《Classification of Trash for Recyclability Status》论文笔记

Abstract

       ~~~~~~       将垃圾分类为回收类别的计算机视觉方法可能是处理废物的有效方法。该项目的目的是拍摄单张回收或垃圾的图像，并将其分为玻璃，纸张，金属，塑料，纸板和垃圾六类。我们还创建了一个数据集，其中包含每个类别的大约400-500张图像，这些图像是手工收集的。我们计划向公众发布此数据集。使用的模型是具有尺度不变特征变换（SIFT）特征和卷积神经网络（CNN）的支持向量机（SVM）。我们的实验表明，SVM的性能优于CNN；但是，由于难以找到最佳超参数，因此CNN尚未经过全面训练。

I. INTRODUCTION

       ~~~~~~       回收对于可持续发展的社会是必不可少的。当前的回收过程要求回收设施手动分类垃圾，并使用一系列大型过滤器来分离出更明确的对象。消费者也可能对如何确定正确的处置方式感到困惑。包装中使用的材料种类繁多。我们的动机是找到一种自动分类垃圾的方法。这有可能提高加工厂的效率并帮助减少浪费，因为员工并非总是能以100％的准确性对所有物品进行分类。这不仅具有积极的环境影响，而且具有有益的经济效果。
       ~~~~~~       为了模拟回收工厂或消费者对材料图像进行识别的物料流，我们的分类问题涉及接收单个对象的图像并将其分类为可回收物料类型。流水线的输入是在纯白色背景上存在单个对象的图像。然后，我们使用SVM和CNN将图像分类为六类垃圾分类。通过使用计算机视觉，我们可以仅基于图像来预测对象所属的垃圾类别。

II. RELATEDWORK

       ~~~~~~       在此之前，已有许多支持向量机和基于神经网络的图像分类研究项目。然而，没有一个是专门针对垃圾分类的。
       ~~~~~~       在图像分类领域，一种著名且功能强大的CNN架构是AlexNet¹,，它赢得了2012年ImageNet大规模视觉识别挑战赛（ILSVRC）。该体系结构相对简单，并且不是很深，当然众所周知，它的性能很好。AlexNet之所以具有影响力，是因为它引发了CNN方法的趋势，这种趋势在Im-ageNet挑战中非常流行，并成为了图像分类的新技术。
       ~~~~~~       我们发现的最相似的项目是2016年TechCrunch DisruptHackathon²的一个项目，在这个项目中，团队创建了一个自动垃圾分类的垃圾桶，它可以使用树莓派(RaspberryPi)驱动的模块和摄像头来区分堆肥和回收利用。他们的项目是用谷歌的TensorFlow构建的，还包括硬件组件。关于“自动垃圾”，需要注意的一点是，它只分类垃圾是堆肥还是回收利用，这比五六个分类简单多了。