快捷導(dǎo)航

使用Python輕松完成垃圾分類（基于圖像識(shí)別）

更新時(shí)間：2019年07月09日 10:27:42 作者：上海小胖

這篇文章主要介紹了使用Python輕松完成垃圾分類（基于圖像識(shí)別）,文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下

0 環(huán)境

Python版本：3.6.8

系統(tǒng)版本：macOS Mojave

Python Jupyter Notebook

1 引言

七月了，大家最近一定被一項(xiàng)新的政策給折磨的焦頭爛額，那就是垃圾分類。《上海市生活垃圾管理?xiàng)l例》已經(jīng)正式實(shí)施了，相信還是有很多的小伙伴和我一樣，還沒有完全搞清楚哪些應(yīng)該扔在哪個(gè)類別里。感覺每天都在學(xué)習(xí)一遍垃圾分類，真令人頭大。

聽說(shuō)一杯沒有喝完的珍珠奶茶應(yīng)該這么扔

首先，沒喝完的奶茶水要倒在水池里
珍珠，水果肉等殘?jiān)胚M(jìn)濕垃圾
把杯子要丟入干垃圾
接下來(lái)是蓋子，如果是帶蓋子帶熱飲（比如大部分的熱飲），塑料蓋是可以歸到可回收垃圾的嗷

看到這里，是不是大家突然都不想喝奶茶了呢，哈哈。不過(guò)不要緊，垃圾分類雖然要執(zhí)行，但是奶茶也可以照喝。

那么，這里我們想討論一下，人工智能和數(shù)據(jù)科學(xué)的方法能不能幫助我們進(jìn)行更好的垃圾分類？這樣我們不用為了不知道要扔哪個(gè)垃圾箱而煩惱。

2 思路

這問題的解決思路或許不止一條。這里只是拋磚引玉一下，提供一些淺顯的見解。

第一種方案，可以把垃圾的信息制成表格化數(shù)據(jù)，然后用傳統(tǒng)的機(jī)器學(xué)習(xí)方法。

第二種方案，把所有的垃圾分類信息做成知識(shí)圖譜，每一次的查詢就好像是在翻字典一樣查閱信息。

第三種方案，可以借助現(xiàn)在的深度學(xué)習(xí)方法，來(lái)對(duì)垃圾進(jìn)行識(shí)別和分類。每次我們給一張垃圾的圖片，讓模型識(shí)別出這是屬于哪一種類別的：干垃圾，濕垃圾，有害垃圾還是可回收垃圾。

3 圖像分類

圖像分類是深度學(xué)習(xí)的一個(gè)經(jīng)典應(yīng)用。它的輸入是一張圖片, 然后經(jīng)過(guò)一些處理，進(jìn)入一個(gè)深度學(xué)習(xí)的模型，該模型會(huì)返回這個(gè)圖片里垃圾的類別。這里我們考慮四個(gè)類別：干垃圾，濕垃圾，有害垃圾還是可回收垃圾。

報(bào)紙：可回收垃圾

電池：有害垃圾

一次性餐盒：干垃圾

我們對(duì)圖片里的物品進(jìn)行分類，這是圖像處理和識(shí)別的領(lǐng)域。人工智能里提出了使用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）來(lái)解決這一類問題。

我會(huì)用keras包和Tensorflow后端來(lái)建立模型。由于訓(xùn)練集的樣本暫時(shí)比較缺乏，所以這里只能先給一套思路和代碼。訓(xùn)練模型的工作之前還得進(jìn)行一波數(shù)據(jù)收集。

我們就先來(lái)看看代碼大致長(zhǎng)什么樣吧

先導(dǎo)入一些必要的包。

再做一下準(zhǔn)備工作。

在上面，我們初始化了一些變量，batch size是128； num_classes = 4，因?yàn)樾枰诸惖臄?shù)量是4，有干垃圾，濕垃圾，有害垃圾和可回收垃圾這四個(gè)種類。epochs 是我們要訓(xùn)練的次數(shù)。接下來(lái)，img_rows, img_cols = 28, 28 我們給了圖片的緯度大小。

在 .reshape(60000,28,28,1)中 , 60000 是圖片的數(shù)量（可變）, 28是圖片的大?。烧{(diào)），并且1是channel的意思，channel = 1 是指黑白照片。 .reshape(10000,28,28,1)也是同理，只是圖片數(shù)量是10000。

到了最后兩行，我們是把我們目標(biāo)變量的值轉(zhuǎn)化成一個(gè)二分類，是用一個(gè)向量（矩陣）來(lái)表示。比如 [1,0,0,0] 是指干垃圾，[0,1,0,0]是指濕垃圾等等。

接下來(lái)是建模的部分。

我們加了卷積層和池化層進(jìn)入模型。激活函數(shù)是 relu，relu函數(shù)幾乎被廣泛地使用在了卷積神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)。我們?cè)趯优c層之間也加了dropout來(lái)減少過(guò)擬合。Dense layer是用來(lái)做類別預(yù)測(cè)的。

建完模型后，我們要進(jìn)行模型的驗(yàn)證，保證準(zhǔn)確性在線。