基于卷积神经网络(CNN)模型的垃圾分类设计与实现

深度学习中，卷积神经网络（CNN）常用于图像识别任务 #生活技巧# #学习技巧# #深度学习技巧#

本篇博客主要内容如下：

目录

项目背景

数据集介绍

模型构建与训练

结果分析

结果对比分析

项目背景

如何通过垃圾分类管理，最大限度地实现垃圾资源利用，减少垃圾处置量，改善生存环境质量，是当前世界各国共同关注的迫切问题之一。根据国家制定的统一标准，现在生活垃圾被广泛分为四类，分别是可回收物、餐厨垃圾、有害垃圾和其他垃圾。可回收物表示适宜回收和资源利用的垃圾，主要包括废纸、塑料、玻璃、金属和布料五大类，用蓝色垃圾容器收集，通过综合处理回收利用。餐厨垃圾包括剩菜剩饭、骨头、菜根菜叶、果皮等食品类废物，用绿色垃圾容器收集等等。但是随着深度学习技术的发展，为了简单高效地对生活垃圾进行识别分类,本篇文章将实现一种基于卷积神经网络的垃圾分类识别方法。该方法只需要对图像进行简单的预处理,CNN模型便能够自动提取图像特征且池化过程能够减少参数数量,降低计算的复杂度,实验结果表明卷积神经网络,能克服传统图像分类算法的诸多缺点，当然更为复杂的模型等待大家去实验研究，讨论研究Q525894654。但是目前认为采用VGG或者global 池化方式可能效果更好一点。

数据集介绍

数据描述：

数据集一共包括四大类垃圾，分别为：其他垃圾，厨余垃圾、可回收垃圾及有害垃圾，并对其四大类进行了细致分类。具体描述如下：

"0": "其他垃圾/一次性快餐盒",

"1": "其他垃圾/污损塑料",

"2": "其他垃圾/烟蒂",

"3": "其他垃圾/牙签",

"4": "其他垃圾/破碎花盆及碟碗",

"5": "其他垃圾/竹筷",

"6": "厨余垃圾/剩饭剩菜",

"7": "厨余垃圾/大骨头",

"8": "厨余垃圾/水果果皮",

"9": "厨余垃圾/水果果肉",

"10": "厨余垃圾/茶叶渣",

"11": "厨余垃圾/菜叶菜根",

"12": "厨余垃圾/蛋壳",

"13": "厨余垃圾/鱼骨",

"14": "可回收物/充电宝",

"15": "可回收物/包",

"16": "可回收物/化妆品瓶",

"17": "可回收物/塑料玩具",

"18": "可回收物/塑料碗盆",

"19": "可回收物/塑料衣架",

"20": "可回收物/快递纸袋",

"21": "可回收物/插头电线",

"22": "可回收物/旧衣服",

"23": "可回收物/易拉罐",

"24": "可回收物/枕头",

"25": "可回收物/毛绒玩具",

"26": "可回收物/洗发水瓶",

"27": "可回收物/玻璃杯",

"28": "可回收物/皮鞋",

"29": "可回收物/砧板",

"30": "可回收物/纸板箱",

"31": "可回收物/调料瓶",

"32": "可回收物/酒瓶",

"33": "可回收物/金属食品罐",

"34": "可回收物/锅",

"35": "可回收物/食用油桶",

"36": "可回收物/饮料瓶",

"37": "有害垃圾/干电池",

"38": "有害垃圾/软膏",

"39": "有害垃圾/过期药物"

数据标签与统计结果：
类别：0    该类别总样本数：469    训练集样本数：375    验证集样本数：94

类别：1    该类别总样本数：471    训练集样本数：376    验证集样本数：95

类别：2    该类别总样本数：440    训练集样本数：352    验证集样本数：88

类别：3    该类别总样本数：150    训练集样本数：120    验证集样本数：30

类别：4    该类别总样本数：458    训练集样本数：366    验证集样本数：92

类别：5    该类别总样本数：413    训练集样本数：330    验证集样本数：83

类别：6    该类别总样本数：463    训练集样本数：370    验证集样本数：93

类别：7    该类别总样本数：422    训练集样本数：337    验证集样本数：85

类别：8    该类别总样本数：455    训练集样本数：364    验证集样本数：91

类别：9    该类别总样本数：482    训练集样本数：385    验证集样本数：97

类别：10    该类别总样本数：474    训练集样本数：379    验证集样本数：95

类别：11    该类别总样本数：806    训练集样本数：644    验证集样本数：162

类别：12    该类别总样本数：450    训练集样本数：360    验证集样本数：90

类别：13    该类别总样本数：466    训练集样本数：372    验证集样本数：94

类别：14    该类别总样本数：448    训练集样本数：358    验证集样本数：90

类别：15    该类别总样本数：514    训练集样本数：411    验证集样本数：103

类别：16    该类别总样本数：459    训练集样本数：367    验证集样本数：92

类别：17    该类别总样本数：740    训练集样本数：592    验证集样本数：148

类别：18    该类别总样本数：462    训练集样本数：369    验证集样本数：93

类别：19    该类别总样本数：491    训练集样本数：392    验证集样本数：99

类别：20    该类别总样本数：284    训练集样本数：227    验证集样本数：57

类别：21    该类别总样本数：825    训练集样本数：660    验证集样本数：165

类别：22    该类别总样本数：452    训练集样本数：361    验证集样本数：91

类别：23    该类别总样本数：415    训练集样本数：332    验证集样本数：83

类别：24    该类别总样本数：424    训练集样本数：339    验证集样本数：85

类别：25    该类别总样本数：781    训练集样本数：624    验证集样本数：157

类别：26    该类别总样本数：464    训练集样本数：371    验证集样本数：93

类别：27    该类别总样本数：623    训练集样本数：498    验证集样本数：125

类别：28    该类别总样本数：485    训练集样本数：388    验证集样本数：97

类别：29    该类别总样本数：479    训练集样本数：383    验证集样本数：96

类别：30    该类别总样本数：388    训练集样本数：310    验证集样本数：78

类别：31    该类别总样本数：496    训练集样本数：396    验证集样本数：100

类别：32    该类别总样本数：376    训练集样本数：300    验证集样本数：76

类别：33    该类别总样本数：373    训练集样本数：298    验证集样本数：75

类别：34    该类别总样本数：517    训练集样本数：413    验证集样本数：104

类别：35    该类别总样本数：443    训练集样本数：354    验证集样本数：89

类别：36    该类别总样本数：297    训练集样本数：237    验证集样本数：60

类别：37    该类别总样本数：380    训练集样本数：304    验证集样本数：76

类别：38    该类别总样本数：445    训练集样本数：356    验证集样本数：89

类别：39    该类别总样本数：487    训练集样本数：389    验证集样本数：98

总类别数：40    总样本数：18967    训练集总样本数：15159    验证集总样本数：3808

模型构建与训练

模型构建代码：model.py

from keras.models import Sequential

from keras.layers import Dense, Conv2D, Flatten, MaxPooling2D, Dropout, Activation, BatchNormalization

from keras import backend as K

from keras import optimizers, regularizers, Model

from keras.applications import vgg19, densenet

def generate_trashnet_model(input_shape, num_classes):

# create model

model = Sequential()

# add model layers

model.add(Conv2D(96, kernel_size=11, strides=4, activation='relu', input_shape=input_shape))

model.add(MaxPooling2D(pool_size=3, strides=2))

model.add(Conv2D(256, kernel_size=5, strides=1, activation='relu'))

model.add(MaxPooling2D(pool_size=3, strides=2))

model.add(Conv2D(384, kernel_size=3, strides=1, activation='relu'))

model.add(Conv2D(384, kernel_size=3, strides=1, activation='relu'))

model.add(Conv2D(256, kernel_size=3, strides=1, activation='relu'))

model.add(MaxPooling2D(pool_size=3, strides=2))

model.add(Flatten())

model.add(Dropout(0.5))

model.add(Dense(4096))

model.add(Activation(lambda x: K.relu(x, alpha=1e-3)))

model.add(Dropout(0.5))

model.add(Dense(4096))

model.add(Activation(lambda x: K.relu(x, alpha=1e-3)))

model.add(Dense(num_classes, activation="softmax"))

# compile model using accuracy to measure model performance

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

return model

# Generate model using a pretrained architecture substituting the fully connected layer

def generate_transfer_model(input_shape, num_classes):

# imports the pretrained model and discards the fc layer

base_model = densenet.DenseNet121(

include_top=False,

weights='imagenet',

input_tensor=None,

input_shape=input_shape,

pooling='max') #using max global pooling, no flatten required

x = base_model.output

#x = Dense(256, activation="relu")(x)

x = Dense(256, activation="relu", kernel_regularizer=regularizers.l2(0.01))(x)

x = Dropout(0.6)(x)

x = BatchNormalization()(x)

predictions = Dense(num_classes, activation="softmax")(x)

# this is the model we will train

model = Model(inputs=base_model.input, outputs=predictions)

# compile model using accuracy to measure model performance and adam optimizer

optimizer = optimizers.Adam(lr=0.001)

#optimizer = optimizers.SGD(lr=0.0001, momentum=0.9, nesterov=True)

model.compile(optimizer=optimizer, loss='categorical_crossentropy', metrics=['accuracy'])

return model

Total params: 7,302,470
Trainable params: 7,218,310
Non-trainable params: 84,160

模型训练代码：train_test.py

from keras.preprocessing.image import ImageDataGenerator

from keras import backend as K

import matplotlib.pyplot as plt

import numpy as np

from sklearn.metrics import classification_report, confusion_matrix

from model import *

#from google.colab import drive

import tensorflow as tf

import seaborn as sn

import pandas as pd

# parameters

img_width, img_height = 224, 224 # dimensions to which the images will be resized

n_epochs = 10

batch_size = 32

num_classes = 40 # categories of trash

#project_dir = '/cnn/data/'

project_dir = ''

trainset_dir = project_dir + 'dataset-splitted/training-set'

testset_dir = project_dir + 'dataset-splitted/test-set'

load_weights_file = project_dir + 'weights_save_densenet121_val_acc_86.0.h5'

save_weights_file = project_dir + 'weights_save_4.h5'

# this is the augmentation configuration we will use for training

train_datagen = ImageDataGenerator(

rescale=1. / 255,

shear_range=0.2,

zoom_range=0.2,

horizontal_flip=True,

rotation_range=40,

width_shift_range=0.2,

height_shift_range=0.2)

test_datagen = ImageDataGenerator(rescale=1. / 255)

train_generator = train_datagen.flow_from_directory(

trainset_dir,

target_size=(img_width, img_height),

batch_size=batch_size)

test_generator = test_datagen.flow_from_directory(

testset_dir,

target_size=(img_width, img_height),

batch_size=batch_size,

shuffle=False)

if K.image_data_format() == 'channels_first':

input_shape = (3, img_width, img_height)

else:

input_shape = (img_width, img_height, 3)

model = generate_transfer_model(input_shape, num_classes)

def load_weights():

model.load_weights(load_weights_file)

print("Weights loaded")

def fit(n_epochs):

history = model.fit_generator(

train_generator,

steps_per_epoch=len(train_generator),

epochs=n_epochs,

validation_data=test_generator,

validation_steps=len(test_generator))

# list all data in history

print(history.history.keys())

# summarize history for accuracy

plt.plot(history.history['acc'])

plt.plot(history.history['val_acc'])

plt.title('model accuracy')

plt.ylabel('accuracy')

plt.xlabel('epoch')

plt.legend(['train', 'test'], loc='upper left')

plt.show()

# summarize history for loss

plt.plot(history.history['loss'])

plt.plot(history.history['val_loss'])

plt.title('model loss')

plt.ylabel('loss')

plt.xlabel('epoch')

plt.legend(['train', 'test'], loc='upper left')

plt.show()

model.save_weights(save_weights_file)

def print_layers():

for layer in model.layers:

print(layer.name)

print("trainable: " + str(layer.trainable))

print("input_shape: " + str(layer.input_shape))

print("output_shape: " + str(layer.output_shape))

print("_____________")

def print_classification_report():

# Confution Matrix and Classification Report

Y_pred = model.predict_generator(test_generator, len(test_generator))

y_pred = np.argmax(Y_pred, axis=1)

print('Classification Report')

target_names = list(test_generator.class_indices.keys())

print(classification_report(test_generator.classes, y_pred, target_names=target_names))

print('Confusion Matrix')

conf_mat = confusion_matrix(test_generator.classes, y_pred)

df_cm = pd.DataFrame(conf_mat, index=target_names, columns=target_names)

plt.figure(figsize=(10, 7))

sn.heatmap(df_cm, annot=True)

#save keras model and convert it into tflite model

def save_model():

# Save tf.keras model in HDF5 format.

keras_file = "keras_model.h5"

model.save(keras_file)

# Convert to TensorFlow Lite model.

converter = tf.lite.TFLiteConverter.from_keras_model_file(keras_file)

tflite_model = converter.convert()

open("converted_model.tflite", "wb").write(tflite_model)

print("saved")

#print_layers()

load_weights()

#fit(n_epochs)

print_classification_report()

#save_model()

结果分析

首先构建或者下载好数据集，直接运行train_test.py即可，训练十次左右的准确率与损失函数图像如下：

最终训练次数达到60次左右趋于稳定，准确率可达75%左右。该模型可根据需求更改为四分类问题，只需要修改numclass参数即可。

结果对比分析

该方法与传统的机器学习方法SVM相比，训练较慢，但是准确率较高，该数据集上高于6%-9%；

网址：基于卷积神经网络(CNN)模型的垃圾分类设计与实现 https://www.yuejiaxmz.com/news/view/1422819

相关内容

Python基于深度学习机器学习卷积神经网络实现垃圾分类垃圾识别系统(GoogLeNet，Resnet，DenseNet，MobileNet，EfficientNet，Shufflent)
基于卷积神经网络的生活垃圾检测与分类方法研究
深入理解卷积神经网络（CNN）：从简单到复杂的实现与优化
CNN优化全攻略：卷积神经网络性能提升的20条技巧
基于深度卷积神经网络的生活垃圾分类方法研究
论文阅读——基于深度学习智能垃圾分类
【故障诊断】基于贝叶斯优化卷积神经网络BO
毕业设计：基于机器学习的生活垃圾智能分类系统 多尺度特征融合 轻量型网络
卷积神经网络优化技巧：提升性能与降低复杂度1.背景介绍 卷积神经网络（Convolutional Neural Netw
详解卷网络（CNN）在语音识别中的应用

随便看看