智能自動分類垃圾箱分類垃圾亭算法設(shè)計及其嵌入式實現(xiàn) 發(fā)布時間： 本文是一篇機械論文，本文的主要工作以及研究內(nèi)容總結(jié)如下： 1）介紹了智能自動分類垃圾箱產(chǎn)品相關(guān)核心技術(shù)（深度學(xué)習(xí)、圖像識別、物聯(lián)網(wǎng)）的發(fā)展情況，不銹鋼宣傳欄，闡述了目前全球垃圾資源現(xiàn)狀與國內(nèi)外對于垃圾分類所采取的政策與制度，最后對現(xiàn)有智能化垃圾分類產(chǎn)品做了分析； 2）設(shè)計了一種新的智能自動分類垃圾箱產(chǎn)品解決方案并申請了國家發(fā)明專利，完成了包括垃圾箱機械結(jié)構(gòu)、傳動系統(tǒng)、傳感器以及上下位機的嵌入式硬件設(shè)計部分，在完成了步進電機選型后又對其 PID 控制做了深入研究； 1 緒論 1.1 課題研究背景及意義 垃圾分類作為建設(shè)和諧綠色社會環(huán)境所要達(dá)成的重要指標(biāo)之一。最早是在 1904 年的德國開始相關(guān)政策的實行[1]。那時雖然垃圾分類制度并不完善，但人們漸漸地認(rèn)識到了保護自然環(huán)境和回收可再生資源的重要性。另一方面，垃圾分類回收處置可以幫助垃圾清理人員提高工作效率，降低資源損耗，對自然環(huán)境與社會經(jīng)濟都起到了良好的促進作用[2]。因此，在過去這 117 年里，許多國家都開始制定較為完善的法律制度，通過罰款等方式來約束市民強制進行垃圾分類。 在國外，如日本[3]等發(fā)達(dá)國家由于垃圾分類政策制定較早，市民也基本形成了環(huán)保的意識，故這些國家目前對垃圾的類別分的更細(xì)，且對每種垃圾的丟棄方法和丟棄時間均有嚴(yán)格的要求，未按規(guī)定進行垃圾分類將面臨巨額罰款，情節(jié)嚴(yán)重者將面臨坐牢的懲罰。在國內(nèi)也是如此，自從 2019 年 7 月份開始，我國開始針對省會城市及各直轄市實行垃圾分類政策，擬定于 2025 年末，國家地級及以上城市將基本建成垃圾分類處理系統(tǒng)[4]。從國內(nèi)外對垃圾分類的舉措可以看出垃圾分類儼然已經(jīng)成為社會亟需解決的問題之一，這不僅僅關(guān)系到國家，更關(guān)系到我們每一個人。 ................................... 1.2 國內(nèi)外研究現(xiàn)狀 1.2.1 深度學(xué)習(xí)發(fā)展現(xiàn)狀 深度學(xué)習(xí)起源于 2006 年，在神經(jīng)網(wǎng)絡(luò)算法經(jīng)歷了十多年的沉寂之后，加拿大 Hinton教授率先提出深度置信網(wǎng)絡(luò)的概念，在當(dāng)時的學(xué)術(shù)界引起了巨大轟動。Hinton 教授提出深度置信網(wǎng)絡(luò)是由一系列受限波爾茲曼機構(gòu)成，并采用無監(jiān)督的逐層貪婪訓(xùn)練提取特征[8]。受到此項研究成果的啟發(fā)，在 2012 年的 ImageNet 挑戰(zhàn)賽上，Hinton 教授團隊?wèi){借其提出的 AlexNet[9]以極低的分類錯誤率拉開了與傳統(tǒng)方法之間的差距，一舉奪得該比賽的冠軍。2014 年在基于 AlexNet 結(jié)構(gòu)下繼續(xù)增大網(wǎng)絡(luò)深度的 VGGNet[10]和 GoogleNet[11]、2015 年時為了解決神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)過深時產(chǎn)生梯度消失現(xiàn)象而提出的 ResNet[12]，以及之后人工智能落地在嵌入式設(shè)備中運行的輕量級網(wǎng)絡(luò) ShuffleNet[13]和 MobileNet[14]?？v觀深度學(xué)習(xí)的發(fā)展，深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在不斷地向更深的層數(shù)探索，因為普遍認(rèn)為更深層更復(fù)雜的網(wǎng)絡(luò)往往能夠?qū)W習(xí)到不同的特征，所以深度學(xué)習(xí)主要是通過增加網(wǎng)絡(luò)的層數(shù)（深度）來提高預(yù)測和識別精度。 傳統(tǒng)的分類方法如樸素貝葉斯[15]、Logistic 回歸[16]、支持向量機[17]等，在使用這些方法時最關(guān)鍵的一步就是要對不同種類垃圾圖像進行手動特征提取，分類結(jié)果的好壞很大程度上也是由選取特征的好壞和閾值的設(shè)置是否合適來決定。這項工作無疑給人們造成很大的困擾，不銹鋼宣傳欄，當(dāng)要分類的對象更加復(fù)雜或不能很容易的找到其特征時，分類效果會大幅下降。而深度學(xué)習(xí)方法則打破了傳統(tǒng)分類算法這一要求，在我們給予神經(jīng)網(wǎng)絡(luò)大量訓(xùn)練集時，神經(jīng)網(wǎng)絡(luò)就可以自己在眾多訓(xùn)練集里提取特征，當(dāng)待識別對象越復(fù)雜時和傳統(tǒng)方法的差距也就越明顯。 目前，深度學(xué)習(xí)已經(jīng)融入到各個領(lǐng)域中，常見的有視頻監(jiān)控、語義分析、災(zāi)害預(yù)測、實物識別等[18]，在這些應(yīng)用背景中深度學(xué)習(xí)已經(jīng)越來越成為其中最為核心的技術(shù)，分類與識別的準(zhǔn)確率往往也都在 90%以上。但即使深度學(xué)習(xí)有著看似非常不錯的成績，我們對它的了解也少之甚少，這就是深度學(xué)習(xí)的“黑箱”問題[19]。我們并不知道深度神經(jīng)網(wǎng)絡(luò)究竟提取了些什么特征，就像我們并不知道大腦是如何進行訓(xùn)練才使得我們能夠判斷出眼睛所看到的東西，要真正的解決掉這個問題，需要計算機科學(xué)、腦神經(jīng)科學(xué)、數(shù)學(xué)、認(rèn)知科學(xué)等多學(xué)科知識相互促進、共同發(fā)展，所以深度學(xué)習(xí)在未來還有許多值得我們?nèi)ミM一步探索的地方。 .............................. 2 智能自動分類垃圾箱核心技術(shù)概況 2.1 圖像分類識別技術(shù) 2.1.1 K 最近鄰分類法（KNN） K 最近鄰（K-Nearest Neighbor）分類法[36]是機器學(xué)習(xí)領(lǐng)域內(nèi)一種常見的有監(jiān)督分類算法，其早在 1968 年就被提出，并很好的詮釋了“物以類聚”的思想。算法的原理是通過大量標(biāo)定數(shù)據(jù)集樣本中的不同特征，而實驗證明，相同類別的數(shù)據(jù)所包含的特征也是相同或者相似的，當(dāng)碰到未知類別的數(shù)據(jù)時，指路牌燈箱，通過計算該數(shù)據(jù)和各類樣本集之間的“距離”，從而選取“距離”最近的樣本集類別作為該未知數(shù)據(jù)的類別。 使用前兩節(jié)所述的 K 最近鄰分類法和支持向量機算法做垃圾圖像的分類識別。當(dāng)待分類垃圾類別過多時，識別率會顯著降低。還有最重要的一點，對于垃圾圖像數(shù)據(jù)集而言，很難找到一個或多個非常合適的特征將不同類別垃圾分開。而在 1989 年時，LeCun 教授提出的卷積神經(jīng)網(wǎng)絡(luò)算法[41]解決了這一問題，實現(xiàn)了圖像特征的自動提取，也實現(xiàn)了多類別非線性圖像的分類識別，且層數(shù)越深效果越好。 卷積神經(jīng)網(wǎng)絡(luò)算法極好的詮釋了人類腦神經(jīng)網(wǎng)絡(luò)的機理。在人類大腦中，有數(shù)以億計的神經(jīng)元共同構(gòu)成了神經(jīng)網(wǎng)絡(luò)系統(tǒng)，每個神經(jīng)元之間通過軸突和樹突（細(xì)胞體）相連接，并且各個神經(jīng)元間通過電信號和化學(xué)信號相互產(chǎn)生“交流”。 據(jù) 2.1.3 節(jié)所述，當(dāng)卷積神經(jīng)網(wǎng)絡(luò)層數(shù)增加時，相應(yīng)的模型參數(shù)數(shù)量也會呈現(xiàn)爆炸式增長，對于普通的 CPU 硬件已經(jīng)不能夠承受如此規(guī)模的計算量。所以，一般在云服務(wù)器上做模型的訓(xùn)練。當(dāng)圖像數(shù)據(jù)集輸入模型后，模型參數(shù)從初始設(shè)定值到訓(xùn)練完成需要較長的時間，而當(dāng)輸入發(fā)生變化時模型又得從頭開始訓(xùn)練以適應(yīng)新的數(shù)據(jù)集。如此一來，使用卷積神經(jīng)網(wǎng)絡(luò)做生活垃圾圖像的分類時效率極低。 遷移學(xué)習(xí)[43]就是為了解決這個問題而引入的，這是由于圖像在邊緣、紋理和角點等特征具有許多相似之處，這樣就為遷移學(xué)習(xí)提供了理論基礎(chǔ)。故在數(shù)據(jù)集發(fā)生改變時，可以繼續(xù)使用之前已經(jīng)訓(xùn)練過的模型做進一步訓(xùn)練，對模型參數(shù)做微調(diào)，而試驗結(jié)果也證實了遷移學(xué)習(xí)的有效性。 ............................. 2.2 深度卷積神經(jīng)網(wǎng)絡(luò)技術(shù) 2.2.1 基本構(gòu)件 卷積神經(jīng)網(wǎng)絡(luò)的基本構(gòu)件可分為卷積層、池化層和全連接層。其中，卷積層主要是用來獲取圖像特征的，而池化層則是用來降維，最后一步的全連接層是處理分類得到結(jié)果的。三種構(gòu)件按一定順序組合可將圖像完成分類。 通過卷積運算來提取數(shù)據(jù)集特征。首先，需要設(shè)計一個核函數(shù)（Kernel Function），再使用設(shè)計好的核函數(shù)對輸入矩陣自左上開始到右下按 strides 逐一進行計算，當(dāng)希望學(xué)習(xí)和獲取到更多細(xì)節(jié)時，就要擴充卷積核的數(shù)量。
