基于深度学习的垃圾图像分类识别及多种网络对比研究毕业论文+答辩PPT+项目源码及数据库文件-CSDN博客

本文链接：https://blog.csdn.net/qq_43368615/article/details/148025351

！！！有需要的小伙伴可以通过文章末尾名片咨询我哦！！！

💕💕作者：优创学社
💕💕个人简介：本人在读博士研究生，拥有多年程序开发经验，辅导过上万人毕业设计，支持各类专业；如果需要论文、毕设辅导，程序定制可以联系作者
💕💕各类成品java系统。javaweb，ssh，ssm，springboot等等项目框架，源码丰富，欢迎咨询交流。学习资料、程序开发、技术解答、代码讲解、源码部署，需要请看文末联系方式。

一、引言........................................................................................................................ 1

1.1项目背景............................................................................................................. 1

1.2项目简介............................................................................................................. 2

1.3团队分工............................................................................................................. 2

二、数据分析及处理...................................................................................................... 3

2.1数据集背景介绍................................................................................................... 3

2.2数据分析及预处理思路........................................................................................ 3

2.3数据分析及预处理步骤........................................................................................ 4

2.2.1 一级分类数据分析及预处理....................................................................... 4

2.2.2 二级分类数据分析及预处理....................................................................... 6

三、技术方案选型.......................................................................................................... 7

四、模型选型与训练...................................................................................................... 8

4.1模型选型............................................................................................................. 8

4.2算法分析............................................................................................................. 9

4.2.1 VGG19....................................................................................................... 9

4.2.2 DenseNet 121............................................................................................ 11

4.2.3 ResNeXt -101............................................................................................ 14

4.3模型训练............................................................................................................ 15

4.3.1模型训练预备........................................................................................... 15

五、模型评估............................................................................................................... 19

5.1众网络模型测试集准确率对比............................................................................ 19

5.2混淆矩阵评估..................................................................................................... 20

六、项目总结............................................................................................................... 21

6.1项目成果分析..................................................................................................... 21

6.2项目创新............................................................................................................ 22

6.3项目展望............................................................................................................ 23

基于深度学习的垃圾图像分类识别及多种网络对比研究

引言

1.1项目背景

垃圾是人们生产生活中常见的废弃资源，随着社会生产力水平的提高和生产技术的发展,导致垃圾的数量越来越多。2018年世界银行的一份关于固体垃圾产量的报告指岀：全世界一年产生的固体废物垃圾有20.1亿吨，平均每人在每天会产生0.74公斤的垃圾，其中至少有33%的垃圾没有以可降解的方式处理。到2050年,全球垃圾将增长到34亿吨，是同期人口增长的两倍多。

在全世界范围内，一些无法及时处理垃圾的地区将垃圾直接倾倒，倾倒的垃圾可能会对环境造成污染，例如土壤污染、空气污染、水污染、害虫传染病等。一些不可自然降解的塑料垃圾被填埋后会释放出有毒化学物质，当它们在土壤中最终降解时，会释放出致癌的二乙基羟胺。如果人类误食这种土壤栽培的植物，可能会影响肝功能和生殖系统。如果将一些有毒废物在垃圾场直接燃烧，会释放出破坏臭氧层的气体和化学物质，当释放的有毒气体扩散到我们呼吸的空气中时，会对人类的健康造成威胁。这就需要对垃圾进行正确的分类处理，并不是所有的垃圾都是无价值的，在处理垃圾的时候,将可以再次创造价值的垃圾筛选出来，无价值的垃圾则正确进行处理，这不仅可以提高垃圾的利用率，也可以减少垃圾对环境的污染。

因此，如何对垃圾进行正确分类处理有着重要研究意义与价值。垃圾分类是指按照一定的法规或标准对垃圾进行分类、存储、存放和运输的一系列活动，并将其转变为公共资源。垃圾分类根据垃圾的组成和产量，并结合当地实际的垃圾利用价值和处理方式，可以提高垃圾的综合利用率。

1.2项目简介

本项目针对当下垃圾分类的热点问题，运用深度学习算法进行智能垃圾分类，为垃圾一级分类问题提出解决方案，并尝试进行二级分类模型探索。其中分类处理思维导图如图1-1所示。

其中本项目采用华为数据集，基于迁移学习方法对Densenet121、ResNext101_32x8d、VGG19等当下优质图像分类网络进行结构微调，并对比调整后网络的分类效果，最终选择出表现最优Densenet121模型进行智能垃圾分类检测平台的开发。

图1-1垃圾分类思维导图

1.3团队分工

	成员	主要贡献
	曾倩	负责项目的整体设计，垃圾图像一级分类数据预处理，一级分类Densenet121模型与VGG19模型的训练与分析，项目部分后端开发，文档撰写及部分PPT制作
钟文燕		负责垃圾图像一、二级分类部分数据预处理，垃圾图像一级分类的ResNeXt101_32x8d网络的训练与分析，部分PPT制作和文档撰写，项目前端编写及部分后端开发
余丽婷		负责垃圾图像二级分类数据预处理，垃圾图像二级分类Densenet121模型的训练与分析，部分PPT制作和文档撰写，项目部分后端开发

数据分析及处理

2.1数据集背景介绍

项目所使用的数据集来源于华为云举办的垃圾分类挑战赛，完整数据集共包括14802张垃圾图像，其中共包括四个大类（如图2-1所示）、四十个小类，粗粒度一级类别包括其他垃圾、厨余垃圾、可回收物、有害垃圾，细粒度二级类别表示垃圾在一级类别下的具体所属，例如可回收物又包括易拉罐、插头电线、旧衣服。其中数据集部分子集图片如图2-2所示。


	图2-1 数据集分布

图2-2 部分垃圾图像展示

2.2数据分析及预处理思路

本项目旨在实现垃圾图像数据集的一级分类与二级分类，首先需要进行整体数据分析，然后结合分析结果进行数据预处理。然后，为了后续进行深度学习模型训练，需要进行训练数据集及验证数据集的切分，使数据集目录结构符合ImageFolder需要的格式。

数据分析阶段中，首先需要进行初步数据探测，了解垃圾图像类别大致分布。然后为了适应深度神经网络输入需求，需要结合图像宽高比进行不失真的缩放。最后为了辅助后续网络提取特征，采用调节对比度的方法进行图像增强。

2.3数据分析及预处理步骤

2.2.1 一级分类数据分析及预处理

一级分类数据探测

首先读取全体数据集中的所有txt标签文件，并结合40分类说明json文件提取出其中的一级分类label，构建包含全体数据集图像路径及所属标签的img_path_list，对其进行统计得到img_label_dict，得到垃圾图像在四大类别中的分布如下。

图2-3 垃圾图像类别分布

图2-4 部分统计代码

图像宽高比分布及处理思路

然后统计数据集图像的宽高比分布如图2-5所示，局部放大[1，2]区间，发现绝大部分图像宽高比位与05-1.5之间。由于网络输入图像规格为224*224，考虑设置将图像较短边缩放到256像素，另外一边等比例缩放，然后对图像进行大小为224*224的中心裁剪。


图2-5 图像宽高比分布	图2-6 图像宽高比分布

训练集及测试集的切分

首先确定将整体数据集按8：2切分为训练集与测试集，各类别分类比例如图2-7所示。

图2-7训练集与测试集数据分布

为了满足ImageFolder的读取格式，结合label将图片数据集进行划分。将train_img_list中的照片复制到train/label文件夹下，最终建立文件目录结构如图2-8所示。


图2-8 处理后数据集目录结构	图2-9 训练集与验证集生成

2.2.2 二级分类数据分析及预处理

二级分类分析处理思路与一级分类大致相同，首先进行数据探测，宽高比分布与一级分类相同，然后进行训练集数据验证集数据的生成。其中图像数据类别分布及训练集、测试集数据分布如图2-10，2-11所示。


图2-10二级分类数据分布	图2-11二级分类训练集与测试集分布

DenseNet 121

作为CVPR2017年的Best Paper，DenseNet脱离了加深网络层数(ResNet)和加宽网络结构(Inception)来提升网络性能的定式思维,从特征的角度考虑,通过特征重用和旁路(Bypass)设置，既大幅度减少了网络的参数量，又在一定程度上缓解了gradient vanishing问题的产生.结合信息流和特征复用的假设，DenseNet当之无愧成为2017年计算机视觉顶会的年度最佳论文。

DenseNet主要由Dense Block和Transition Layer组成。Dense Block作为网络的主体,负责网络分类特征的提取，如图3-3(a)所示：该Dense Block由4个Residual Block和输入层构成，各结构间采用前馈全连接方法进行相连,输入层与其余Residual Block均进行连接第1个Residual Block与其后3个相连以此类推。对于Residual Block主要由两层卷积层构成，并将卷积层的输入与输出的特征图进行合并,增加特征维度。Rransition Layer为网络中的降维结构，可将卷积特征图的维度进行一定比例的压缩，减少网络的参数，增加网络的计算效率,如图2(b)所示，Transition Layer由一个卷积核为1x1的卷积层和池化层组成,其中卷积层从输入特征图的张数进行降维减少比例为c，一般设置为0.5，即将特征图张数压缩为原来的一半；池化层从特征图的大小进行降维，一般将输入特征图的大小缩小为原来的一半。

图3-3Denseblock与transitionlayer

图3-4 DenseNet框架图

表3-1就是整个网络的结构图。这个表中的k=32，k=48中的k是growth rate，表示每个dense block中每层输出的feature map个数。为了避免网络变得很宽，作者都是采用较小的k，比如32，作者的实验也表明小的k可以有更好的效果。根据dense block的设计，后面几层可以得到前面所有层的输入，因此concat后的输入channel还是比较大的。另外这里每个dense block的3*3卷积前面都包含了一个1*1的卷积操作，就是所谓的bottleneck layer，目的是减少输入的feature map数量，既能降维减少计算量，又能融合各个通道的特征。另外作者为了进一步压缩参数，在每两个dense block之间又增加了1*1的卷积操作。因此在后面的实验对比中，如果你看到DenseNet-C这个网络，表示增加了这个Translation layer，该层的1*1卷积的输出channel默认是输入channel到一半。如果你看到DenseNet-BC这个网络，表示既有bottleneck layer，又有Translation layer。

表3-1 DenseNet121和DenseNet169模型参数

4.2.3 ResNeXt -101

2017年，何恺明团队所在的Facebook AI推出ResNeXt-101，全面刷新了ImageNet记录，用Instagram上面的9.4亿张图做了 (弱监督) 预训练，用ImageNet做了微调，共有 101 层、32 个组。每组的宽度为 16、 36 字节的计算量、 193兆个参数。ImageNet测试中，它的(32×48d) 分类准确率达到85.4% (Top-1) ，打破了从前的纪录。

ResNeXt网络结构采用了VGG网络的堆栈和inception 的划分整合的思想，用一种具有相同结构的block进行堆栈。将高维卷积分成多个相同的低维卷积，卷积操作后，对分组的多个特征进行融合。其中分得的组数称为cardinality,图3-5中分成了32组卷积。

相对于传统的ResNet 残差块结构，引入Inception之后的网络结构如图3-5所示。可以看出拥有相同的分组卷积结构中参数规模并没有增大,并且通过分组卷积，卷积的结果恰恰可以表示出输入Map中各个通道的权重大小，同时增大了模型复杂度。