杨会玲 叶利华 刘小晶 王宝旭 商永全 张刚

摘要：本文针对现阶段前期垃圾分类不彻底造成的问题，实地调查了解垃圾站垃圾分类的基本操作流程和系统设计。结合调研数据，分析垃圾分类政策相关要求，探索垃圾站分类工作新方法，结合现有AI技术对垃圾站垃圾分类系统进行优化处理，设计了智能垃圾分类系统，为我国生态环境保护做贡献。

关键词：垃圾分类;智能化;深度学习;垃圾站;生态环境

中图分类号：TP183

文献标识码：A

文章编号：1009-3044（2020）04-0261-04

收稿日期：2019-10-15

基金项目：国家级大学生创新创业训练计划项目（编号：201910354027）;浙江省新苗人才计划项目（编号：2019R417037）

作者简介：杨会玲（1998—），女，主 要研究领域为图像处理;叶利华（1978—），男，主要研究领域为机器学习;刘小晶（1964—），女，主要研究领域为智能信息处理和教育技术;王宝旭（1999—），男，主要研究领域为人工智能;商永全（1999—），男，主要研究领域为软件工程;张刚（1999—），男，主要研究领域为软件工程。

Modeling and Simulation of Computational Thinking Education

YANG Hui-ling，YE Li-hua，LIU Xiao-jing，W ANG Bao-xu，SHANG Yong-quan，ZHANG Gang

（School of Mathematical and Information Engineering，Jiaxing University，Zhejiang 314001，China）

Abstract：This paper explores aims at the problems caused by incomplete garbage classification at the early stage，and investigation to understand the basic operation process and system design of garbage classification.Combined with the survey data，analyze the relevant requirements of garbage classification policy，explore a new method of garbage station classification，combine the existing AI technology to optimize the garbage classification system of garbage station，design an intelligent garbage classification system，and make contribu-tions to the ecological env ironment protection in China.

Key words：Garbage Classification;Intelligent;Deep Learning;Garbage dump;The Ecological Environment

1 概述

隨着智慧城市[1]快速发展，居民的生活水平不断提高，人民对高质量生活环境绿色环保型社会的需求日益强烈。为了满足人民日益增长的生活需求，各种多元化的商品及生活用品蜂拥而至。随之而来的是日益增多的生活垃圾，对环境造成了极大的压力，有些城市已经出现了垃圾围城的现象。垃圾分类是造成环境污染、资源循环利用困难的一大因素[2]，已成为我国需要解决的迫在眉睫的问题。2016年12月，习近平总书记在主持中央财经工作领导小组会议时郑重提出，要大力普遍推行垃圾分类制度。中国垃圾分类近期（2020年底）市场份额为160亿元，远期市场份额估计将突破600亿元大关[3]，等于再造一个服务市场。

在巨大的市场推动下，国内的垃圾分类公司如雨后春笋。为了实现对生活垃圾的初步分类，目前，市场上已推出可分类垃圾桶，但还需要人工将垃圾投入相应分类口，且为带盖垃圾箱，开盖时需采用手动或脚踩方式实现，这种方式主要的缺点是既不卫生又不方便。并且人们对垃圾是否可回收的概念模糊，常常也会造成垃圾的混乱投放。随着科技进步，市场上兴起智能垃圾箱，但开发程度并不高[4]，主要以自动感应翻盖为主，不能主动对垃圾进行分类，且成本高昂，覆盖范围小。

我国垃圾站目前采用集中回收垃圾方法，由居民将生活垃圾收集后丢弃至公共垃圾桶。但居民普遍存在垃圾分类意识薄弱[5]，垃圾分类知识掌握不足的问题，导致垃圾分类不彻底。垃圾站在垃圾运输环节考虑成本等因素，又将分类收集起来的垃圾集中混合运输，主要采用填埋、焚烧方式处理垃圾，占用大量土地资源，造成二次污染。垃圾站传统的物理化学分类设备体积大，回收率低，导致许多可回收应用的垃圾未得到充分利用而导致巨大资源浪费。

前期居民主动分类的不彻底性，后期垃圾站分类的不足，无法做到真正的垃圾分类。鉴于此，本文提出设计了智能垃圾分类系统，该系统由硬件部分的终端设备和Web服务端用户可视化控制平台所组成。此系统运用了前沿人工智能技术，用较低的硬件成本实现对垃圾的智能识别与分类。其设备操作简单，精细化分类，省去人工分类环节，节省人力，系统识别精准，从而可有效提高回收率、减少垃圾处理量、减轻环境污染、支持节能、促进循环经济的发展等，弥补传统垃圾分类系统的不足，解决由于前期垃圾分类不彻底造成的问题。还可利用互联网采集数据，提供给人们更加便利的生活，迎合数据时代的需求。

2 系统构架与设计

智能垃圾分类系统由终端设备、Web服务端用户可视化的控制平台组成。智能垃圾分类系统的硬件部分是一款基于CNN深度学习、图像分类来实现垃圾分类功能的终端设备，它是智能垃圾分类系统中的主要部分，它有“图像拍摄”“图像处理”“图像识别”“图像分类”“控制分拣”“实时查看”等功能;智能垃圾分类系统的Web端，它主要在普通PC电脑上通过浏览器进行访问，方便管理者操作，它有“数据存储”“数据查看”“数据统计功能”（如图1所示）。

该系统基于tensorflow设计分类大脑，对图像的处理分为两步，首先使用openCV对采集的图像进行预处理[6]，然后采用基于深度学习的SSD模型[7]（如图2所示）实现目标的定位和分类。

训练模型的流程框架为：首先将搜集到的数据进行标注、清洗以及整理，然后通过SSD模型进行定位分类，再基于K均值聚类损失和交叉信息熵损失优化模型。模型的训练方法采用六折交叉验证法评估模型的预测性能[8]，在一定程度上减小过拟合从有限的數据中获取尽可能多的有效信息。

3 系统功能实现

3.1 终端技术实现

智能垃圾分类系统的技术核心是垃圾图片识别。本小节将围绕垃圾图片识别的基本流程，对系统实现过程中所牵涉的主要技术和算法进行详细地分析和讲解。

3.1.1 图片采集的实现

用户在APP点击拍照选择图片，将选择的图片上传到服务器，再做垃圾识别。本系统使用的是型号为OV5647的摄像机应用，将采集的作物图片以文件形式保存至指定的文件夹，同时上传到服务器识别。下面对图片采集的实现进行介绍。

获取一张图像的具体步骤（具体流程图如图3）如下：

1）检测并访问摄像头。即检查摄像头存在与否并请求访问。

2）摄像头拍摄图像，通过图像分割算法分割出含有对象主体的图片。

3）将图像转化为Base64格式编码并通过HTTP-POST发送。

4）API服务。分类终端接受结果并进行Json解码。

5）逻辑层进行图像处理。

6）捕获并保存文件。建立捕获图片或视频并保存到输出文件的代码。

实现图像捕获线程的过程如下：

1）window线程开启

2）中央协程开启

3）测试拍摄-确定图片参数

4）循环拍摄，触发信号

5）捕获后的图像检测边缘并转化为二值图，如图4所示。接着去除噪点并根据对象主体位置裁剪为分辨率224*224的图片区域，并将区域代人原图片得到预处理后的图像。

图像预处理主要实现过程为：对采集到的图像进行灰度化、图像增强，滤波、二值化等处理以克服图像干扰[9]。

1）灰度图转换、高斯滤波卷积图像，边缘检测。

2）分割轮廓-方形，传入轮廓图，二值化图像。

3）回传区域。

3.1.2 机械控制

树莓派自带GPIO针脚，通过GPIO针脚控制与下位机的逻辑交互，主要实现过程如下：

1）中央控制协程-通道注人数据;

2）针脚初始化;

3）开启信号检查进程;

4）开启数据管理线程;

5）类别分控节点线程，输出一个对应的等待触发的信号。

3.2 Web端实现

Web端主要使用Html、CSS .Javaseript .Java和Mysql共同开发完成，使用Servlet与前端交互数据，前端定时向服务端请求数据，服务端收到请求后首先向数据库发送命令查找相关数据并打包成Json发送到前端，前端解析接收到的数据并将其更新到页面上，部分静态消息（如配置文件）使用XML方式保存到本地。

Web端辅助分类垃圾的信息数据的“存储”“统计”“分析，在WEB端主界面可以显示出当前设备数目、分类垃圾的总数、各设备详细信息;历史界面按日期统计了分类垃圾的详细信息，并且用户可以进行检索;数据记录界面给用户呈现了详细的已分类的垃圾图表分析，具体实现如图5所示。

4 实验结果与分析

4.1 实验环境

实验中使用Linux操作系统，在数据集上训练初始网络模型。终端使用Go语言，Goev、go-rpigpio运行库。Web服务器端使用Java语言开发，在Tomeat环境，使用Tensorflow-gpu、gson、tensorflow-JNI运行库与组件，cuda9.0及cuda工具包。

4.2 实验测试数据

测试数据集的来源由两部分构成，约40%通过使用自有生活垃圾采集，50%左右分通过从互联网上搜集一些垃圾图片，测试的数据包括纸类、金属、塑料、玻璃四大类分类（如图6所示）。实验中将所有图像尺寸缩放到256X256像素。为训练识别模型，单类别分别采集了近150张样本。

4.3 结果分析

4.3.1 训练模型

利用互联网和我们提供的数据集，首先进行数据分析，数据如下图7所示，并不复杂，背景简单。

训练中可视化评估图表如图8、9所示：

采用微调训练，通过交叉验证的训练方法获得模型，经不断的模型训练，识别准确率最终可以稳定在95%-98%，如图10所示。

4.3.2 识别优化

有监督学习虽然高效、应用范围广，但最大的问题就是需要大量的有标签的数据集，但现实生活中我们遇到的大量数据都是没有明确标签的，而且对于庞大的数据集进行标注工作本身也是一项费时费力的工作模式，所以我们采用无监督学习[10]。使用聚类方法进行数据分类，在聚类中我们把物体所聚到的集合成为”簇”，聚类的优化方法采用深度特征均值聚类。

由于初始化是随机的，所以产生的结果可能不会相同，对于上述的初始化，我们可以从损失函数的曲线图中可以看出，迭代两次之后就已经收敛（如图11所示）。

5 结束语

针对现阶段前期垃圾分类不彻底造成的问题，本文提出设计智能垃圾分类系统，满足市场需求。相比于垃圾站已有的垃圾处理方法，该系统能运用人工智能技术使得可以用较低的硬件成本来实现对垃圾智能定位与分类，还可利用互联网采集数据，提供给人们更加便利的生活，迎合数据时代的需求。然而也注意到，本文設计的智能垃圾分类系统基于深度学习针对一些固态垃圾，对系统进行了尝试性的研究和探索开发，限于人力、时间、与工作基础，以及垃圾千变万化，形态万千以及除固体外的其他形态的垃圾有待进一步深入研究。且现阶段智能.垃圾分类系统在实现自动分拣之前需要进行简易的人工分拣，

系统的可靠性、实用性有待提高。本文在吸收多位专家学者研究成果的基础上，把关注点放在垃圾站垃圾分类与智能化方面。随着传统的垃圾分类方式弊端的愈趋明显，智能识别智能垃圾分类必然会迎来广阔的发展前景[11]，让垃圾分类成为新习惯、新风尚、新规矩，文明行为逐渐养成，生活环境得到改善。

参考文献：

[1]周梓博.分析人工智能技术在智慧城市中的应用[J].通讯世界，2019（1）：259-260.

[2]金山.洁净城市的第一步是垃圾分类[J].防灾博览，2017（2）：60-61.

[3]朱飒.200亿，垃圾分类市场规模是画饼充饥？[J].资源再生，2017（12）：38-39.

[4]韩晓静，张德富.智能分类垃圾箱的设计与研发[J].中国市场，2017（2）：182-183.

[5]贺旭娟.国内垃圾分类回收处理现状及对策[J].资源节约与环保，2018（12）：102-103.

[6]李娜，安彦波，余志伟，等.基于OpenCV的物体定位与捕捉系统设计[J].机械设计与制造工程，2019，48（3）：85-88.

[7]陈冠琪，胡国清，Jahangir Alam SM，等.基于改进SSD的多目标零件识别系统研究[J]新技术新工艺，2019（8）：72-76.

[8]张龙波，李智远，杨习贝，等.决策代价约简求解中的交叉验证策略[J].南京大学学报（自然科学），2019，55（4）：601-608.

[9]郭业才，郑慧颖，叶飞.梯度域和深度学习的图像运动模糊盲去除算法[J].实验室研究与探索，2019，38（6）：4-8.

[10]甘井中，杨秀兰，吕洁，等.人工智能中无监督学习算法综述[J].海峡科技与产业，2019（1）：134-135.

[11]杨淑婷.人工智能发展概述[J].福建电脑，2018，34（10）：86-87.

[通联编辑：唐一东]