之间寻求最佳平衡，Batch Size应该进行精心设置，优化网络模型的性能及速度．

Learning Rate：是深度学习中重要的参数，其决定着训练样本的识别精度，合适的Learning Rate能够使训练样本的识别精度在合适的时间内达到一个理想值．随机把可回收生活垃圾数据集中每一类别图片的70％分为训练集、另外30％作为测试集．上述3个参数分别取3个不同值时，共完成27次实验，每次实验中训练模型的耗时和模型的测试精度如表1所示．为了综合评价每种参数组合的效果．对精度和耗时做归一化处理，作为精度和耗时的得分，将精度得分和耗时得分分别按0．6和0．4加权平均．可得综合得分．根据综合得分，可见Epoch、Batch Size和Learning Rate参数组合分别取(5，32，10‘3)和(10，32，10。3)时，迁移学习效果最好．考虑NtJll练过程中可能存在的随机误差，对(5，32，10。3)和(10，32，10‘3)这两个组合，再重复进行4次实验，可得表2的实验数据．可见这两个参数组合所得的迁移模型精度比较接近，但(5，32，10。)组合的训练耗时比(10，32，10。)组合少得多．图4和图5是两个组合训练时的过程曲线．可见，在Batch Size和Learning Rate取得合适的值时，Epoch的增加可以提高一定的精度。

三、实验代码

function varargout = main(varargin)
% MAIN MATLAB code for main.fig
%      MAIN, by itself, creates a new MAIN or raises the existing
%      singleton*.
%
%      H = MAIN returns the handle to a new MAIN or the handle to
%      the existing singleton*.
%
%      MAIN('CALLBACK',hObject,eventData,handles,...) calls the local
%      function named CALLBACK in MAIN.M with the given input arguments.
%
%      MAIN('Property','Value',...) creates a new MAIN or raises the
%      existing singleton*.  Starting from the left, property value pairs are
%      applied to the GUI before main_OpeningFcn gets called.  An
%      unrecognized property name or invalid value makes property application
%      stop.  All inputs are passed to main_OpeningFcn via varargin.
%
%      *See GUI Options on GUIDE's Tools menu.  Choose "GUI allows only one
%      instance to run (singleton)".
%
% See also: GUIDE, GUIDATA, GUIHANDLES% Edit the above text to modify the response to help main% Last Modified by GUIDE v2.5 14-Apr-2022 22:27:41% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct('gui_Name',       mfilename, ...'gui_Singleton',  gui_Singleton, ...'gui_OpeningFcn', @main_OpeningFcn, ...'gui_OutputFcn',  @main_OutputFcn, ...'gui_LayoutFcn',  [] , ...'gui_Callback',   []);
if nargin && ischar(varargin{1})gui_State.gui_Callback = str2func(varargin{1});
endif nargout[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
elsegui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT% --- Executes just before main is made visible.
function main_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject    handle to figure
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)
% varargin   command line arguments to main (see VARARGIN)% Choose default command line output for main
handles.output = hObject;% Update handles structure
guidata(hObject, handles);
cla reset;
box on;
set(handles.axes1,'xtick',[]);
set(handles.axes1,'ytick',[]);
cla reset;
box on; %在坐标轴四周加上边框
set(handles.axes2,'xtick',[]);
set(handles.axes2,'ytick',[]);
box on; %在坐标轴四周加上边框
cla reset;
set(handles.axes3,'xtick',[]);
set(handles.axes3,'ytick',[]);
set(handles.edit1,'string','');
set(handles.edit2,'string','');% UIWAIT makes main wait for user response (see UIRESUME)
% uiwait(handles.figure1);% --- Outputs from this function are returned to the command line.
function varargout = main_OutputFcn(hObject, eventdata, handles)
% varargout  cell array for returning output args (see VARARGOUT);
% hObject    handle to figure
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)% Get default command line output from handles structure
varargout{1} = handles.output;% --- Executes on button press in pushbutton1.
function pushbutton1_Callback(hObject, eventdata, handles)
% hObject    handle to pushbutton1 (see GCBO)
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)
global filepath
filepath = uigetdir('*.*','请选择文件夹');%fliepath为文件夹路径% --- Executes on button press in pushbutton2.
function pushbutton2_Callback(hObject, eventdata, handles)
% hObject    handle to pushbutton2 (see GCBO)
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)
global filepath
if filepath==0|isequal(filepath,0)|~exist(filepath,'dir')warndlg('文件夹不存在,请重新选择!','warning');return;
end
%%  数据集 %%
% 数据集,每个文件的标签是其所在文件夹
datas=imageDatastore(filepath,'LabelSource','foldernames');
% datas.Labels 标签
% datas.Files  路径+文件名数量一定要相同softmaxLayer % 分类层classificationLayer];%%  参数设定 %%
% 参数配置
% 验证集才加入
%'ValidationData',valImg,...
%'ValidationFrequency',6,...
options=trainingOptions('sgdm',...'MiniBatchSize',10,... % 10'MaxEpochs',8,...'Shuffle','every-epoch',...'InitialLearnRate',1e-4,...'Verbose',true,... %命令窗口显示指标'Plots','training-progress');% ,TrainingAccuracy,TrainingLoss
[net_cnn,info]=trainNetwork(trainImg,layers,options);axes(handles.axes1);
plot(info.TrainingAccuracy);
xlabel('迭代');
ylabel('Accuracy(%)');
axes(handles.axes2);
plot(info.TrainingLoss);
xlabel('迭代');
ylabel('Loss');
%% 模型存储 %%
% 保存模型名称+训练好的模型
save net_cnn net_cnn;res=num2str(accuracy*100);
res=strcat(res,'%');
set(handles.edit1, 'String',res);% --- Executes on button press in pushbutton3.
function pushbutton3_Callback(hObject, eventdata, handles)
% hObject    handle to pushbutton3 (see GCBO)
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)
global str;
[filename,pathname]=uigetfile({'*.mat'});
str=[pathname filename];
if isequal(filename,0)|isequal(pathname,0)warndlg('模型不存在,请重试!','warning');return;
end

参考文献

【1】宁凯,张东波.基于视觉感知的智能扫地机器人的垃圾检测与分类[J].

【2】刘雅璇,潘万彬.基于自我训练的长效垃圾分类方法[J].

今后应进一步丰富可回收垃圾图像数据集，建立混合垃圾图像的分类与识别模型，以进一步提升可回收垃圾图像模型的识别准确率．

垃圾分类识别系统对垃圾投放环节进行实时监测，无需人工干预，一旦监测到垃圾投放未分类时，立即进行告警，提醒市民和监管人员，有效遏制事件的发生。同时将告警截图和视频保存到数据库形成报表，可根据时间段对告警记录和告警截图、视频进行查询点播，方便进行事后轨迹回溯。

两只企鹅：1341703358，可以知道更多！

基于Matlab卷积神经网络垃圾分类识别系统相关推荐

基于Pytorch框架的轻量级卷积神经网络垃圾分类识别系统
今天在查资料的时候在网上看到一篇文章,博主是基于TensorFlow实现的CNN来完成对垃圾分类识别的,想到最近正好在使用Pytorch就想也做一下,就当是项目开发实践了.先看下动态操作效果: 原文在 ...
基于MATLAB的人脸考勤识别系统
基于MATLAB的人脸考勤识别系统摘要人脸识别是模式识别和图像处理等学科的一个研究热点,它广泛应用在身份验证.刑侦破案.视频监视.机器人智能化和医学等领域,具有广阔的应用价值和商用价值.人脸特征 ...
超详细基于MATLAB的人脸考勤识别系统
基于MATLAB的人脸考勤识别系统摘要人脸识别是模式识别和图像处理等学科的一个研究热点,它广泛应用在身份验证.刑侦破案.视频监视.机器人智能化和医学等领域,具有广阔的应用价值和商用价值.人脸特征 ...
基于matlab的自动人脸识别系统GUI设计
基于matlab的自动人脸识别系统GUI设计之前做的一个课设项目半成品,一边网上找资料一边自己瞎捣鼓,完成了GUI界面的设计,实时视频中的人脸检测和追踪,PCA算法训练,单张人脸识别.但是识别率比较 ...
基于matlab的手写体数字识别系统,基于matlab的手写体数字识别系统研究
基于matlab的手写体数字识别系统研究丁禹鑫1,丁会2,张红娟2,杨彤彤1 [摘要]随着科学技术的发展,机器学习成为一大学科热门领域,是一门专门研究计算机怎样模拟或实现人类的学习行为的交叉学科.文 ...
基于深度学习的垃圾分类识别系统
目录摘要深度学习算法实现垃圾分类识别系统结束摘要随着我国经济的飞速发展,人民生活水平的提高,生活垃圾的产生量也急剧增加.垃圾种类繁多,材质.颜色和外形各异,而且在不同地域和不同场景下的类别 ...
基于matlab的手写体数字识别系统
摘要:随着科学技术的发展,机器学习成为一大学科热门领域,是一门专门研究计算机怎样模拟或实现人类的学习行为的交叉学科.文章在matlab软件的基础上,利用BP神经网络算法完成手写体数字的识别. 机器学习 ...
基于MATLAB的农业病虫害识别系统
摘要目前,图像处理技术的应用与研究都有了很大进展,其应用也已经渗透到农业生产的各个领域.在农业生产中,病虫害一直是困扰农作物生长的基本问题.因此研究农作物病虫草害的自动检测与识别,开发智能化控制系 ...
【病虫害识别】基于matlab GUI SVM病虫害识别系统【含Matlab源码 2429期】
⛄一.基于机器视觉的农作物病害识别技术 1 叶片图像采集进行农作物病害自动检测与识别首先要对病害叶片的图像进行采集.自动识别的前提是获得数字图像, 数字图像质量的好坏决定着之后叶片病害的识别特征能否 ...

基于Matlab卷积神经网络垃圾分类识别系统

一、数据集

二、实验训练

三、实验代码

基于Matlab卷积神经网络垃圾分类识别系统相关推荐

最新文章

热门文章