摘要
本文基于Python技术,搭建了YOLOv5s深度学习模型,并基于该模型研发了微信小程序的垃圾分类应用系统。本项目的主要工作如下:
(1)调研了移动端垃圾分类应用软件动态,并分析其优劣势;分析了深度学习在垃圾分类领域的相关应用,着重研究了YOLO系列的工作原理和YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四大模型的优缺点,最终选择了轻量级深度学习模型YOLOv5s。
(2)本文给出了一种基于深度学习的垃圾图像分类模型YOLOv5s。微信小程序端的垃圾图像分类既要考虑模型的精度,也要保证模型的轻量化,即模型的参数量不能过大,因此在模型设计时需兼顾两者。最后,本项目深度学习模型对垃圾分类的准确率达到了98.5%。
(3)最后实现了垃圾分类系统整体的设计和测试。系统采用前后端分离的方式进行设计,主要功能是通过手机拍照实现对生活垃圾的分类识别,其他功能包括相册照片识别、文字知识分享和垃圾知识图例展示等。
本文目录
研究背景
当代社会面临着日益严重的环境污染问题,其中垃圾处理是一个亟待解决的重要方面,垃圾围城所带来的土地、水污染、土壤等问题日益突出。因此,确保垃圾得到正确处理和适宜回收具有重要意义。为实现这一目标,需要在政府政策支持下,鼓励公众参与和教育,以及建设垃圾处理和回收设施等综合努力。
使用Python技术开发垃圾分类深度学习算法,并使用微信小程序做前端界面是一个非常有前途的研究方向,可以帮助人们更好地理解垃圾分类的重要性,并辅助人们进行准确的垃圾分类,以实现正确的垃圾处理,促进环境的可持续发展。
论文大纲
1. 系统设计
本项目的系统分为服务器端和微信小程序两大部分,采用前后端分离的方式。在微信小程序端,用户可以通过拍摄垃圾的图片,将图片上传到服务器进行处理。微信小程序负责图片的拍摄、上传以及接收和显示来自服务器的处理结果。在服务器端,接收到用户上传的图片后,使用训练好的YOLOv5s算法进行目标检测,识别图片中的垃圾物体,并进行标记和分类。服务器将对标记好的垃圾和其分类信息进行保存,并生成一张新的图片文件,其中标注有垃圾和分类信息。微信小程序再次向服务器发送请求,获取标记好的图片,并将其显示给用户。这样用户就可以在微信小程序中直观地看到图片中的垃圾和分类信息。
服务器端的设计由两个主要的Python源代码文件(server.py和detector.py)和YOLOv5项目源文件组成。这种设计结构的使用使得服务器端能够有效地处理客户端的请求,并利用YOLOv5的强大功能来实现准确的目标检测。通过这种分离的设计方式,代码的可读性和可维护性得到提高,并且使系统的功能模块化,方便后续的扩展和优化。
2.效果演示
本项目共定义了59种可以识别的垃圾名称类别。59种垃圾类别如图所示。
本项目是一个微信小程序,命名为miniprogram-1。该项目包含一个名为“index”的首页页面,由四个文件组成:布局文件“index.wxml”、执行脚本文件“index.js”、风格文件“index.wxss”和数据配置文件“index.json”。
Index首页界面包含两个按钮:“相册图片识别”和“拍照智能识别”。其中,“相册图片识别”按钮用于从相册中选择图片进行垃圾分类识别,而“拍照智能识别”按钮则通过调用go_camera函数来启动手机摄像头进行拍照。拍照完成后,系统会对拍摄的图片进行垃圾分类识别,并返回分类结果。垃圾分类小程序目录结构如图所示。
点击小程序界面的“拍照智能识别”按钮,切换到拍照界面,并对所需要检测的生活垃圾进行拍照。然后,等待系统返回预测结果。如图所示,我们成功地对一瓶啤酒瓶进行了拍摄,并得到了对应的垃圾分类识别结果。在图中,我们用粉色矩形框标注了啤酒瓶,并在上方显示出此物品为“可回收物-玻璃瓶 0.87”,达到了预期的结果。这表明我们的垃圾分类识别系统能够准确地识别出拍摄的垃圾,并返回对应的分类结果。
3.数据集及训标题一练
深度学习算法效果依赖于样本库数据的质量高低,故在采集生活垃圾原始图像后,需对样本库中图像数据进行标准化处理,具体包括数据清洗、尺寸标准化、数据标准以及数据集划分,数据集标准化过程如图所示。
(一)获取数据
本项目共收集1500张带各种垃圾的图片,包含玻璃瓶、餐盒、纸箱、透明塑料瓶等59种垃圾,原始垃圾图像数据如图所示。
首先,进行数据清洗工作,将采集的照片逐一清洗,去除画面模糊、质量差的图像数据,确保数据的高质量要求。然后,将清洗过后的图像统一裁剪为608×608大小,确保数据集中的图像尺寸大小一致,以便作为YOIOv5s深度学习算法的输入。
(二)数据标注
然后进行标注工作,标注工具用LabelImg进行标注。
本文将标注后的生活垃圾数据按照训练集占70%,测试集占30%划分,通过分配确保了数据集用于算法模型训练及测试的合理性。
4.训练结果分析
本系统通过综合考虑最终采用YOLOv5网络模型,YOLOv5模型运算速度最快,虽AP精度略低于其他三种YOLOv5模型,但其精准度可满足本项目的要求。同时,YOLOv5网络模型因其计算量较小,可在CPU上流畅运行,对电脑硬件和成本要求较低。所以最终采用了YOLOv5网络模型,其网络结构如图所示。
垃圾分类模型YOLOv5s训练结果如图所示。在经过200轮训练后,准确率达到了98.5%,可满足本项目的分类精度需求。
5.下载链接
若您想获得博文中涉及的实现完整全部程序文件(包完整程序、数据集、开题报告、中期报告和论文等,如下图),已将所有涉及的文件同时打包到里面,点击即可运行。
完整代码下载,请关注下方公众号!!!