本文聚焦深度学习算法的垃圾分类图像识别。阐述了研究背景、目的与意义，介绍了开发工具、深度学习、人工智能和图像识别等技术理论。分析多种深度学习算法模型，重点搭建AlexNet卷积神经网络进行训练和测试，最后用PYQT5设计GUI界面，提高垃圾分类准确率与效率。
收藏和点赞，您的关注是我创作的动力
概要
在科技发达、智能时代中，深度学习、机器学习以及人工智能成为了高频词。它们看似深不可测，但是又离不开我们的生活。深度学习和机器学习是一种技术、而人工智能一种是一种体现。使用深度学习和机器技术，使机器拥有人的某种大脑结构从而来实现人的某种行为，它不仅解决了很多即无聊又繁琐的工作，从而解放了很多工人每天反复并且厌倦的动作节，节省了大量的时间；而且它在每件工作当中，能够做到比人更加精确，并且不会像人类一样受感情甚至环境的影响导致工作的效率以及成品的达标率降低。正因为人工智能给人们带来了出乎意料的惊喜以及数不胜数的方便，并且人工智能能够满足人类的懒惰性，所以人类对深度学习、机器学习以及人工智能的需求也越来越多。在这种人工智能急剧膨胀的形势下，深度学习与机器学习成了垃圾分类的主要推力。众所周知，垃圾是人类既厌恶又无法摆脱的物体，而垃圾则是铺天盖地层出叠见地出现在我们地视野中，解决垃圾问题给全球带了巨大的挑战。想要有效处理垃圾，垃圾分类是必然的结果，然而垃圾分类过程又是一件既繁琐又耗时的事，而且使用人工进行垃圾分类它不仅需要耗费大量的人工而且它还会大大降低准确率。这时人工智能、深度学习就起了重要的作用。
本文正是研究深度学习算法的垃圾分类图像识别。论述多种深度学习算法及网络结构的图像识别处理原理，分析深度学习在图像识别中的突出优势，并且提出垃圾分类在现实社会中面临的问题与挑战。在综合了解研究后，深入探讨使用深度学习算法的卷积神经网络，在大量的有效图像数据集的训练过程中是如何增加一种全新的隐藏层，并且使用这种增加卷积层的方法来得出更高层次的特征提取从而让机器自动提取特征来实现图像的识别。
关键词： 深度学习 图像识别 垃圾分类 机器学习 人工智能
一、研究背景与意义
1.1.1研究背景
在人类还没有意识到垃圾对我们的生活饮食、身体健康，社会环境等会造成极大影响的时候，人们把对自己没有使用价值的外包装、砖瓦陶瓷、剩菜剩饭、荧光灯管等垃圾都随意丢弃，甚至在各街道上的垃圾也是随眼可见。随着人们这种肆无忌惮随意扔垃圾的行为，大自然至今给我们带来惨痛的教训。根据数据显示，在一个人口密集的中国每年生产的垃圾总数量高达10亿吨，成为了一个垃圾成产的超级大国。然而在人类没有正确对待垃圾处理的问题中，导致了堆积成山的垃圾形成有剧毒的腐烂物，和有害的脏水渗透到地下造成严重的水资源污染，这些有害的腐蚀物品和水不仅侵蚀人类的身体，甚至某些地区因为这些有害垃圾导致很多村民得了癌症，形成了癌症村。
垃圾对人类造成如此大的危害，所以如何处理垃圾问题成了国家与人民刻不容缓的重要任务，也是我们义不容辞的责任。在数量如此庞大的垃圾里，实行垃圾分类是最有效的方法，只有让更多的垃圾有效的循环使用，变成有价值的垃圾，从而才能达到减少垃圾降低危害的目的。但垃圾分类是一项大工程，如果垃圾分类只有环保工人在实行，那只有微乎其微的作用，所以垃圾分类，人人有责。本课题就是为了让大家能够快速并准确的对垃圾进行分类做出的一个垃圾分类图像识别。设计采取六种不同的垃圾类型图片，通过使用深度学习算法的最火热的AlexNet卷积神经网络结构，该结构由5层卷积层和3层全连接层组成。其中卷积层用于提取图像特征，全连接层用于逻辑处理。通过网络训练从而使得机器得到一个能够自动识别垃圾的设计。本研究不仅能够提高垃圾分类的准确率与效率，并且可让人们能够简单方便地学习垃圾对应属于的类型。
1.1.2研究目的
实行垃圾分类是生态文明，保护环境的重要环节。简单粗暴的垃圾焚烧、垃圾填埋、垃圾堆放等等都不仅会导致严重的环境污染还会占用土地资源，甚至严重的影响人的身体健康，然而实行垃圾分类，它可以弃废为宝：把纸箱，塑料，金属，布料等可回收垃圾进行分拣、加工、打包等步骤就成为了新的衣服，窗帘，塑料箱等新的商品进行销售；把剩菜剩饭、腐烂水果等厨余垃圾经过预处理分成油脂、污水和残渣等，其中油脂运到油脂加工厂进一步加工，油脂加工生成的生物柴油可用来使用在汽车上做燃料。污水排到污水处理站经过处理后再排放，降低水资源的污染。而残渣可以进行发酵产出沼气可用来发电，发酵后的残渣还可以作为有机营养肥料，助于植物的生长；最终有害的电池、灯泡、水银、化妆品等有害垃圾，还会进一步分为有无作用垃圾，有用的垃圾要进行深度的加工，无用的垃圾才被拉到一个专门设置过的填埋场进行填埋。这一系列都是垃圾分类的重要处理过程，显而易见，垃圾分类的实施不仅达到资源的循环利用，还可以减轻资源紧缺的重要问题，进行垃圾分类还可以提高人类的的素质素养，以及价值观念，让社会上都养成勤俭节约的作风，学会节约资源，利用资源。
然而要全面推广垃圾分类，人类必须要了解垃圾所对应的类型。本课题的垃圾分类图像识别就是解决人类对垃圾分类的疑惑。人们可以通过垃圾图片及摄影可得出垃圾类型，从而学习分类垃圾以及对垃圾的正确投放。因此，此课题的设计研究对国家社会以及社会环境有着非常积极的作用。
1.1.3研究意义
通过这次课题的设计与研究，深深的认识到垃圾对我们人类带来的巨大的影响，为自己以前做过乱扔垃圾的行为感到十分的惭愧。在研究过程中，不断地改变了自己对垃圾的价值观，提高了自己的探究能力以及专业能力。本设计对垃圾图像或者用摄像头对垃圾进行识别，有助于使用者能够通过最简便的方法来得知垃圾的类型并且提高投放垃圾的准确率，可降低环卫工人的工作量，加快社会环境的环保。此研究还可对社会提供借鉴价值，推广实施垃圾分类，营造美好环保家园。由此可见，本次研究的深度学习算法垃圾分类图像识别不能进对个人，社会，国家都有着非常大的意义，是一个值得探究的课题。
二、项目技术理论
2.1开发工具
Microsoft VS Code，通常被简称为VS Code或VSC。它是一个非常强大的工具并且可跨三大平台运行，Window、Linux和Mac。VS Code可以满足用户根据各自喜好编辑出心目中最完美的专属编译器。不仅JavaScript，TypeScript，Node.js都是VS Code所支持的，而且在各大语言里提供富裕的运行时与扩展库，如Python，C++，C#，PHP等语言。对于一个程序员来说，VS Code能达到他们心目中的免费，高效，开源，轻便，这是完全取胜于atom，webstorm和MyEclipse等开发工具。在2019年Jupyter增加在VS Code的功能里，再也不需要用插件而且可以直接运行调试，比PyCharm更简便，更轻捷，所以对于Python学者来说VS Code又比PyCharm更胜一筹。
2.2深度学习
众所周知，深度学习是人工智能的一门热技术，它来源于机器学习，是机器学习的新创作，新发展。深度学习参照人的大脑神经元结构，将数据的输入模仿成大脑神经元的树突接收外界信息，数据的加权求和过程仿照神经元的细胞核将收到的信息进行加工，深度学习的激活函数仿照神经元的轴突运输信息，再通过突触输出感知信息。数据从输入到输出相当于一个完整的神经元从感知信息到头脑获取信息。在深度学习中经常把多个单一的神经元组合在一起，上一个神经元的输出作为下一个神经元的输入，如此类推，最终达到只剩一头一尾的输入和输出点，这样构成的结构就成为神经网络结构，其中输入点和输出点中间层都叫做隐含层。与机器学习相比深度学习不同的特征是无监督学习，它不需要人给予学习的特征，只要有一批数据，深度学习能够自己根据数据通过多层神经网络结构反复处理找出最具有代表性的特征，继而来对新数据做出判断给出正确结果。在神经元的基础上增加深度，根据现状的大数据与云计算研究出来的一系列算法在现实生活的应用起到非常大的作用，如现今的自然语言处理，语音识别和图像处理等这些最为广泛的应用都离不开我们深度学习的神经网络。
2.3人工智能
人工智能可在中间分为两个词语，“人工”和“智能”，可译为人工制造，人工生产和知识，意识，能力。所以人工智能即是人工制造出有智慧有能力并且可以仿照人的思维过程的机器来解决现今较为复杂的事情。要实现高级人工智能，我们需要用海量优质并有效的数据，在优秀的算法中让机器自行反复强化印象就能让机器更有效率产出满意的结果，所以数据，算法和云计算环境是人工智能中心索要。但想要让机器构造出一定的人脑思维，那涉及的学课不单单是计算机，心理、推力等学课也是较为重要的一部分。在大数据急速发展的时代，智能机器替代人类完成复杂的任务，而且比人类更为准确，更为快速，这就是为什么人工智能在当代为何如此火爆的原因，这也是人工智能的研究价值所在。
2.4图像识别
图像识别通过大数据技术对图像预处理、特征提取，然后训练得出模型就可以对目标进行识别。在人类中的图像识别中，人们根据图像反应到我们感官的信息，然后大脑自动进行处理，帅选，认识，储存对图像进行认知和再认的过程就为人类的图像识别。在人工智能的图像识别中，它与人类的图像识别相似，参照人的大脑结果，用深度学习算法对新输入的数据进行特征处理，训练构成一个模板，当再有数据输入时候，数据图像与已存在的模板相符，那么机器就能把图像识别，这就称为机器的图像识别。
三、深度学习算法模型
深度学习算法结合数据的多个输入输出构成的隐藏层就是深度学习算法的模型。要想得到一个最有效的算法模型，海量的数据训练和多层的神经网络是数据特征提取的重要关键，只有拥有庞大完美的数据集再结合一个优秀的算法就可以得到一个准确率高、识别速度快的模型。深度学习仿照人脑通过多个神经元以层级的方式传递提取特征，所以深度学习算法也是通过多层的神经网络来学习传递并得出最有效的特征。本章节就是研究分析多种深度学习算法的网络结构的构建与图像识别的关联知识。
3.1自动编码神经网络
3.1.1自动编码器
自动编码器是无监督的神经网络模型。既然有无监督学习存在，那相对应的有监督学习同理也存在。所谓有监督学习，其实就是数据包括了数据特征与数据标签。一般而言，有监督学习就是给定机器数据以及数据标签，让机器自动把数据的特征与相对应的数据标签联合起来，最终达到机器能够从一个无标签的数据中反馈出一个正确的标签结果。而相对应的无监督学习数据是没有给定标签的，需要机器根据数据的内在特征把数据规划分类，找出规律。其无监督学习一般用在聚类、密度估计与异常检测应用中。实际构成自动编码器主要有两部分。第一部分根据无监督学习来训练网络去除噪声从而使得数据得以降维，此过程也叫做编码过程；第二部分将编码得出的数据重新构造成原始状态的数据，此过程叫做解码过程。如下图3.1所示：
扫一扫
933
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
