《Comparing Deep Learning And Support VectorMachines for Autonomous Waste Sorting》论文笔记

论文翻译

Abstract

       ~~~~~~       废物分类是将废物分为不同类型的过程。 当前的趋势是有效地分离废物以便对其进行适当处理。 分离必须尽早进行，以减少其他材料对废物的污染。 对于废物处理公司来说，使这一过程自动化的需要是一个重要的促进因素。 这项研究旨在通过应用机器学习技术仅通过图像识别废物的类型来自动进行废物分类。 使用了两种流行的学习算法：带卷积神经网络的深度学习（CNN）和支持向量机（SVM）。每种算法都会创建一个不同的分类器，仅使用废物的256 x 256色png图像将废物分为3个主要类别：塑料，纸张和金属。将这两个分类器的准确性进行比较，以选择最佳分类器并在树莓派上实现 3. Thepi控制一个机械系统，该系统将废物从其初始位置引导到相应的容器中。 但是，在本文中，我们仅比较这两种机器学习技术并在pi上实现最佳模型，以衡量其分类速度。SVM的分类准确率高达94.8％，而CNN的分类准确率仅为83％。 SVM还显示出对不同类型废物的特殊适应性。 NVIDIA DIGITS用于训练CNN，而Matlab 2016a用于训练SVM。 SVM模型最终在Raspberry pi 3上实现，该模型可以快速分类，每个图像平均耗时0.1s。

1. INTRODUCTION

       ~~~~~~       在家庭层面，废物分类变得尤为重要[1]。 当前的趋势是有效地分离废物以便对其进行适当处理。 分离废物流中存在的不同元素可以回收有用的材料，因此可以最大程度地减少送入垃圾填埋场的大量材料，并使可回收材料到达目的地。 公司还对材料进行分类和回收，以获取价值[1]。 因此，对智能废物分类的需求正在增长。从另一个角度来看，计算技术正在发展，日常使用的小工具也变得更加智能。利用它们的计算能力，它们可以被整合到一个环境高效的废物处理系统中。
       ~~~~~~       最近，废物的产生急剧增加[2]。 如果处理不当，可能会对环境造成不利影响。 废物的分类应尽早进行，以最大程度地提高可回收物品的数量并减少被其他物品污染的可能性。 通过自动分类家庭和大型废物，使垃圾箱更智能可以帮助解决此问题。在这项研究中，我们打算通过比较两个非常流行的分类器CNN和SVM来创建这种设备。 表现出更高准确性的分类器可用于自动废物分类。 结果是一个Raspberry Pi控制的垃圾桶。 智能垃圾桶拍摄废物的照片，并自动识别废物的类型并将其重定向到相应的容器。 第二节包含对类似技术的回顾，第三节介绍了数据收集程序和预处理，第四节简要介绍了CNN并描述了训练阶段的框图和所用的网络架构，第五节简要介绍了SVM和用于训练的技术，第六节比较了 第七部分说明了我们的模型在树莓派上的实现，并描述了分类过程，最后总结了工作成果，缺点和今后的工作。

2. BACKGROUND

       ~~~~~~       卷积神经网络[3]对模式识别[4]有很大的影响。在CNN时代之前，特征是人工挑选和设计的，然后是分类器。CNN的革命性之处在于，它的特征大多是通过训练数据自动习得的。CNN的架构使其在图像识别领域具有强大的功能。卷积运算特别地捕捉了图像的2D性质。此外，滑动内核的使用有助于减少通过重量共享来学习的参数数量。[5]已经有20多年的商业使用历史了，在过去的几年里，由于最近的两项发展，CNN的使用出现了爆炸性的增长。首先，大型标记数据集，如大规模视觉识别挑战(ILSVRC)[6]已经可以用于培训和验证。其次，CNN学习算法已经在大规模并行图形处理器(gpu)上实现，加速了学习和推理。关于CNN的完整描述可以在第四节中找到。
       ~~~~~~       另一方面，从医学[7]到环境[8]到许多其他应用，SVM在许多应用中都显示了最新的准确性。 简而言之，SVM是最小风险分类器。 SVM总是通过在两个类之间留出最大的余量来找到分隔数据的平面。 最近，SVM已与卷积神经网络相结合，以便做出更好的预测。SVM也与大量用于图像识别的特征技术[9]捆绑在一起。 第五节介绍了有关SVM和功能包技术的简要说明。
       ~~~~~~       自动垃圾分类一直是许多重新搜索的项目。最近的一项研究使用OWL本体来处理废物[10]。但是，为了使排序更加精确，需要为排序的元素配备RFID。另一种方法是使用光学传感器[11]来区分纹理和颜色。然而，光学传感器比Pi相机更贵，而且需要手工制作才能进行分类。
       ~~~~~~       在本文中，我们提出了CNN AlexNet [12]和SVM与功能包技术捆绑在一起的新用法，用于垃圾自动分类。 提出的方法是废物分类学习方法的终点。 无需手动构建任何功能，而是CNN和SVM将能够自动发现模式。 然后，我们在树莓派3上实施最佳模型，该模型通过Picamera拍摄的图像自动对废物进行分类。 但是在训练模型之前，必须先收集废图像。 数据收集过程在下一部分中描述。
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~       
       ~~~~~~