基于深度学习的垃圾分类系统的设计与实现
这是一篇关于深度学习,卷积神经网络,垃圾分类,安卓App的论文, 主要内容为随着我国生产力水平的发展以及人口的日益增加,生活垃圾的数量不断增多,对城市的环境以及居民的生活健康都带来了不好的影响。针对此现状,2019年7月上海率先推行了严格的垃圾分类政策。同年9月,西安市也正式施行垃圾分类。但在国内许多数城市,将垃圾混装投放的现象依然大量存在,不利于对垃圾进行有效的分类处理。随着深度学习的发展,其在计算机视觉、图像识别分类上的应用也越来越多。因此,利用深度学习技术实现对垃圾图片的识别,辅助人们进行垃圾分类是一项有意义的工作。本文基于深度学习技术,设计与实现了一个垃圾分类系统,提供读取相册图片分类和相机实时预测分类等便捷的功能,帮助人们对生活中的垃圾进行正确分类。首先,以西安市垃圾分类手册为参考,通过网络爬虫、自行拍照等方式对常见生活垃圾的图片进行收集,构建垃圾图片样本集。其次,对样本集进行多种数据增强方式并以8:2的的比例划分成训练集与验证集,以ResNet50、MobileNetV2、ShuffleNetV2、DenseNet121、EfficientNetV2-S五种深度学习模型为候选主干神经网络并在网络中引入注意力模块,使用不同的损失函数在样本集上进行多组实验,观察模型在验证集上的准确率。在准确率的基础上,综合考虑参数量、浮点计算次数以及模型大小选取EfficientNetV2-S为最终模型,并在自制的测试集上对选取模型的泛化能力进行评估。最后,设计并实现了垃圾分类系统,包括垃圾分类App与Web后端管理系统。将深度学习模型部署至安卓App,用户在登录后可以读取相册图片对垃圾进行分类或者打开相机对准待识别的垃圾进行实时预测,使用方便。同时在模型预测结果与人工识别结果不一致的时候,用户可以在App内提供反馈给Web后端。管理员登录Web后端管理系统后,可以审核用户反馈的图片并上传标注图片至待训练样本集,以便于后续模型的优化。
基于Transformer的垃圾图像分类研究
这是一篇关于垃圾分类,图像识别,卷积神经网络,Transformer,Swin Transformer的论文, 主要内容为近年来,垃圾分类已成为我国绿色发展理念的重要组成部分。垃圾分类是将生活垃圾按照材质或成分进行分类,并进行资源化处理的过程。垃圾分类的有效实施可以减少土壤、水质、空气等环境的污染,有利于保护环境和维护生态平衡。然而,由于日常生活中产生的垃圾种类繁多,传统的人工分类方式效率低且容易出错。因此,本文基于深度学习技术,构建了基于Transformer框架的垃圾图像分类网络模型,帮助人们更好地完成日常垃圾分类工作。本文的主要研究内容如下:(1)针对垃圾图像分类模型的精度问题,本文研究了基于卷积神经网络的分类模型,包括Alex Net、VGGNet和Res Net模型。通过研究发现,这些模型在本文自制垃圾分类数据集上的识别准确率不高。因此,为了进一步提高垃圾分类网络模型的识别准确率,本文对Swin Transformer模型进行了详细的分析与研究,为进一步提高该模型的性能,本文融合了SPT(Shifted Patch Tokenization)与LSA(Locality Self Attention)算法思想,分析了它们在Swin Transformer模型上的最佳组合方案,并构建了改进后的Swin Transformer模型。最终本文改进后的Swin Transformer模型在自制垃圾分类数据集上达到了88.1%的准确率,相比Swin Transformer基础模型有进一步的提升。(2)针对Transformer垃圾图像分类模型的轻量化问题,本文构建的Swin Transformer模型参数量很大,这不利于模型部署在移动端场景。为了在保持高准确率的情况下,实现轻量化的模型部署,本文对Mobile Vi T垃圾分类网络模型进行了优化和改进,构建了一种具有较高识别准确率的轻量化垃圾图像分类模型。实验结果表明,与纯视觉Transformer网络模型相比,本文基于Mobile Vi T改进后的模型参数量减少近10倍,并且准确率仍能达到86.2%;与其他轻量化模型对比,基于本文构建的轻量化模型在垃圾分类任务上的准确率要高于Squeeze Net和Shuffle Net等网络模型。
智能垃圾分类管理系统
这是一篇关于垃圾分类,智能化系统,Vue.js框架,小程序的论文, 主要内容为推动生活垃圾分类对破解“垃圾围城”困境、减少温室气体排放、缓解全球气候变暖的进程、应对国家能源短缺、改善城市生态环境具有重要意义。相较于传统人工垃圾分类,智能垃圾分类对于管理者而言可以更加方便的管理,对于清运工而言提升工作效率,对于用户而言更加方便的投递垃圾。随着互联网人工智能技术和智能化设备的蓬勃发展,智能垃圾分类技术的未来更加辽阔。依托于可以对垃圾进行自动分类的智能化垃圾桶,本文设计实现了一个智能垃圾分类管理系统,系统分为PC端、APP端、小程序端,其中PC端为后台管理系统,负责管理各类数据信息,供管理人员使用。APP端供清洁员工使用,提供更加便利的工作支持。小程序端供普通用户使用,使用户投递垃圾更加方便。本系统通过人工智能技术自动分类可回收垃圾,并将分类信息实时采集到系统中,减少了人工参与的工作量,提高了工作效率,并根据垃圾投递信息实时对接后端垃圾转运系统,为后端垃圾分类处理提供了实时信息,为垃圾处理大数据分析提供了全面的、系统性的数据支撑。另外,相较于国内的垃圾分类APP如“小黄狗”、“虎哥”等,它们只有管理人员端口和用户端口两个部分,缺少员工运维端口,系统在垃圾分类应用领域考虑到这个缺陷,设计了员工APP端,系统首次在垃圾分类投放领域实现了三端互联技术,相较于传统垃圾分类回收,可以做到更加的智能化、便捷化、友好化。本系统PC端和APP端的前端部分使用了Vue.js渐进式框架及其衍生态工具搭建,小程序端采用微信小程序,基于JS、WXML、WXSS进行构建,系统的服务端采用基于Node平台的Express框架来完成,数据库使用Mongo DB数据库完成对数据的存储。系统的完成依据主流互联网Web视觉设计标准设计用户界面UI交互,通过需求确定、系统设计、系统实现、系统测试四个方面构建出功能良好性、用户友好性的智能垃圾分类管理系统。
基于机器学习的可回收垃圾识别分类研究
这是一篇关于垃圾分类,特征提取,迁移学习,注意力机制的论文, 主要内容为随着现代化的发展,生活垃圾与日俱增,环境遭受巨大考验,严重威胁到人类的健康和制约了经济的发展,对可回收垃圾科学分类不仅能减少环境的污染改善生存质量还能节约资源。目前在垃圾分类方面,主要依靠人工挑拣的方式,存在着效率低、误判率高等诸多弊端,利用机器学习算法对垃圾进行分类能有效解决问题,为人们带来了便利。本文通过传统特征提取再分类以及深度学习两种方法对问题进行探讨,结合创建的数据集,设计出一个可回收垃圾分类模型,实验表明该模型使垃圾分类的准确率有所提高。本文研究内容主要包括:(1)构建垃圾分类数据集,针对已有的垃圾分类数据集存在的不平衡、背景单一、特征过于明显等问题,依据经典数据集Trash Net类别创建了垃圾数据集REGB,并进行一系列数据增强策略,为之后用分类模型分类提供数据基础。(2)运用传统的人工提取方法提取出垃圾图像的HOG算子和LBP算子向量并用支持向量机算法进行分类,两种提取方法的最高分类准确率分别为64.2%、62.2%,为了提升模型的分类准确率,运用串联的方法将两种提取到的特征进行融合,并使用PCA降维,准确率提升了0.9%,但整体效果还有待提高,考虑通过深度学习算法进一步解决。(3)提出了一种新的网络模型A-Res Net。首先选择深度学习框架Py Torch,研究VGG16、Mobile Net、Xception和Res Net50四种模型,采用迁移学习策略重构了全连接层、微调了各模型参数,比较各模型性能后选择了分类效果较好的Res Net50作为基线模型。然后针对可回收垃圾图像中存在的不同类别之间特征差异性不明显等问题,结合迁移学习,创新地将注意力机制模块CBAM添加到残差网络Res Net50结构中多个不同位置并添加Dropout层,达到了强化重要的通道信息并防止过拟合的效果。实验表明,文章提出的A-Res Net模型能有效提高可回收垃圾的分类准确率,最终分类准确率高达96.7%,达到预期的效果。
基于AIoT的智能垃圾分类系统研究
这是一篇关于AIoT,垃圾分类,GhostNetV2,NB-IoT技术,监控管理的论文, 主要内容为针对目前垃圾分类系统存在着分类标准不统一、分类效果差、分类成本高、管理困难等问题,本文首先对垃圾分类算法进行了改进,再将其部署到低成本的嵌入式AI分析单元K210中,然后将AI分析单元与NB-Io T架构融合,并结合Web端的垃圾回收装置监控管理系统,最后形成了一套基于AIo T的智能垃圾分类系统。下面是本文所做的主要工作:(1)针对目前垃圾分类算法的内存占用大,无法部署到低算力嵌入式硬件设备上的问题,本文改进了轻量级算法Ghost Net V2。首先提出了应用于CPU设备和GPU设备的C-Ghost Net V2和的G-Ghost Net V2算法;其次提出了一种改进的逆残差思想,并设计了改进的逆残差结构Inverst block;然后通过引入改进逆残差思想和嵌套逆残差结构,对C-Ghost Net V2和G-Ghost Net V2算法进行改进,提出了C-Ghost Net V2-L1和G-Ghost Net V2-L1算法;最后在垃圾分类数据集上进行消融实验。实验证明引入了逆残差的思想和结构,模型的参数量缩小十倍,准确率有所提升,模型延迟缩小一半,验证了逆残差和改进算法的有效性。(2)为了继续提升算法的性能,在改进算法的基础上引入了通道混洗操作,并设计了C-Ghost Net V2-L2和G-Ghost Net V2-L2算法。经过实验验证,加入通道混洗操作后,模型参数量和内存基本不变,但模型的准确率有所提升。接着为了进一步验证改进模型在实际应用中的效果,需要将改进模型部署在低成本AI分析单元K210上。首先对改进模型进行8bit量化,量化后的模型缩小10倍,最小的模型缩减到2MB以下,已经可以达到K210的内存要求,然后通过格式转换和模型移植操作,最终成功将改进模型部署在K210上。(3)由于目前的垃圾回收装置存在多种分类标准,例如二分类、三分类、四分类等等。为了统一管理多种分类标准的垃圾回收装置,本文使用NB-Io T技术组网,并将AI分析单元融入NB-Io T架构的终端,形成AIo T的垃圾分类系统;为了完善系统功能,在终端使用各种传感器采集垃圾回收装置内的环境信息,并通过NB-Io T网络上传云平台;为了提升用户的使用体验,通过Spring Boot和Vue框架搭建了垃圾回收装置监控管理系统,并设计系统数据库。监控管理系统获取云平台接收的环境信息,将其存储在数据库中,并显示在Web网页上。(4)为了验证系统的有效性和稳定性,搭建了系统硬件测试平台,首先测试了NB-Io T模块的无线通信功能,然后测试了改进算法在嵌入式AI分析单元K210上的垃圾分类功能,并得出结论C-Ghost Net V2-L2算法在AI分析单元K210上的分类效果优于G-Ghost Net V2-L2算法,最后验证了One NET云平台接入功能以及监控管理系统功能。
基于服务设计理念的高校垃圾分类APP设计研究
这是一篇关于服务设计理念,垃圾分类,高校,APP设计的论文, 主要内容为本研究课题为服务设计理念下的高校垃圾分类应用设计研究。随着2019年的垃圾分类政策颁布,垃圾分类迅速在国内掀起了一股热潮。在政策红利下垃圾分类成为一个新的商业机会。各类APP、小程序的数量大幅增加。但分类效果并不令人满意。根据先前的研究发现我国学生每天产生的垃圾量为1.95万吨/天,其中可再利用的资源量极大,同时调研发现我国24岁及以下的群体积极参与环保运动,而那些对环境意识和行为保持积极态度的人往往具有大专或更高的教育水平,大学生就是其中之一,因此,在理论上,高校是最适合开展垃圾分类工作的,然而目前国内没有大学在校园内进行系统的垃圾分类,或者采取了一定的分类措施,但并没有进一步的处理过程来完善这种行为。结合以上现象,本文试图通过服务设计的方法来探讨目前高校垃圾分类存在的问题与冲突,从实际出发,站在高校学生的角度,为高校打造出数据化、信息化的动态管理平台。扭转部分学生对垃圾分类的抵触情绪,使其养成良好的分类习惯,促进社会垃圾分类工作的良好运转。本文首先对服务设计的基本理论进行了梳理,并对其内涵和特点进行了界定;同时还给出了一些常见的工具与方法,为以后的研究提供了参考。其次,以服务设计的方法与原理为指导,深入探讨高校垃圾分类APP的用户需求。规划高校垃圾分类APP的目标用户的服务流程和服务触点,制定服务蓝图,提出高校垃圾分类APP的设计策略;最后,完成APP交互式设计实践和辅助硬件设计。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码项目助手 ，原文地址：https://m.bishedaima.com/lunwen/47719.html
