卷积神经网络在校园垃圾智能分类中的应用.pdf

2023年9 月计算机应用文摘第39 卷第19 期卷积神经网络在校园垃圾智能分类中的应用吴飞燕（江西师范高等专科学校物联网学院,江西鹰潭3350 0 0)摘要：针对目前校园垃圾人工分类效率低、效果差等问题，文章提出了一种基于卷积神经网络的智能垃圾分类系统。测试表明，该系统对日常垃圾的平均识别率超过9 1%，具有成本低、结构简单、可持续迭代更新的特点，为当前的校园垃圾分类问题提供了高效的解决方案。关键词：垃圾分类；卷积神经网络；模型建立；模型验证WUFeiyan中图法分类号：TP391(Institute of Internet of Things,Jiangxi Teachers College,Yingtan,Jiangxi 335000,China)Abstract:Aiming at the problems of low efficiency and poor effect of manual garbage classification oncampus,this paper proposes an intelligent garbage classification system based on convolutionalneural network.The test shows that the average recognition rate of daily garbage is more than 91%,and the system has the characteristics of low cost,simple structure and sustainable iterative update,which provides an efficient solution for the current campus garbage classification problem.Key words:garbage classification,convolutional neural network,modeling,model validation1引言随着经济的快速发展和生活质量的提高，校园生活垃圾的总量也在逐年增长 1 2 ,垃圾的分类与处理已成为教职工与学生必须思考的问题。然而,在垃圾分类的过程中,由于垃圾类型复杂且形态多样,学生反映分类存在困难。因此,实现垃圾的自动、准确分类是当前的研究热点，呕需针对垃圾分类提供自动化、智能化的解决方案。近年来，人工智能技术的发展为垃圾分类的智能化提供了一条新的技术路径。本文提出利用卷积神经网络建立垃圾分类模型，能实现快速有效的垃圾分类，具有识别率高、维护成本低、方便实用等特点。2垃圾智能自动化分类设计利用卷积神经网络模块和步进电机模块，能够实现垃圾的智能自动化分类,其中准确识别垃圾并进行自动化分类的核心是卷积神经网络算法。其设计思路如图1所示。（1）通过PC机搭建和训练卷积神经网络，当垃圾识别达到一定准确率后，将神经网络模型植入树莓派嵌人式设备。文献标识码：AApplication of convolutional neural network inintelligent classification of campus garbage垃圾发送STMB2L431FC垃圾图像3卷积神经网络模型的建立与验证3.1卷积神经网络模型的建立加拿大多伦多大学的 LeCun4 5】提出,卷积神经网络是针对图像信息处理而设计，可用于图像识别。如图2 所示，卷积神经网络是一个层次模型，主要包括输人层、卷积层、池化层、全连接层以及输出层等五层。根据每层具有的功能，卷积神经网络可分为特征提取器和分类器，前者包含输入层、卷积层和池化层，(2)当垃圾被投放时，开启树莓派设备的摄像头以获取垃圾图像 3,随后运行卷积神经网络获取垃圾类别信息。（3)卷积神经网络运行完成后，树莓派将通过引脚向STM32L431RC主控芯片发送垃圾所属类别的信号。（4)ST M 32 L 431RC 主控芯片接收树莓派发送的信息后，驱动步进电机根据垃圾的所属分类，将垃圾分发至对应的分桶中。投放CpenM获取运行卷积神经输出网络模型识别图1垃圾分类设计图步进控制垃圾掉落主控芯片电机对应分84后者包含全连接层和输出层。Convolution图2 卷积神经网络模型图（1)输人层（input layer）。为了实现垃圾智能化分类，首先需要在本层输入样本图片数据。本文研究将OpenMVCamH7智能摄像头安装在智能分类垃圾桶的侧边,用于实时采集垃圾桶投放口的垃圾图像，并进行后续图像处理。（2）卷积层（convolutions）。卷积层的主要功能是提取输人层采集的垃圾图像的特征。具体的卷积公式如下：icM.Xl-1*K,+Bl)其中，代表模型第1层中第j个卷积输出的特征图像,M,是输人特征图像的集合,K,代表第l层中第j个的权值,B是赋予第I层卷积的偏置项,f（）是非线性激励函数。(3)池化层（pooling）。池化层的主要特点是采用最大池化的方法，减少网络参数的数量，降低模型的维度，压缩垃圾图像所占空间大小，只保留最大的像素值,实现特征降维和数据压缩的效果。其所采用的池化公式如下：X,=max(X,)ieM,（4）全连接层（full connections）。全连接层的作用是将本层的神经元逐一和上一层的所有神经元相连接，最终判断出垃圾的类别。（5）输出层（output layer）。本设计要对50 种垃圾图片进行分类，因此输出层的神经元采用softmax激活函数将原始值转换为后验分布，用于衡量确定性。softmax激活函数将神经网络每个单元的输出范围固定在0 1,且同时确保输出总和等于1。sofimax(x)=X,3.2卷积神经网络的验证本文将校园中常见的矿泉水瓶、牛奶盒、一次性餐盒、纸张、香蕉皮及电池等6 种垃圾作为系统实验的识别对象。首先通过两种方式得到卷积神经网络计算机应用文摘训练和验证测试的数据集。Poolingflaene(其中j=1.,K)Z1.(3)2023年第19 期方式一：使用树莓派OpenMVCamH7智能摄像Fully connection头，从不同角度和背景对垃圾进行拍摄，得到150 0 张图片。方式二：通过互联网渠道，得到符合要求的150 0张图片。因此,数据集中共有30 0 0 张图片,其中内容为矿Outputnodes泉水瓶、牛奶盒、易拉罐、纸张、电池的图片各6 0 0 张。将数据集中的图片进行相应分类,并将6 种垃圾图片存放于不同的文件夹中。最后，数据集中的图片按照5：1的比例进行选取,用于神经网络训练和验证测试。（1)卷积神经网络的训练。在PC端，卷积神经网络以6 0 0 次训练为一个阶段,每个训练阶段输出一个结果,经计算得出图片的识别准确率均值。训练次数与准确率的收敛关系如图3所示，在一定范围内,随着训练次数的增多,识别准确率均值将逐渐增加。当训练次数高于30 0 0 次时,识别准确率均值将趋近于某一值。4.500(1)4.00035003000250020001500100050001训练次数600120018002400300036004200准确率均值9 6.30%9 6.6 7%97.11%97.36%997.52%97.54%97.55%训练次数准确率均值图3训练次数与准确率的收敛关系图(2)卷积神经网络的准确率测试。通过收集矿泉水瓶、牛奶盒、一次性餐盒、纸张、(2)香蕉皮以及电池等6 种垃圾图片各10 0 张，对卷积神经网络进行准确率测试,各测试种类的识别准确率均值如表1 所列。表1各测试种类的识别准确率均值测试种类测试数量矿泉水瓶100牛奶盒100一次性餐盒100纸张100香蕉皮100电池100从实验结果可知，本文研究所搭建的卷积神经网络的总体识别准确率均值为9 1.7 2%，各测试种类的识别准确率均在8 6%以上，识别垃圾类别基本准确。因此，该神经网络具有初步的可靠性，可进行模型移植。97.80%97.60%97.40%川97.20%97.00%96.80%96.60%96.40%96.20%96.00%95.80%95.60%245识别准确率均值86.17%91.50%93.66%95.38%88.94%94.67%672023 年第19 期(3)将神经网络模型植人树莓派嵌入式设备。将神经网络模型植入树莓派嵌入式设备，使用采集的测试图片进行识别测试，以获得识别准确率。如表2 所列，移植后的卷积神经网络的识别准确率与PC端运行得到的准确率一致,移植效果较好。表2 移植后各测试种类的识别准确率均值测试种类测试数量矿泉水瓶100牛奶盒100一次性餐盒100纸张100香蕉皮100电池100（4）卷积神经网络部分Python程序。#第一层卷积层with tf.name_scope(conv1)as scope:kernel=tf.Variable(tf.truncated_normal(11,11,3,96,dtype.float32,stddev=le-1),name=weights)#卷积核尺寸conv=tf.nn.conv2d(images,kernel,1,4,4,1 ,padding=SAME)#卷积操作Biases=tf.Variable(tf.constant(0,0,shape=96 ,dtype=tf.float32),trainable=True,name=biases)bias=tf.nn.bias_add(conv,biases)#偏置 bconvl=tf.nn.relu(bias,name=scope)print_activations(conv1)parameters+=kernel,biases#更新参数#pool1卷积层pooll=tf.nn.max_pool(conv1,ksize=1,3,3,1,stries=1,2,2,1,padding=VALID,name=pooll）#池化核尺寸print_activations(pooll)4垃圾桶设计计算机应用文摘识别准确率均值86.17%91.50%93.66%95.38%88.94%94.67%85开口挡板挡板图4垃圾桶设计（3)当垃圾类别在区域3的正下方时，下方电机逆时针转动9 0，托盘缺口转到区域3；上方电机逆时针旋转18 0 带动垃圾转到区域3上方自动落下，依次复位上方和下方电机。（4)当垃圾类别在区域4的正下方时，上方电机顺时针旋转9 0，托盘转到区域4；下方电机顺时针旋转18 0，使托盘缺口位置转到区域4上方，待垃圾自动下落后，依次复位上方和下方电机。5系系统验证为了验证本系统在实际使用中的识别准确率与控制稳定性，对普通垃圾桶进行了改造：植人此智能垃圾分类系统，实现了简单的智能分类垃圾桶实验模型,其结构如图5所示。其中,1为停住层和树莓派;2为垃圾桶盖；3为分类桶;4为液晶显示屏（显示垃圾类别）；5为垃圾入口；6 为摄像头。295820167本设计将垃圾分为可回收垃圾、有害垃圾、厨余垃3圾和其他垃圾,依次在1,2,3,4四个区域设置对应的垃圾桶,如图4所示。区域1设置为初始挡板的位置,区域2 设置为托盘开口的位置。上方的步进电机控制挡板的旋转，而下方的步进电机则控制托盘的旋转。（1)当垃圾类别在区域1的正下方时，下托盘顺时针旋转9 0；在垃圾落下后,电机复位。(2)当垃圾类别在区域2 的正下方时，上方步进电机逆时针转动9 0，带动垃圾到区域2 缺口上方，待垃圾自动下落后，电机复位。图5实验模型结构图在此次验证实验中，为上述6 种常见垃圾对应选择了10 个具有明显外观差异的样本,并以不同的角度、力度等投掷10 0 次。通过液晶显示屏获得系统识别数据，打开分类桶并记录机械结构的分类结果数据。具体数据记录如表3所列。(下转第8 9 页）2023年第19 期0FEND1PO2LD3LD4ORI5AND6ORB7OUT8LDI9LD10AND11ORB12AND13OUT14SRET5供料站的调试运行认真编写程序后，开始对其进行下载调试,结果稳定则实现其控制功能,结合调试运行过程中遇到的问题，总结以下注意事项：(1)进行推料操作前,顶料气缸必须挡住上层工件,完成推料操作后才可以驱动推料气缸。当料仓中仅剩一个工件时，此时顶料气缸无料可顶，该信号只出现一瞬间,即只能获得下降沿信号。（2）当料仓工件不足时，供料站完成本周期任务后停止运行，除非往料仓中加入工件，否则供料站无(上接第8 5页)表3系统识别与分类功能测试数据表测试识别正确平均种类次数/次识别率分桶次数/次矿泉水瓶90牛奶盒88一次性餐盒92纸张93香蕉皮95电池91从表3可以看出,在实际使用中,该系统对6 种常见垃圾的识别准确率和分类成功率均在90%以上。同时,从实验模型的外观可以看出，系统改造后的垃圾桶较小,满足了预期的设计要求。此外，系统后期可以不断扩展训练集，以增加识别类型。6结束语本文利用卷积神经网络建立了垃圾分类模型。通过OpenMVCamH7智能摄像头获取图像，应用卷积神经网络算法输人样本,完成训练和验证，并将模型植入树莓嵌入式设备。测试结果表明，该模型识别计算机应用文摘表3指示灯控制程序法运行 4状态显示6结束语M20准备就绪M42没有工件M20准备就绪M8013Y007M41M41M8013M10Y010正确掉人90%9088%8792%9193%9395%9391%9189供料单元知识点包含机械结构、传感器、程序调试等,只有掌握以上知识,才能够调试出完整的供料站程序。经反复调试、实践，证明此设计满足供料站工艺要求。HL1灯传统335B自动化生产线分栋单元主要依靠光工件不足纤、电感传感器对各种材质工件进行分栋识别，此设工件不足计操作简单、便捷，但是识别过程容易出现误差。在供料站安装一套简易相机视觉系统进行工件信息的运行状态读取及存储,并在其他站点调用，可换来更稳定的分HL2灯栋结果，减少分栋出错率，提高产品质量。参考文献：1杨录田,张峭,池昭宏.基于世赛机电一体化项目标准的人才培养探究 J.职业,2 0 2 0(30)：47-48.2】李丽.自动化生产线供料控制系统J，农业科技与信息，2016(10):113-114.3牛晓燕.微悬臂梁阵列传感系统设计与实现 D.合肥：安徽理工大学,2 0 18.4霍启祥.浅析YL-335B自动生产线供料站程序设计 J.广西农业机械化,2 0 19(6)：31.作者简介：张志川（198 9一），本科，实验师，研究方向：电子电气。率较高。将测试后的智能垃圾分类系统植入改造后的垃圾桶,验证了该智能系统在实际使用中的识别准垃圾分类确率。本文设计具有一定的实用性,但由于采用的垃成功率圾样本数量较少且类型有限，在后续的研究中，可以100%进一步扩大样本规模，以进行深入研究。98.86%98.91%100%97.89%100%参考文献：1李钧泽,刘中梅.我国城市生活垃圾分类制度现状及法律对策 J.科学发展,2 0 2 2(11):92-97.2赵忠玉，徐生龙.一种新型校园垃圾分类系统的设计J.自动化应用,2 0 2 2(11：158-16 0+16 4.3王梁，韦春明,陈俊洁.基于OpenMV图像识别的垃圾分类小车系统设计与实现 J.河南科技，2 0 2 2,41（18）：15-2 0.4 LECUN Y,BOTTOU L,BENGIO Y,et al.Gradient-basedlearning applied to document recognition J.Proceedings ofthe IEEE,1998,86(11):2278-2324.5 SERMANET P,CHINTALA S,LECUN Y.Convolutional neuralnetworks applied to house numbers digit classification C/Proceedings of IEEE International Conference on PatternRecognition,Tsukuba,Japan,2012:3288-3291.作者简介：吴飞燕（1991一），硕士，助教，研究方向：物联网技术。