【洞幺邦】基于卷积神经网络的垃圾图像分类识别

摘要：随着社会的飞速发展，生活中产生的消耗废品日益剧增，如何更好地分类与回收这些“垃圾”已经成为了急需解决的问题。为了我国能够更好更快的建立健全城市垃圾分类处理制度以及方便人们对于垃圾分类有更全面的认识，本文利用人工智能技术，设计了基于深度学习的垃圾分类模型，对包含2500多张图片的数据集进行六分类训练。训练结果表明，通过建立的基于VGG16迁移学习的垃圾分类模型对垃圾图片进行分类测试时，准确率可以达到91.24%，实现了较好的分类效果。
关键词：垃圾分类; 卷积神经网络; VGG16模型

1 引言
垃圾分类，一般是指按一定规定或标准将垃圾分类储存、分类投放和分类搬运，从而转变成公共资源的一系列活动的总称。自今年7月1日起，上海市将正式实施《上海市生活垃圾管理条例》。垃圾分类，看似是微不足道的“小事”，实则关系到13亿多人生活环境的改善，理应大力提倡。
分类的目的是提高垃圾的资源价值和经济价值，力争物尽其用。进行垃圾分类收集可以减少垃圾处理量和处理设备，降低处理成本，减少土地资源的消耗，具有社会、经济、生态等几方面的效益[1]。生活垃圾由于种类繁多，具体分类缺乏统一标准，大多人在实际操作时会“选择困难”，基于深度学习技术建立准确的分类模型，利用技术手段改善人居环境。
从技术上旨在通过深度学习，实现垃圾的高精确度分类；在效果上，通过技术的提升提高城市居民的环境保护与节约资源的意识，促进城市居民转变现有的投放垃圾的行为方式；从长远上来看，抛砖引玉，为我国建立健全城市垃圾分类处理制度提供一些思路。

2 软件环境与数据来源
2.1 软件环境

2.2 数据来源
垃圾识别分类数据集包含了2507个生活垃圾图片, 分为了6个类别：玻璃(glass)、硬纸板(cardboard)、金属(metal)、纸(paper)、塑料(plastic)、一般垃圾(trash)。

3 图像分类与深度学习
3.1 图像分类方法
传统分类图像的方法主要通过图像自身特性进行分类，实质是对图像分类基于特征的学习，其中重要的一步是特征提取。在此阶段，运用手动设计的算法对图像的特定部分编码[2]，比如形状、色彩、材质，用这些特征来评定图像内容。根据这些特征，进而用于训练网络及评估网络。传统图像分类与深度学习图像分类的对比如下图所示。

                                     图1 传统图像分类与