基于Resnet50的垃圾分类系统

伴随着人们生活水平的进步,如果将所有垃圾都堆在一起,不仅影响垃圾处理的进程,增加垃圾处理的压力,也会对环境造成很大的污染,很多垃圾都是可以进行回收利用的,如果不加分类的丢弃,在垃圾处理过程中会增添很多麻烦的程序。基于Resnet50的垃圾分类系统是在手机等Android系统上运行的APP。这个系统通过图像处理,利用神经网络对垃圾进行分析,卷积神经网路与数据库连接实现垃圾的识别与分类。     

基于轻量型卷积神经网络的生活垃圾图像分类

为解决人工分拣生活垃圾过程中存在的分类效率低、劳动强度大等问题,提出一种轻量型的生活垃圾图像分类模型DG-MobileNetV2。该模型以轻量级网络MobileNetV2为基础,通过引入双尺度深度卷积模块、通道混洗技术、调整宽度因子等手段,达到压缩模型参数量的同时提高分类准确率的目的。实验表明,DG-MobileNetV2的参数量仅为0.403 M(文中1 M=1,000,000),在华为技术有限公司发布的生活垃圾分类数据集上的分类准确率达到90.58%,具有良好的分类效果。后续该轻量型模型可以移植至移动端或嵌入式设备中,为生活垃圾智能化的分类提供了新的思路和实现方法。     

基于智能垃圾桶的垃圾分类动态收运路径优化问题研究

针对城市生活垃圾分类收运过程中存在的环境二次污染和垃圾产生量不确定性等问题,提出了一种基于智能垃圾桶的动态收运车辆路径优化方法。建立以最小化碳排放成本、燃油消耗成本、固定成本和车辆延迟到达惩罚成本为目标的动态车辆路径优化模型。采用滚动时域的方式将动态问题转换为一系列静态问题,并设计两阶段算法进行求解。首先采用粒子群算法对收运车辆路径进行规划,而后在每个时域末,综合考虑待清运垃圾桶的位置和垃圾量、垃圾收运车辆的位置和装载量以动态调整现有车辆路径。研究结果表明,相较于传统的静态收运方案,动态垃圾收运方案能够在降低车辆运输成本和碳排放成本的同时,显著降低由于清运不及时造成的环境二次污染的风险。     

基于卷积神经网络的垃圾图像分类算法

垃圾分类作为资源回收利用的重要环节之一,可以有效地提高资源回收利用效率,进一步减轻环境污染带来的危害.随着现代工业逐步智能化,传统的图像分类算法已经不能满足垃圾分拣设备的要求.本文提出一种基于卷积神经网络的垃圾图像分类模型(Garbage Classification Network, GCNet).通过构建注意力机制,模型完成局部和全局的特征提取,能够获取到更加完善、有效的特征信息;同时,通过特征融合机制,将不同层级、尺寸的特征进行融合,更加有效地利用特征,避免梯度消失现象.实验结果证明, GCNet在相关垃圾分类数据集上取得了优异的结果,能够有效地提高垃圾识别精度.     

垃圾收运路线问题的蜂群优化算法研究

整个垃圾处理系统中城市生活垃圾收运费用占很大比例,通过研究垃圾收运路线问题,可以有效节约成本,提高作业效率.根据城市生活垃圾收运系统的特点,采用带中转站的垃圾收运问题的标准数学模型.在分析蜂群优化算法理论的基础上,针对问题的特点,研究了蜂群优化算法求解的具体步骤,并通过实例仿真,证明了蜂群优化算法在解决带中转站的垃圾收运问题上的可行性和有效性.最后通过与蚁群算法对比,进一步说明了蜂群优化算法在解决问题的优越性.     

基于改进Faster-RCNN的生活垃圾分类研究

随着人口的增长，生活垃圾分类问题日益突出。文章提出了一种基于改进快速的区域卷积神经网络（Faster-Region Convolutional Neural Network,Faster-RCNN）的生活垃圾分类方法，将特征提取网络改为ResNet50网络，并在区域推荐网络（Region Proposal Network,RPN）中使用K-means聚类算法。结果表明，基于改进Faster-RCNN的网络模型的准确率达到94.5%，具有较高的准确率和较快的分类速度，可为解决生活垃圾分类提供一种有效的技术手段。     

融合注意力的轻量型垃圾分类研究

针对轻量化网络在图像分类任务中无法直接部署在小型计算机,如：树莓派开发板,且存在检测速度慢、对硬件资源要求较高的问题,提出了一种基于ShuffleNet的改进算法。首先,将传统卷积替换为最大公约数分组卷积,以减少网络所需的参数量和计算量,降低网络对于硬件算计资源的需求;其次,通过引入SE模块,融合通道注意力信息,提升网络在分类任务的检测精度;最后,针对多级分类的垃圾分类问题,分别连接不同节点数量的全连接层以及对标准类别和细分类别分别引入不同的损失和准确率权重,提升网络在多级垃圾分类任务的能力。将改进的ShuffleNet网络和ShuffleNet网络中具有不同网络层数的版本,进行准确率和速率方面的对比。实验结果表明,改进后的网络在基本的分类任务准确率达到80%以上,且其中的0.5版本能够直接部署在树莓派开发板,平均单张图像处理时间1.28 s,降低了网络对于硬件资源的需求。     

基于改进ResNeXt的肺癌病理图像分类

针对肺癌病理图像的自动分类,提出一种改进的卷积神经网络,引入一种新型卷积结构。以ResNeXt残差网络作为基础网络模型,使用新型卷积involution替代部分传统卷积层,解决传统卷积核的感受野小和通道之间信息比较冗余的问题。实验结果表明,该网络模型在LC25000数据集的肺癌病理图像分类任务中,肺良性图像、肺腺癌图像和肺鳞状细胞癌图像准确率分别达到100.00%、99.47%、99.47%,整个数据集准确率达到99.47%,表明改进的网络模型可以提高对肺癌病理图像分类的准确率。     

基于深度学习的生活垃圾分类

该文研究了将深度学习应用于垃圾分类,使用模型为微调后的ResNet50预训练模型,数据来源于华为开源垃圾数据集.通过对原始数据的标注、划分和增广得到该文所使用的数据集.增广方式包括几何变换、明亮度更改和添加噪声.经测试验证,本项目在测试集上的准确率能够达到87％,同时在实际场景中也有较好的泛化性.最后通过Flask、G...     

基于树莓派Raspberry Pi的智能垃圾分类设计

目前，随着人口增长与城市化推进，生活垃圾产量与清运量大幅增加，垃圾分类处理效率低且浪费大量资源，基于上述社会环境，设计垃圾分类系统具有重要意义。本文章介绍在树莓派4代B型开发板上使用垃圾分类数据集训练的Keras模型识别垃圾的过程。采用卷积神经网络，通过Python搭载神经网络来做到图像识别进l行垃圾分类，将垃圾分类数据集在LeNet-5网络模型上深度学习得到训练模型，最后通过PyQt5构建图形化的界面。运行在搭建好TensorFow框架和Opencv计算机视觉库的树莓派开发板上，树莓派4B通过载入照片识别垃圾。     

基于深度学习的算法模型在垃圾分类中的应用研究

近年来,城市一体化发展水平提高,垃圾问题对于全世界都是一个非常棘手的问题。基于垃圾分类算法进行了研究,旨在提高垃圾分类的准确性和效率,提出了一种基于深度学习的垃圾分类算法,利用卷积神经网络和支持向量机进行图像特征提取和分类,采用迁移学习的方法建立了一种在已有的数据集基础上进行模型训练和优化,从而制作出一个垃圾分类应用的分析平台。     

基于多尺度卷积神经网络的恶意代码分类方法

恶意代码文件大小差异巨大,使用传统卷积神经网络对其可视化图像进行训练时会因分辨率调整导致大量信息丢失。为此,文章提出一种基于多尺度卷积神经网络的恶意代码分类方法。该方法首先将不同大小的恶意代码生成为多种特定分辨率的图像;然后利用DenseNet网络提取特征,避免因调整至同一分辨率导致信息损失;最后通过空间金字塔模型处理多尺度特征,进而训练分类模型。实验结果表明,该方法有效提高了恶意代码分类性能。     

基于改进多尺度残差网络的行人检测方法

针对行人检测的尺度变化问题，提出一种基于改进多尺度残差网络无锚检测算法(IMSNet)。将Res2Net残差模块中多尺度特征提取融入ResNeXt,将改进后的网络作为主干网络(Res2NeXt^*),使主干网络包含不同数量、不同组合的感受野；利用多个较小卷积核等效替代单个较大卷积核，增加网络深度并减少网络参数量；对细化的多尺度卷积特征级联融合做卷积运算，将行人检测简化为中心点和尺度预测任务。实验结果表明，IMSNet对CityPersons和Caltech数据集Reasonable设置分别实现了10.6%和2.6%的平均漏检率，检测每张图像仅需0.28 s。     

基于改进Mask R-CNN的生活垃圾检测

近年来,人们对于垃圾的分类与回收越来越重视,但垃圾分类耗费了大量的人力和物力且分拣效率低下。针对基于矩形边界框的垃圾检测方法在多分类环境下效果不够理想等问题,提出了一种基于改进Mask R-CNN算法的生活垃圾检测模型。该模型摒弃了传统的ResNet,采用改进的ResNeXt101作为主干网络进行特征提取,提高了目标检测的准确率和背景边界线分割的精确度。实验结果表明,与传统的Mask R-CNN算法相比,本文模型的mAP为91.1%,提升了2.35%;与当前流行的目标检测模型进行了对比,本文模型的分类准确率和分割精确度均表现优异,表明了所提模型在垃圾检测任务中的可行性与有效性。     

一种改进的轻量人头检测方法

为了提高视频监控中人数统计的精度和速度,解决传统人体检测由于衣物身体阻挡而造成的高遮挡问题。提出一种改进的轻量人头检测方法MKYOLOv3-tiny。该方法是对YOLOv3-tiny进行改进,针对低层的人头特征进行多尺度融合,实现不同卷积层的分类预测与位置回归,提升检测的精度;针对人头较小的特点,结合有效感受野的思想,K-means聚类减小初始候选框的规格,提升候选框的精度。实验结果表明,改进后的模型在Brainwash密集人头检测数据集上与原方法相比,在精度上提升了3.21%,漏检率降低了8.7%。     

基于深度学习的垃圾分类方法综述

垃圾分类是保护生态环境、促进经济发展的有效措施,利用深度学习进行垃圾分类已成为当前学术界和工业界的研究热点。传统垃圾分类主要由人工进行分拣和分类,存在劳动强度大、分选效率低、工作环境差等缺点,急需智能化、自动化的分类方法来替代。近年来研究人员已经开始初步探索利用深度学习技术进行垃圾分类并提出一些有效的方法。从方法、数据集和研究方向等方面分析深度学习垃圾分类方法的研究现状,介绍不同深度学习模型在垃圾分类中的应用和发展,研究基于ResNet方法、基于DenseNet方法、基于单阶段目标检测方法和基于卷积神经网络与迁移学习相结合方法等多种典型方法的性能和特点并对比其优缺点,对现有的垃圾分类公开数据集进行概述与总结。在此基础上,分析深度学习在垃圾分类领域面临的挑战,并对其发展趋势及未来的研究方向进行展望。     

基于卷积神经网络的垃圾分类小车系统

目前,垃圾分类主要靠民众自主分类,以校区或居住点为单位,将已经初步分类的垃圾运输后处理,此方式往往容易导致错漏,效率低,针对该问题,本文提出基于神经网络的垃圾分类小车系统,旨在通过机械化的标准规范化初步垃圾分类,简化垃圾分类问题,提高资源再利用率。该系统通过基于卷积神经网络的YOLO物体识别系统识别垃圾种类后,利用机械臂自主夹取,以完成垃圾分类。此外,小车配备自主避障系统,能适应一般环境的路线规划,为垃圾分类的普及化和简易化提供思路。     

基于卷积特征建模的目标检测方法

现有依赖CNN的目标检测算法常采用特征融合的建模方式来丰富特征表达,虽然该方法一定程度上能有效改善多尺度目标检测,但是在针对复杂场景进行检测时却没有显著的提升。这主要受限于三个问题的影响:长路径特征融合造成的特征间相关性损失;仅设计了单方向的融合连接,忽略了反方向的语义信息弥补;忽略了有效感受野(effective receptive field,ERF)在多尺度检测中的重要性。针对这三点分别设计了二次融合结构(double fusion structure,DFS)、多分支融合模块(multi branch fusion module,MBFM)和感受野增强模块(receptive field enhance module,RFEM)。该方法利用DFS缩短特征层级间的相对路径,然后通过MBFM来同时弥补上层和下层的语义信息缺失,并使用RFEM建模特征通道,增大ERF区域。最终模型在PASCAL VOC 2007测试数据集上达到了85.4%的平均精度均值(mean average precision,mAP),与依赖传统建模方式的检测算法相比,提出的方法提高了2.6%。     

基于多重感受野UNet的仪表图像分割方法

为解决现有深度学习图像分割算法不能有效分割指针仪表图像中密集小目标的问题,提出基于多重感受野UNet的仪表图像分割方法.将自编码器结构和空洞卷积结构结合,使多尺度浅层特征和深层语义信息融合;以多种光照强度下采集的指针仪表数据训练模型,充分提升神经网络的泛化能力;并行调节空洞卷积参数,使神经网络学习到最优模型.实验结果表...     

基于改进Faster R-CNN的垃圾检测与分类方法

针对人工分拣垃圾环境差、任务繁重且分拣效率低的问题,为提高垃圾识别与分类的精确度,同时克服垃圾体积小及图像分辨率较低的难题,基于现有深度卷积神经网络模型,提出改进的Faster R-CNN目标检测模型与VGG16及ResNet50卷积神经网络相结合的方法。根据卷积网络的特性,修改Faster R-CNN网络结构,提升小目标检测任务精度,采用Soft-NMS算法替代传统的非极大值抑制算法,并对参数进行敏感分析,确定其参数范围为0.4~0.7。实验结果表明,与传统Faster R-CNN算法相比,该方法平均精确度提高8.26个百分点,综合识别率达到81.77%,且能够减少图像处理时间。