在環(huán)保領域中,針對生活垃圾的有效分類,已逐步成為社會發(fā)展日益關注的焦點,其中針對垃圾的分類過程是生活垃圾處理的關鍵。在我國當前國情條件下,垃圾處理廠中垃圾分類處理多采用人工流水線分揀的方式進行,該方式存在環(huán)境惡劣、勞動強度大、分揀效率低和自動化程度弱的弊端,遠不能滿足我國環(huán)保資源回收利用的發(fā)展和社會進步需要。隨著我國工業(yè)自動化水平的不斷提升,自動化生產(chǎn)模式已多行業(yè)得到了良好的應用,但在環(huán)保行業(yè)中受到起步晚、投入少、分揀難度大等因素制約,適用于我國國情的自動化分揀設備匱乏,因此針對環(huán)保行業(yè)的垃圾分揀需求,以自動化工業(yè)設備替代人工分揀的方案勢在必行,研發(fā)生活垃圾智能分類系統(tǒng)有重要意義。垃圾分類是垃圾分離、回收或再利用的第一步。本課題采用基于MobileNetv3的深度學習分類模型,該模型根據(jù)以下類別對常見垃圾進行分類:可回收物、廚余垃圾、有害垃圾和其他垃圾。使用.jpg格式的15835個垃圾圖像數(shù)據(jù)集進行訓練。該模型使用了在ImageNet大型視覺識別挑戰(zhàn)數(shù)據(jù)集上訓練的模型進行遷移學習。對得到的基線MobileNet v3模型進行了優(yōu)化,最終測試精度為78%。模型更適合移動設備部署。本文還... 

【文章來源】：武漢紡織大學湖北省

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【部分圖文】：

數(shù)據(jù)集中

3基于改進型MobileNetV3網(wǎng)絡13（36）飲料瓶（37）干電池（38）軟膏（39）藥物（40）廢紙圖3.1數(shù)據(jù)集中部分圖片樣本.3.1.4數(shù)據(jù)集格式圖片和標簽組成文件如下圖3.2所示。圖3.2圖片和標簽組成文件該數(shù)據(jù)集包含圖片格式為jpg，標簽格式為txt，保持圖片和標簽文件名一一對應共有41個類別。這些圖片的尺寸，光線，對比度都不相同。背景環(huán)境也很復雜，所以更符合實際生活的情況。3.2問題分析任務是對垃圾圖片進行分類，即首先識別出每張圖片中物品的類別（比如易拉罐、果皮等），然后利用軟件程序查詢垃圾分類規(guī)則，輸出該圖片中物品屬于可回收物、廚余垃圾、有害垃圾和其他垃圾中的哪一種。我們需要利用深度學習算法解決圖片所表示物體的分類任務。3.3數(shù)據(jù)預處理人工檢查采集好的圖片，首先刪除少量尺寸太孝模糊的圖。在本文的所有實驗中，將數(shù)據(jù)集劃分為訓練集，驗證集和測試集。其中訓練集14252，驗證集1583，測試集4239張圖片和對應標簽。在訓練集中，41個垃圾分類數(shù)據(jù)分布如下圖3.3所示。由表，其中菜葉菜根（屬于廚余垃圾）的數(shù)量最多有625個，最少的是牙簽（屬于其他垃圾）的數(shù)量為89個，其他類別的數(shù)量分布較集中在200到300個之間。

武漢紡織大學碩士學位論文14圖3.3訓練集數(shù)據(jù)分布表3.1訓練集數(shù)據(jù)各類別數(shù)據(jù)對應數(shù)量標簽序號垃圾類別數(shù)量0其他垃圾/一次性快餐盒1961其他垃圾/污損塑料3422其他垃圾/煙蒂2523其他垃圾/牙簽894其他垃圾/破碎花盆及碟碗4105其他垃圾/竹筷2556廚余垃圾/剩飯剩菜3477廚余垃圾/大骨頭3328廚余垃圾/水果果皮3259廚余垃圾/水果果肉37010廚余垃圾/茶葉渣33811廚余垃圾/菜葉菜根62512廚余垃圾/蛋殼28513廚余垃圾/魚骨37114可回收物/充電寶31915可回收物/包38316可回收物/化妝品瓶352

【參考文獻】：
博士論文
[1]面向小樣本不平衡數(shù)據(jù)的生物醫(yī)學事件抽取方法研究[D]. 路揚.吉林大學 2019

碩士論文
[1]微電網(wǎng)的短期電力負荷預測研究與實現(xiàn)[D]. 孫孝魁.南京郵電大學 2019
[2]基于特征提取和異常分類的網(wǎng)絡流量異常檢測方法[D]. 杜臻.南京郵電大學 2019
[3]基于多分類器融合模型的展示廣告點擊率預估研究[D]. 鄭維.上海師范大學 2019
[4]基于遺傳算法的P2P網(wǎng)貸違約預警模型研究[D]. 丁越.浙江大學 2019
[5]基于網(wǎng)絡搜索數(shù)據(jù)的品牌汽車銷量預測研究[D]. 崔田.西安理工大學 2019
[6]建設工程安全事故特征及風險測度分析[D]. 萬亞.揚州大學 2019
[7]基于深度學習的城市垃圾桶智能分類研究[D]. 黃國維.安徽理工大學 2019
[8]基于互聯(lián)網(wǎng)金融下的信貸逾期預測的研究[D]. 王愛娥.曲阜師范大學 2019
[9]機器學習在材料熱電性能預測中的應用[D]. 陳佳.北京郵電大學 2019
[10]網(wǎng)絡入侵檢測中的機器學習方法與應用[D]. 胡睿升.北京郵電大學 2019



本文編號：3509501