基于Pytorch的垃圾分类识别系统

一、写在前面

在运行该程序之前可以参考我的另一篇博客《深度学习关于环境配置踩过的坑》或者查询其他博主的文章，了解如何新建虚拟环境、在Pycharm中配置、查询本机支持的cuda版本、如何下载对应的pytorch和torchvision版本的一些解决方法。

近年来，垃圾问题成为全球面临的重要挑战之一。垃圾的不正确处理会给环境和人类健康带来严重影响。正确分类垃圾是解决这一问题的基本环节，它可以促进垃圾的有效回收利用，减少对资源的浪费，同时降低对环境的污染。然而，传统的垃圾分类方法往往需要大量的人力和时间成本，且容易出错。为了提高垃圾分类的效率和准确度，深度学习技术的应用吸引了越来越多的研究者和实践者的关注。
深度学习是一种基于人工神经网络的机器学习方法，它通过对大规模数据的训练和学习，能够自动提取和表示复杂的数据特征，并实现高效准确的模式识别和分类。近年来，深度学习在计算机视觉任务中取得了巨大的突破，如图像分类、目标检测和语义分割等。在垃圾分类领域，深度学习方法也取得了显著的成果。
本研究基于PyTorch框架，设计和实现了一个基于深度学习的垃圾分类识别程序。我选择了ResNet-18作为基础模型，这是一个经典的卷积神经网络模型，具有相对较浅的网络结构。通过数据预处理将大规模的垃圾图像数据集转换为可以输入到ResNet-18模型的合适尺寸，并进行数据增强操作以增加模型的泛化能力。为了训练模型，我选择了SGD优化器和交叉熵损失函数，通过在训练集上进行多个epoch的训练，逐渐优化模型的参数和权重。
实验结果表明，该垃圾分类识别程序在测试集上实现了85%以上的分类准确率。这意味着我们的程序能够高效地将输入的垃圾图像分为可回收垃圾、厨余垃圾、有害垃圾和其他垃圾四个类别。比传统方法，该程序具有更高的准确性和工作效率。这对于解决垃圾分类问题具有重要的实用价值和应用潜力。

Resnet18结构：

二、具体实现

1.数据预处理

首先，数据集包含可回收物、有害垃圾、厨余垃圾、其他垃圾四大类40个小类。
其中其他垃圾有6种、厨余垃圾8种、有害垃圾3种、可回收物23种。每种包含大约400张图片，共1.7万多张图片

将图像数据进行预处理，包括随机裁剪，随机翻转，随机旋转，颜色变换等处理方式，以便更好地用于模型训练。

2.构建模型

构建虚拟环境python==3.6，安装CUDA11.0版本，在虚拟环境中安装依赖包torch==cu110,torchvision==cu110，使用GPU进行训练。在PyTorch中，我们可以轻松地构建ResNet-18模型，包括加载预训练权重，并根据我们的垃圾分类任务进行微调。编写并使用get_models函数加载具有特定输入大小、类数量和宽度乘数的ResNet18模型。然后将模型移动到GPU。

定义损失函数和优化器：考虑到本项目是典型的分类问题，即目标变量是离散的，我选择CrossEntropyLoss交叉熵损失函数，来衡量模型的输出与真实标签之间的差距。然后，我选择随机梯度下降（SGD）优化器，来更新模型的权重。

3.模型训练

在训练过程中，将数据馈送给模型，计算损失，并通过反向传播来更新模型参数。同时我定义了几个回调函数，分别是准确率回调函数（acc_record）、loss回调函数（loss_record）等，便于使用工具Tensorboard对训练过程进行可视化。

部分回调函数展示：

三、UI设计

使用PyQt5，通过QtDesigner进行页面设计生成.ui文件后，执行命令将其转化为python语言后编写函数逻辑调用界面。

程序入口：在main.py文件中设置了程序入口，实现界面函数的初始化。其中定义了一个MyMainForm类，入口参数为Login_MainWindow与登录界面有关，具有窗口的动画开始、动画关闭、窗口居中显示、鼠标消息接收和处理登录的方法；定义了一个Use_MyMainForm类，入口参数为Ui_MainWindow与主界面有关，具有鼠标消息接收等方法；定义了一个Identify_MyMainForm类，入口参数为Identify_MainWindow与上传本地图片识别有关。

识别入口：在identify_window.py文件中具体实现上传图片识别过程。将“上传图片”按钮与openImage函数关联，将选取的本地图片路径设置为全局变量，通过文件路径获取图片，并将图片设置为控件label框的长与宽，之后在控件上显示图片与图片路径，并将该图片保存入data/dataset/Imgs文件夹中，便于之后使用。

四、最终效果

上传本地图片后，将图片传入已经训练好的模型，识别出垃圾分类结果以及预测准确度

写在最后

欢迎大家一起交流讨论！需要源码可以给我留评论或者私我。