原文链接:
https://www.sciencedirect.com/science/article/pii/S0921344920304493
![778435747830cc1afcce87f133575d43.png](https://img-blog.csdnimg.cn/img_convert/778435747830cc1afcce87f133575d43.png)
图片来源于网络(侵删)
文章亮点
1. 基于图像识别的自动分类算法能够减少废弃物回收的人力劳动;
2. 可使用卷积神经网络(CNN)模型识别废弃物;
3. 可通过扩充训练数据扩充来提升CNN模型的分类性能。
4. 优化CNN模型的完全连接层可提升CNN的分类性能。
文章导读
回收废弃物能够有效减少废物产生量,缓解环境和改善国家经济。然而,废弃物回收的效率和质量在很大程度上取决于分选原料的纯度和准确性,需要耗费大量的人工成本。在此背景下,计算机视觉和深度学习(DL)技术开始被应用于废弃物的自动分类任务中,特别是卷积神经网络(convolutional neural network, CNN),如AlexNet、VGG、ResNet和DenseNet。
然而,可用于训练CNN模型的数据集十分有限,CNN模型存在计算效率低和过度拟合的缺陷,当前废弃物的分类精确度较低。因此,本研究扩充了TrashNet废弃物数据集,利用遗传算法优化了Den