宁波网站建设设计制作,证书查询入口官网,福州如何做百度的网站,云主机 小型网站1绪论
1.1问题背景
垃圾分类有减少环境污染、节省土地资源、再生资源的利用、提高民众价值观念等的好处#xff0c;在倡导绿色生活#xff0c;注重环境保护的今天#xff0c;正确的垃圾分类和处理对我们的生态环境显得尤为重要。
在国外很多国家#xff0c;经过了几十年…1绪论
1.1问题背景
垃圾分类有减少环境污染、节省土地资源、再生资源的利用、提高民众价值观念等的好处在倡导绿色生活注重环境保护的今天正确的垃圾分类和处理对我们的生态环境显得尤为重要。
在国外很多国家经过了几十年的不断改进发展已经有了一套很严格规范的垃圾分类政策民众也形成了很强的垃圾分类意识并且在人工智能广泛应用的今天也有很多公司将人工智能与自动垃圾分类相结合。前几年波兰创业公司Bin-e公司开发了一种全新的人工智能垃圾桶用户只需要在垃圾桶前扫描一下垃圾舱门便会打开。这个人工智能垃圾桶是通过传感器、摄像头、AI图像识别算法来自动进行垃圾分类而且回收公司也可以通过APP来随时检查垃圾桶的剩余空间等。印度尼西亚一家创业公司Gringgo也曾使用谷歌的机器学习平台TensorFlow研发图像识别工具目标是让环卫工人更好地对垃圾进行分析和分类并量化它们的价值。[1]
对于国内的垃圾分类政策在近几年才开始逐步严格实施2019年6月中华人民共和国住房和城乡建设部在内的9部门印发《关于在全国地级及以上城市全面开展生活垃圾分类工作的通知》。其中要求到2020年46个重点城市基本建成生活垃圾分类处理系统其他地级城市实现公共机构生活垃圾分类全覆盖至少有1个街道基本建成生活垃圾分类示范片区。目前中国已在北京和上海已经开始严格实施生活垃圾管理条例并计划在定点城市先行的基础上在全国全面推广实施垃圾分类由此可见垃圾分类将会逐渐变成中国的常态。[2][3][4][5]
我们的项目以我们更为熟悉的北京的垃圾分类标准来研究其中的一大类则是厨余垃圾其处理与利用更是备受关注。根据英国机械工程学院IME的研究2013年全球有一半的食物被浪费掉浪费与损耗发生在食品供应链的所有阶段。[6]在低所得国家大部分的耗损是在生产阶段发生的而在发达国家最多的浪费发生在消费食物的阶段——平均每年每人会浪费100公斤左右的食物。[7]厨余垃圾为一种生物降解垃圾属生物质可作为堆肥、发电、生物气体或合成气原料等有很多利用价值。可见如果正确处理厨余垃圾不仅可以很好地保护生态环境而且还能带来不错的经济效益。但是如果厨余垃圾处理不当比如混入其他塑料垃圾有害垃圾效果会适得其反。因此需要格外注意厨余垃圾的分类正确率。但是如今国内刚实行垃圾分类政策不久大多数民众的垃圾分类意识不强导致厨余垃圾的纯度不够因此在北京很多小区中都有专门的监管人员在回收站点旁对居民是否正确投放厨余垃圾的情况进行监督。但在监督过程中若一直采用纯人工的方式则会出现工作量大、效率不高、成本较高的问题同时也避免不了监控人员有时也分类出错的情况。
1.2研究的目的和意义
如今越来越多的地方开始实行垃圾分类政策。而有些小区每天对于厨余垃圾的投放时间有限制只能在一个固定的时间段投放厨余垃圾垃圾为了避免一些人不按规定投放垃圾提高厨余垃圾的纯度一般在垃圾投放点都有专人监督。而我们想的是能不能实现机器自动监督为此我们可以运用人工智能机器学习的方法依托Python平台开发一个自动监控系统具有垃圾分类提示识别厨余垃圾中是否掺杂非厨余垃圾错误投放垃圾错误时间段投放垃圾分类错误警示等的功能。
为了减轻人工工作成本和提高厨余垃圾分类的准确度国内近几年也有很多关于自动监控垃圾分类的研究。有研究人员通过提取监控视频中垃圾投放人员和垃圾箱的图像信息将其传送给监控人员判断来进行监控[8]或者在投放垃圾时通过刷卡、刷脸、扫二维码等获取垃圾投放人员的信息并对垃圾进行拍照和监控[9]。在软件核心上利用MATLAB或OpenCV等进行图像的采集和处理再利用卷积神经网络实现最终判断分类。但这些算法对同一类垃圾处于不同外在形式或物理形态时是否能有高正确率的判断的研究较少并且它们所基于的垃圾分类标准彼此都有一些差别与各个城市实际的垃圾分类标准也不同有的数据集还比较单一。[10][11][12][13]因此根据北京地区垃圾分类的标准设计出符合北京政策要求的垃圾分类自动监控系统提高厨余垃圾的正确分类率是具有实际意义的。
2.项目方案
2.1科学性
如今AI机器学习、图像处理变得越来越热门这些技术在越来越多的部门和领域得到了广泛且深刻的应用并取得了十分不错的成果。图像处理一般指数字图像处理。数字图像是指用工业相机、摄像机、扫描仪等设备经过拍摄得到的一个大的二维数组该数组的元素称为像素其值称为灰度值。图像处理技术一般包括图像压缩增强和复原匹配、描述和识别3个部分。何谓 “机器学习”学界尚未有统一的定义。Tom Mitchell 教授是这样解释机器学习的对于某类任务T和性能度量P如果一个计算机程序在T上以P衡量的性能随着经验E而自我完善那么我们称这个计算机程序在从经验E中学习。让没有生命的机器自己学习本就是一件有趣事情而且计算机很擅长做重复且大量的计算。目前的机器学习主要分为两大类监督学习和无监督学习无监督学习Unsupervised learning就是聚类事先不知道样本的类别通过某种办法把相似的样本放在一起归位一类而监督型学习Supervised learning就是有训练样本带有属性标签也可以理解成样本有输入有输出。而本项目要实现的功能主要使用监督学习监督学习算法主要有决策树朴素贝叶斯分类逻辑回归支持向量机Support Vector Machines神经网络等。
2.2 创新性
如今人们保护环境的意识愈发强烈在国家的号召下垃圾分类在越来越多的城市开始实行人们每天要花大量的时间对垃圾进行分类而对厨余垃圾的管理更加严格人们只能在每天的某段时间内投放厨余垃圾时间久了垃圾会发臭影响人们的生活环境。而且厨余垃圾之后一般是要送到专门的处理机构处理成肥料或家禽饲料如果分类疏忽使厨余垃圾里含有塑料、电池、重金属等的垃圾后果不堪设想受到伤害的永远是食物链顶端的人类所以一般都有专门人员在垃圾投放点进行管理。为此本项目将创新性地将AI机器学习这项技术应用到如今的垃圾分类领域中对在错误时间段投放垃圾的行为进行警示和判断投放厨余垃圾里是否含有其他垃圾以达到提升垃圾分类准确度减轻垃圾管理人员劳动强度的目的。
2.3 技术可行性
如流程图所示本项目对错误投放厨余垃圾的行为可以是先判断站在厨余垃圾桶前的人是否有倾倒垃圾的行为若有则接着判断是否在规定时间内投放垃圾以及垃圾投放是否正确。而这些可以用相关图像处理算法来完成OpenCV和MATLAB等的平台都是不错的选择。对判断厨余垃圾里是否有其他垃圾的研究其本质是一个分类问题通过向已经训练好的模型输入垃圾的特征参数输出的就是本模型对该垃圾的类型的判断而垃圾的特征参数可以是垃圾的颜色大小形状等也可以是一张垃圾的图片抽象点来说就是一多维数组。而现在的各种机器学习包和库发展得也比较好如TensorFlow、PyTorch、Scikit-learn等都是基于Python的开源机器学习库这些机器学习库大多可以使用电脑的GPU进行加速比传统的CPU计算快了好几倍而且可以比较方便地调用各种机器学习算法框架来构建自己的模型。为此我们要先制作各种垃圾的数据集并标上标签这可以通过爬取百度图片等的图片网站的各种垃圾图片然后加上标签。之后这些图片将会被分为训练集和测试集训练集用以训练模型优化相关参数测试集用以检验模型的准确度之后我们将使用Python及其相关机器学习包来搭建模型并对其进行训练以及优化一些参数如果项目进展顺利的话我们可以将模型移植到相关硬件上比如K210。K210这款芯片是基于RISC-V架构进行研发设计的该芯片基于自主研发的神经网络加速器KPU,可完成基于神经网络的图像分类任务,进行人脸识别与检测,以及实时获取被检测目标的分类。芯片搭载FPIOA现场可编程IO阵列,支持TensorFlow、Keras、Darknet、Paddle和Caffe等主流AI编程框架。 图2-1系统监控流程图
3. 基于机器学习的垃圾监控系统
3.1 问题描述
(1).大量垃圾图片数据集的搜集与整理
(2). 对一些城市的小区垃圾分类具体政策和垃圾分类标准的了解
(3).监控市民是否在规定时间投放厨余垃圾防止厨余垃圾长时间无人处理而影响环境。采集投放点的视频图像利用自然场景理解与识别算法判断是否有人进行投放。若有市民未在规定时间投放厨余垃圾则自动警报。
(4).根据垃圾图像识别分出垃圾类型基于机器学习的理念收集大量不同状态的垃圾图像数据集对数据集的图片进行图像处理在此基础上利用深度学习卷积神经网络(ConvolutionalNeuralNetworkCNN)提供的模型进行不断地训练优化学习图像分类识别所需的大量特征用于垃圾的分类识别。
(5).在厨余垃圾中检测其他垃圾防止其他垃圾对厨余垃圾后续处理过程造成影响。采集投放进厨余垃圾点的垃圾图像智能识别出图像中的其他垃圾并标记当有其他垃圾误投进厨余垃圾点时系统自动警报。
提出解决方案对国内各大城市的垃圾分类政策流程进行分析与研究找到最优化的厨余垃圾处理方案。
基于机器学习的智能分类收集大量不同种类、不同形态的垃圾图片通过网络爬虫等方法创建数据集并标注数据集基于现有的机器学习方法用keras包和Tensorflow等后端来建立模型并对该模型进行优化调参对已有的算法模型进行优化调参以得到厨余垃圾的图像特征实现从厨余垃圾中识别出非厨余垃圾。
图像处理对于收集来的数据集图像和摄像头捕捉到的自然场景图像利用OpenCV和其他计算机软件对其进行处理。基于自然场景的理解与分析算法判别出是否有人投放垃圾实现对垃圾投放人员进行监控。
3.2 基本算法模型
对收集垃圾图片进行test和train数据集划分并利用OpenCV进行模板匹配并找出阈值将该阈值用于test数据集进行测试 图3-1系统流程图 图3-2算法流程图
3.3 实验及分析
1、收集的用于train和test的数据集命名1为不含非厨余垃圾即合格0为含非厨余垃圾即不合格以方便后期程序设计。 图3-3数据集
2、Train的代码对train数据集进行训练寻找阈值。train数据集中含50张合格厨余垃圾图片50张不合格垃圾图片。 图3-4train代码
3、使用matplotlib库画图以便阈值寻找如下图阈值为0.39比较好。 图3-5阈值寻找
4、Test的代码对test数据集进行判断判断是否含非厨余垃圾以及判断是否正确。test数据集中含15张合格厨余垃圾图片15张不合格垃圾图片。 图3-6 test代码
对于二分类来说一般平衡点即查准率等于查全率时模型的性能比较高此时漏检率等于误检率而且误检率和漏检率越低越好以塑料模板为例我们利用模板匹配算法得出三种匹配方式下的匹配度散点图。可以看出标准相关性系数匹配方法要优于标准相关性匹配和标准平方差匹配因此我们在后面的测试集中将选用标准相关系数匹配方法。
用训练集得出的阈值对测试集进行测试的结果测试样本总共有60张其中正确分类有50张错误分类的有10张正确率83%查准率和查全率均为83%。说明我们训练得出的阈值能在测试集中有比较好的表现能够兼顾查准率和查全率对
4. 结论
对收集合格和不合格的垃圾图片进行训练集和测试集的划分并开始进行编程实验取得一个较好的泛化阈值对测试集进行测试得到的垃圾识别判断正确率为83.3%。在实验过程中出现了以下问题各种情况的厨余垃圾图片数据的收集量不足对不同模板的阈值寻找混在一起了导致因为图片标记的问题而无法找到合适的阈值合格与不合格的分界线不明显训练集的算法较简单测试集正确率已达到瓶颈模型泛化能力不太能达到很好的预期要求。
参考文献
参考文献
[1] AI垃圾分类市场风口爆发究竟是“市场”还是“大坑”.电子工程世界.2019-08-16 [2020-07-03]. http://news.eeworld.com.cn/qrs/ic471393.html.
[2] 我国自2019年起在全国地级及以上城市全面启动生活垃圾分类. 新华社. 2019-06-06 [2020-07-03].
[3] 吴娇颖.9部门今年起全国地级及以上城市全面启动生活垃圾分类. 新京报. 2019-06-06 [2020-07-03].
[4] 住房和城乡建设部等部门关于在全国地级及以上城市全面开展生活垃圾分类工作的通知.中国政府网.2019-06-11 [2019-07-02].
[5] 逯海涛.做好垃圾分类贵有恒心.浙江日报.2019-07-01 [2020-07-03].
[6] Food Waste: Half Of All Food Ends Up Thrown Away. Huffington Post.10 January 2013 [2020-07-03].
[7] Gustavsson, J, Cederberg, C Sonesson, U, 2011, Global Food Losses and Food Waste, Food And Agriculture Organization Of The United Nations, Gothenburg Sweden.
[8] 深兰科技(上海)有限公司.一种监控垃圾分类投放的方法、装置以及系统:中国, CN201910796973.3[P]. 2019-12-03.
[9] 夏策联.一种垃圾分类投放的监控方法及系统:中国, CN201910642657.0[P].2019-09-06.
[10] 谢堂,吴居豪,温泉河.基于机器学习的智能垃圾分类箱[J].现代计算机,2020,(12).
[11] 吴健,陈豪,方武.基于计算机视觉的废物垃圾分析与识别研究[J].信息技术与信息化,2016,(10).
[12] 张方超,董振,张栋,武涛,李卫国.基于图像视觉的垃圾分类机器人识别控制系统算法设计[J].电子测量技术,2019,42(20).
[13] 祝朝坤,魏伦胜.基于TensorFlow的智能垃圾分类系统的研究与设计[J].电子产品世界,2020,(6).
