智能垃圾分類系統的研究設計

楊會玲 葉利華 劉小晶 王寶旭 商永全 張剛

摘要：本文針對現階段前期垃圾分類不徹底造成的問題，實地調查了解垃圾站垃圾分類的基本操作流程和系統設計。結合調研數據，分析垃圾分類政策相關要求，探索垃圾站分類工作新方法，結合現有AI技術對垃圾站垃圾分類系統進行優化處理，設計了智能垃圾分類系統，為我國生態環境保護做貢獻。

關鍵詞：垃圾分類;智能化;深度學習;垃圾站;生態環境

中圖分類號：TP183

文獻標識碼：A

文章編號：1009-3044（2020）04-0261-04

收稿日期：2019-10-15

基金項目：國家級大學生創新創業訓練計劃項目（編號：201910354027）;浙江省新苗人才計劃項目（編號：2019R417037）

作者簡介：楊會玲（1998—），女，主 要研究領域為圖像處理;葉利華（1978—），男，主要研究領域為機器學習;劉小晶（1964—），女，主要研究領域為智能信息處理和教育技術;王寶旭（1999—），男，主要研究領域為人工智能;商永全（1999—），男，主要研究領域為軟件工程;張剛（1999—），男，主要研究領域為軟件工程。

Modeling and Simulation of Computational Thinking Education

YANG Hui-ling，YE Li-hua，LIU Xiao-jing，W ANG Bao-xu，SHANG Yong-quan，ZHANG Gang

（School of Mathematical and Information Engineering，Jiaxing University，Zhejiang 314001，China）

Abstract：This paper explores aims at the problems caused by incomplete garbage classification at the early stage，and investigation to understand the basic operation process and system design of garbage classification.Combined with the survey data，analyze the relevant requirements of garbage classification policy，explore a new method of garbage station classification，combine the existing AI technology to optimize the garbage classification system of garbage station，design an intelligent garbage classification system，and make contribu-tions to the ecological env ironment protection in China.

Key words：Garbage Classification;Intelligent;Deep Learning;Garbage dump;The Ecological Environment

1 概述

隨著智慧城市[1]快速發展，居民的生活水平不斷提高，人民對高質量生活環境綠色環保型社會的需求日益強烈。為了滿足人民日益增長的生活需求，各種多元化的商品及生活用品蜂擁而至。隨之而來的是日益增多的生活垃圾，對環境造成了極大的壓力，有些城市已經出現了垃圾圍城的現象。垃圾分類是造成環境污染、資源循環利用困難的一大因素[2]，已成為我國需要解決的迫在眉睫的問題。2016年12月，習近平總書記在主持中央財經工作領導小組會議時鄭重提出，要大力普遍推行垃圾分類制度。中國垃圾分類近期（2020年底）市場份額為160億元，遠期市場份額估計將突破600億元大關[3]，等于再造一個服務市場。

在巨大的市場推動下，國內的垃圾分類公司如雨后春筍。為了實現對生活垃圾的初步分類，目前，市場上已推出可分類垃圾桶，但還需要人工將垃圾投入相應分類口，且為帶蓋垃圾箱，開蓋時需采用手動或腳踩方式實現，這種方式主要的缺點是既不衛生又不方便。并且人們對垃圾是否可回收的概念模糊，常常也會造成垃圾的混亂投放。隨著科技進步，市場上興起智能垃圾箱，但開發程度并不高[4]，主要以自動感應翻蓋為主，不能主動對垃圾進行分類，且成本高昂，覆蓋范圍小。

我國垃圾站目前采用集中回收垃圾方法，由居民將生活垃圾收集后丟棄至公共垃圾桶。但居民普遍存在垃圾分類意識薄弱[5]，垃圾分類知識掌握不足的問題，導致垃圾分類不徹底。垃圾站在垃圾運輸環節考慮成本等因素，又將分類收集起來的垃圾集中混合運輸，主要采用填埋、焚燒方式處理垃圾，占用大量土地資源，造成二次污染。垃圾站傳統的物理化學分類設備體積大，回收率低，導致許多可回收應用的垃圾未得到充分利用而導致巨大資源浪費。

前期居民主動分類的不徹底性，后期垃圾站分類的不足，無法做到真正的垃圾分類。鑒于此，本文提出設計了智能垃圾分類系統，該系統由硬件部分的終端設備和Web服務端用戶可視化控制平臺所組成。此系統運用了前沿人工智能技術，用較低的硬件成本實現對垃圾的智能識別與分類。其設備操作簡單，精細化分類，省去人工分類環節，節省人力，系統識別精準，從而可有效提高回收率、減少垃圾處理量、減輕環境污染、支持節能、促進循環經濟的發展等，彌補傳統垃圾分類系統的不足，解決由于前期垃圾分類不徹底造成的問題。還可利用互聯網采集數據，提供給人們更加便利的生活，迎合數據時代的需求。

2 系統構架與設計

智能垃圾分類系統由終端設備、Web服務端用戶可視化的控制平臺組成。智能垃圾分類系統的硬件部分是一款基于CNN深度學習、圖像分類來實現垃圾分類功能的終端設備，它是智能垃圾分類系統中的主要部分，它有“圖像拍攝”“圖像處理”“圖像識別”“圖像分類”“控制分揀”“實時查看”等功能;智能垃圾分類系統的Web端，它主要在普通PC電腦上通過瀏覽器進行訪問，方便管理者操作，它有“數據存儲”“數據查看”“數據統計功能”（如圖1所示）。

該系統基于tensorflow設計分類大腦，對圖像的處理分為兩步，首先使用openCV對采集的圖像進行預處理[6]，然后采用基于深度學習的SSD模型[7]（如圖2所示）實現目標的定位和分類。

訓練模型的流程框架為：首先將搜集到的數據進行標注、清洗以及整理，然后通過SSD模型進行定位分類，再基于K均值聚類損失和交叉信息熵損失優化模型。模型的訓練方法采用六折交叉驗證法評估模型的預測性能[8]，在一定程度上減小過擬合從有限的數據中獲取盡可能多的有效信息。

3 系統功能實現

3.1 終端技術實現

智能垃圾分類系統的技術核心是垃圾圖片識別。本小節將圍繞垃圾圖片識別的基本流程，對系統實現過程中所牽涉的主要技術和算法進行詳細地分析和講解。

3.1.1 圖片采集的實現

用戶在APP點擊拍照選擇圖片，將選擇的圖片上傳到服務器，再做垃圾識別。本系統使用的是型號為OV5647的攝像機應用，將采集的作物圖片以文件形式保存至指定的文件夾，同時上傳到服務器識別。下面對圖片采集的實現進行介紹。

獲取一張圖像的具體步驟（具體流程圖如圖3）如下：

1）檢測并訪問攝像頭。即檢查攝像頭存在與否并請求訪問。

2）攝像頭拍攝圖像，通過圖像分割算法分割出含有對象主體的圖片。

3）將圖像轉化為Base64格式編碼并通過HTTP-POST發送。

4）API服務。分類終端接受結果并進行Json解碼。

5）邏輯層進行圖像處理。

6）捕獲并保存文件。建立捕獲圖片或視頻并保存到輸出文件的代碼。

實現圖像捕獲線程的過程如下：

1）window線程開啟

2）中央協程開啟

3）測試拍攝-確定圖片參數

4）循環拍攝，觸發信號

5）捕獲后的圖像檢測邊緣并轉化為二值圖，如圖4所示。接著去除噪點并根據對象主體位置裁剪為分辨率224*224的圖片區域，并將區域代人原圖片得到預處理后的圖像。

圖像預處理主要實現過程為：對采集到的圖像進行灰度化、圖像增強，濾波、二值化等處理以克服圖像干擾[9]。

1）灰度圖轉換、高斯濾波卷積圖像，邊緣檢測。

2）分割輪廓-方形，傳入輪廓圖，二值化圖像。

3）回傳區域。

3.1.2 機械控制

樹莓派自帶GPIO針腳，通過GPIO針腳控制與下位機的邏輯交互，主要實現過程如下：

1）中央控制協程-通道注人數據;

2）針腳初始化;

3）開啟信號檢查進程;

4）開啟數據管理線程;

5）類別分控節點線程，輸出一個對應的等待觸發的信號。

3.2 Web端實現

Web端主要使用Html、CSS .Javaseript .Java和Mysql共同開發完成，使用Servlet與前端交互數據，前端定時向服務端請求數據，服務端收到請求后首先向數據庫發送命令查找相關數據并打包成Json發送到前端，前端解析接收到的數據并將其更新到頁面上，部分靜態消息（如配置文件）使用XML方式保存到本地。

Web端輔助分類垃圾的信息數據的“存儲”“統計”“分析，在WEB端主界面可以顯示出當前設備數目、分類垃圾的總數、各設備詳細信息;歷史界面按日期統計了分類垃圾的詳細信息，并且用戶可以進行檢索;數據記錄界面給用戶呈現了詳細的已分類的垃圾圖表分析，具體實現如圖5所示。

4 實驗結果與分析

4.1 實驗環境

實驗中使用Linux操作系統，在數據集上訓練初始網絡模型。終端使用Go語言，Goev、go-rpigpio運行庫。Web服務器端使用Java語言開發，在Tomeat環境，使用Tensorflow-gpu、gson、tensorflow-JNI運行庫與組件，cuda9.0及cuda工具包。

4.2 實驗測試數據

測試數據集的來源由兩部分構成，約40%通過使用自有生活垃圾采集，50%左右分通過從互聯網上搜集一些垃圾圖片，測試的數據包括紙類、金屬、塑料、玻璃四大類分類（如圖6所示）。實驗中將所有圖像尺寸縮放到256X256像素。為訓練識別模型，單類別分別采集了近150張樣本。

4.3 結果分析

4.3.1 訓練模型

利用互聯網和我們提供的數據集，首先進行數據分析，數據如下圖7所示，并不復雜，背景簡單。

訓練中可視化評估圖表如圖8、9所示：

采用微調訓練，通過交叉驗證的訓練方法獲得模型，經不斷的模型訓練，識別準確率最終可以穩定在95%-98%，如圖10所示。

4.3.2 識別優化

有監督學習雖然高效、應用范圍廣，但最大的問題就是需要大量的有標簽的數據集，但現實生活中我們遇到的大量數據都是沒有明確標簽的，而且對于龐大的數據集進行標注工作本身也是一項費時費力的工作模式，所以我們采用無監督學習[10]。使用聚類方法進行數據分類，在聚類中我們把物體所聚到的集合成為”簇”，聚類的優化方法采用深度特征均值聚類。

由于初始化是隨機的，所以產生的結果可能不會相同，對于上述的初始化，我們可以從損失函數的曲線圖中可以看出，迭代兩次之后就已經收斂（如圖11所示）。

5 結束語

針對現階段前期垃圾分類不徹底造成的問題，本文提出設計智能垃圾分類系統，滿足市場需求。相比于垃圾站已有的垃圾處理方法，該系統能運用人工智能技術使得可以用較低的硬件成本來實現對垃圾智能定位與分類，還可利用互聯網采集數據，提供給人們更加便利的生活，迎合數據時代的需求。然而也注意到，本文設計的智能垃圾分類系統基于深度學習針對一些固態垃圾，對系統進行了嘗試性的研究和探索開發，限于人力、時間、與工作基礎，以及垃圾千變萬化，形態萬千以及除固體外的其他形態的垃圾有待進一步深入研究。且現階段智能.垃圾分類系統在實現自動分揀之前需要進行簡易的人工分揀，

系統的可靠性、實用性有待提高。本文在吸收多位專家學者研究成果的基礎上，把關注點放在垃圾站垃圾分類與智能化方面。隨著傳統的垃圾分類方式弊端的愈趨明顯，智能識別智能垃圾分類必然會迎來廣闊的發展前景[11]，讓垃圾分類成為新習慣、新風尚、新規矩，文明行為逐漸養成，生活環境得到改善。

參考文獻：

[1]周梓博.分析人工智能技術在智慧城市中的應用[J].通訊世界，2019（1）：259-260.

[2]金山.潔凈城市的第一步是垃圾分類[J].防災博覽，2017（2）：60-61.

[3]朱颯.200億，垃圾分類市場規模是畫餅充饑？[J].資源再生，2017（12）：38-39.

[4]韓曉靜，張德富.智能分類垃圾箱的設計與研發[J].中國市場，2017（2）：182-183.

[5]賀旭娟.國內垃圾分類回收處理現狀及對策[J].資源節約與環保，2018（12）：102-103.

[6]李娜，安彥波，余志偉，等.基于OpenCV的物體定位與捕捉系統設計[J].機械設計與制造工程，2019，48（3）：85-88.

[7]陳冠琪，胡國清，Jahangir Alam SM，等.基于改進SSD的多目標零件識別系統研究[J]新技術新工藝，2019（8）：72-76.

[8]張龍波，李智遠，楊習貝，等.決策代價約簡求解中的交叉驗證策略[J].南京大學學報（自然科學），2019，55（4）：601-608.

[9]郭業才，鄭慧穎，葉飛.梯度域和深度學習的圖像運動模糊盲去除算法[J].實驗室研究與探索，2019，38（6）：4-8.

[10]甘井中，楊秀蘭，呂潔，等.人工智能中無監督學習算法綜述[J].海峽科技與產業，2019（1）：134-135.

[11]楊淑婷.人工智能發展概述[J].福建電腦，2018，34（10）：86-87.

[通聯編輯：唐一東]