论文翻译-Comparative Analysis of Multiple Deep CNN Models for Waste Classification

垃圾分类的多种深度CNN模型的比较分析

摘要：垃圾在错误的地方是一种财富。我们的研究重点是分析自动垃圾分类和收集的可能性，以帮助进一步的回收过程。目前正在采用各种方法来管理废物，但效率不高，需要人为干预。自动废物分离技术可以填补这一空白。该项目测试了著名的深度学习网络架构，利用结合了自己的努力和垃圾网的数据集进行垃圾分类。卷积神经网络用于图像分类。以垃圾箱的形式建起来的硬件是用来把垃圾分成不同的隔间的。这项研究将节省宝贵的时间，并在废物管理领域引入自动化。城市固体废物是一种巨大的可再生能源。这种局面对政府、社会和实业家都是双赢的。由于ResNet18网络的微调，最佳验证准确性被发现为87.8%。

1、说明

随着世界范围内人口的急剧增长，固体垃圾的产量也随之大幅增加。废物管理不当对经济、公共卫生和环境产生不利影响。对于任何正在发展的城市和城镇来说，如何妥善处理固体废物一直是一个令人头痛的问题。有效的废物回收利用既经济又环保。它可以帮助回收原始资源、保存能源、减少温室气体排放、水污染、减少新堆填区等。在发展中国家，城市固体废物的回收依赖于家庭垃圾分类，通过清道夫和收集者来交易可回收物以获取利润。在发达国家，社区更多地参与回收计划。一些技术，如机械分类和化学分类，在发达国家可用于自动垃圾分类。深度学习是一类机器学习算法，它使用多层数据表示和特征提取。利用卷积神经网络[1]，先后应用了一类深度前馈人工神经网络对图像进行分析。因此，在利用深度学习进行废物分类的过程中，需要从检测[2]的相机中获取图像，对目标进行识别、预测和分类[3]，分为可降解和不可降解两类。

2、相关工作

还有许多理论项目和几个实验项目都是由垃圾公司单独完成的。从已有的研究来看，在大多数情况下，数据集通常是有问题的部分。需要一个能正确地包含问题集的数据集是极其重要的。卷积神经网络(CNN)的最新发展为从图像中学习特征创造了一个很棒的环境，从而实现图像分类、分割和检测[1]。因此，从整体上看，这种方法似乎是最好的垃圾分类方法。Awe等人[2]提出了一个实验项目，使用更快的R-CNN模型将垃圾分类为三类:纸张、回收和垃圾，平均精度达到68%。Thung和Yang[3]使用支持向量机(SVM)和卷积神经网络(CNN)将垃圾分类为六类。SVM的准确率为63%，CNN的准确率为73%。Rad等人开发了一种基于google的视觉应用程序，用于城市垃圾的定位和分类。该研究声称，对不同类型的垃圾的准确率在63%到77%之间。Donovan[5]提议使用google TensorFlow和相机捕捉来自动分类垃圾，作为堆肥和可回收垃圾。但是，作为一个概念项目，目前还没有实验结果。Mittal等[6]设计了一个