首页 体育 教育 财经 社会 娱乐 军事 国内 科技 互联网 房产 国际 女人 汽车 游戏

上海居民快被垃圾分类逼疯!深度学习技术帮你做到垃圾自动分类

2019-07-12

让自动分类

近期垃圾分类成为了一个热门话题,原来直接一次性扔掉的垃圾,现在都需要分门别类进行投放, 从今年月,新的《上海市生活垃圾管理条例》正式开始施行,号称史上最严的垃圾分类就要来了, 我们以后在垃圾前都要先将垃圾仔细分成可回收物、有害垃圾、湿垃圾和干垃圾四个类别,如果分错还会被罚款,

分类可以更好地保护我们的环境卫生,为了让大家能够正确对垃圾进行分类,官方发布了垃圾分类指南,列举了每种类别对应的常见垃圾,大家可以对照着进行分类投放, ,脑洞大开的网友们也另辟蹊径,提供了各种有意思的分类思路,

在日常生活中每个类别的垃圾往往包含了各式各样的内容,人们在分类投放的时候难免会出现偏差,这个时候如果有一个分类神器对垃圾拍个照就能告诉我们是什么类别就好了,

人工智能飞速发展,我们能否利用AI技术来对垃圾自动分类,实现上面提到的设想呢?为了回答这个问题,在今天的文章中,我们将从人工智能的角度出发,尝试利用深度学习技术来构建一个垃圾自动分类器,同时也会进一步介绍AI垃圾分类遇到的挑战和一些思考, 当前并没有这样一个可以直接使用的数据集,所以我们首先自己动手收集海量的“垃圾”图像并为每张图像标注上相应的类别,

集的收集一直是一件耗时耗力的工作,为了快速便捷地完成“垃圾”图像数据集的收集,我们依据官方发布的垃圾分类指南上每一类所包含的垃圾名称,通过在百度图片上爬取名称对应的图像来实现,

在实际的应用场景中,分类的样本往往是不可控的,所以一般会增加“其他”这个类别用来收留各种异常样本, 在分类中,除可回收物、有害垃圾和湿垃圾外都属于干垃圾,所以干垃圾已经扮演了“其他”的角色, 我们的“垃圾”数据集最终分为可回收垃圾、有害垃圾、湿垃圾和干垃圾四个类别, 和现在的网络结构相比虽然简单(如上图所示),但是卷积层、池化层和全连接层这些基本模块都已经具备,

ReLU和dropout的提出,以及GPU和大规模数据集的出现,卷积神经网络在年迎来了历史突破,AlexNet的出现让卷积神经网络开始逐渐成为计算机视觉任务的标配, 在Net的基础上,以增加网络深度为思路,出现了VGGNet;以增强卷积模块为思路,出现了基于Inception的一系列网络,

后来居上的ResNet的提出,层数极深的网络成为了可能, 引入残差模块,缓解了深度网络训练过程中的梯度消失问题,让网络的深度不断加大,网络性能也得到了大幅提升, 的DenseNet更是通过对特征图的稠密连接,加强了特征的传递,继续提升分类效果, 当前Net及其变种形式已经被广泛地应用于图像分类任务,同时也成为了在解决目标检测和图像分割等其他计算机视觉问题时常用的主干网络结构,

在中,我们使用层的ResNet来构建垃圾自动分类器, 我们采用在ImageNet数据集上预训练的ResNet模型参数作为初始化,利用上一节中收集的“垃圾”图像数据集对其进行微调,

我们将上述ResNet的最后一层输出从(ImageNet数据集的分类数量)修改为(垃圾分类数量),同时在训练过程中冻结了部分卷积层参数的更新, 还进一步利用水平翻转、随机裁剪和色彩抖动等方式对训练的“垃圾”图像进行数据增强, 在垃圾自动分类器的训练后,我们对一些垃圾进行了自动分类的测试,准确率达到近%, 对复杂的情况还是存在一定的误判,但大部分常见的垃圾都得到了正确的区分,具有较强的实用性,

从垃圾分类到一群垃圾分类

上一节中我们介绍了垃圾自动分类器的构建,但是这样的垃圾分类器的输入都是单个垃圾图像, 在实际的垃圾分类过程中,对单个的垃圾进行一一拍照分类显得过于繁琐和缓慢, 那能不能对一群垃圾直接拍照后进行批量分类呢要实现对一群垃圾的批量分类,其实就是要构建一个垃圾的目标检测器, 一张含有多个垃圾的图像,让模型输出图像上每种垃圾对应的类别,

在学习出现之前,可变形部件模型(DPM)一直是流行的目标检测方法, 学习出现后,以R-CNN、FastR-CNN、FasterR-CNN为代表的两阶段算法和以YOLOv-、SSD、RetinaNet为代表的单阶段算法成为主流, 是先由算法生成一系列待检测目标的候选框,再通过卷积神经网络进行候选框的分类;后者则不用产生候选框,直接将目标边框定位的问题转化为回归问题处理,

和分类器一样,一个理想的垃圾检测器,需要大量的“垃圾”标注数据来支撑, 与分类数据集相比,检测数据集除了标注类别外还要标注图位置坐标,这样的标注工作更为艰巨, 在垃圾检测的图像数据集后,就可以利用当前主流的深度学习检测算法来实现批量垃圾的分类,

在最后

垃圾分类最近成为了大家生活中经常讨论的话题,这篇文章分享了如何利用深度学习技术来构建一个垃圾自动分类器,也进一步介绍了从单个垃圾分类到批量垃圾分类的思路和挑战,

在实际的分类中,由于垃圾多种多样,同一类别的垃圾可能差异很大,而不同类别的垃圾可能差异很小,在复杂情况下分类器效果可能会不尽如人意,后续可以考虑加入垃圾之间的高层次语义关系信息,进一步提升分类器的性能, 最后希望大家都能做到正确的垃圾分类投放,生活不易,还是不要被罚款,

资料

DeepResidualLearningforImageRecognition

ImageNetClassificationwithDeepConvolutionalNeuralNetworks

VeryDeepConvolutionalNetworksforLarge-ScaleImageRecognition

热门文章

随机推荐

推荐文章