還在被大媽靈魂拷問(wèn)？使用Python輕松完成垃圾分類(lèi)！

tabalt 發(fā)布于2019-07-31 11:25 / 498人閱讀

摘要：不過(guò)不要緊，垃圾分類(lèi)雖然要執(zhí)行，但是奶茶也可以照喝。這里我們考慮四個(gè)類(lèi)別干垃圾，濕垃圾，有害垃圾還是可回收垃圾。報(bào)紙可回收垃圾電池有害垃圾一次性餐盒干垃圾我們對(duì)圖片里的物品進(jìn)行分類(lèi)，這是圖像處理和識(shí)別的領(lǐng)域。

目錄
0 環(huán)境
1 引言
2 思路
3 圖像分類(lèi)
4 總結(jié)

0 環(huán)境

Python版本：3.6.8

系統(tǒng)版本：macOS Mojave

Python Jupyter Notebook

1 引言

七月了，大家最近一定被一項(xiàng)新的政策給折磨的焦頭爛額，那就是垃圾分類(lèi)。《上海市生活垃圾管理?xiàng)l例》已經(jīng)正式實(shí)施了，相信還是有很多的小伙伴和我一樣，還沒(méi)有完全搞清楚哪些應(yīng)該扔在哪個(gè)類(lèi)別里。感覺(jué)每天都在學(xué)習(xí)一遍垃圾分類(lèi)，真令人頭大。

聽(tīng)說(shuō)一杯沒(méi)有喝完的珍珠奶茶應(yīng)該這么扔
1、首先，沒(méi)喝完的奶茶水要倒在水池里
2、珍珠，水果肉等殘?jiān)胚M(jìn)濕垃圾
3、把杯子要丟入干垃圾
4、接下來(lái)是蓋子，如果是帶蓋子帶熱飲（比如大部分的熱飲），塑料蓋是可以歸到可回收垃圾的嗷

看到這里，是不是大家突然都不想喝奶茶了呢，哈哈。不過(guò)不要緊，垃圾分類(lèi)雖然要執(zhí)行，但是奶茶也可以照喝。

那么，這里我們想討論一下，人工智能和數(shù)據(jù)科學(xué)的方法能不能幫助我們進(jìn)行更好的垃圾分類(lèi)？這樣我們不用為了不知道要扔哪個(gè)垃圾箱而煩惱。

2 思路

這問(wèn)題的解決思路或許不止一條。這里只是拋磚引玉一下，提供一些淺顯的見(jiàn)解。

第一種方案，可以把垃圾的信息制成表格化數(shù)據(jù)，然后用傳統(tǒng)的機(jī)器學(xué)習(xí)方法。

第二種方案，把所有的垃圾分類(lèi)信息做成知識(shí)圖譜，每一次的查詢(xún)就好像是在翻字典一樣查閱信息。

第三種方案，可以借助現(xiàn)在的深度學(xué)習(xí)方法，來(lái)對(duì)垃圾進(jìn)行識(shí)別和分類(lèi)。每次我們給一張垃圾的圖片，讓模型識(shí)別出這是屬于哪一種類(lèi)別的：干垃圾，濕垃圾，有害垃圾還是可回收垃圾。

3 圖像分類(lèi)

圖像分類(lèi)是深度學(xué)習(xí)的一個(gè)經(jīng)典應(yīng)用。它的輸入是一張圖片, 然后經(jīng)過(guò)一些處理，進(jìn)入一個(gè)深度學(xué)習(xí)的模型，該模型會(huì)返回這個(gè)圖片里垃圾的類(lèi)別。這里我們考慮四個(gè)類(lèi)別：干垃圾，濕垃圾，有害垃圾還是可回收垃圾。

（報(bào)紙：可回收垃圾）

（電池：有害垃圾）

（一次性餐盒：干垃圾）

我們對(duì)圖片里的物品進(jìn)行分類(lèi)，這是圖像處理和識(shí)別的領(lǐng)域。人工智能里提出了使用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）來(lái)解決這一類(lèi)問(wèn)題。

我會(huì)用keras包和Tensorflow后端來(lái)建立模型。由于訓(xùn)練集的樣本暫時(shí)比較缺乏，所以這里只能先給一套思路和代碼。訓(xùn)練模型的工作之前還得進(jìn)行一波數(shù)據(jù)收集。

我們就先來(lái)看看代碼大致長(zhǎng)什么樣吧

先導(dǎo)入一些必要的包。

再做一下準(zhǔn)備工作。

在上面，我們初始化了一些變量，batch size是128； num_classes = 4，因?yàn)樾枰诸?lèi)的數(shù)量是4，有干垃圾，濕垃圾，有害垃圾和可回收垃圾這四個(gè)種類(lèi)。epochs 是我們要訓(xùn)練的次數(shù)。接下來(lái)，img_rows, img_cols = 28, 28 我們給了圖片的緯度大小。

在 .reshape(60000,28,28,1)中 , 60000 是圖片的數(shù)量（可變）, 28是圖片的大小（可調(diào)），并且1是channel的意思，channel = 1 是指黑白照片。 .reshape(10000,28,28,1)也是同理，只是圖片數(shù)量是10000。

到了最后兩行，我們是把我們目標(biāo)變量的值轉(zhuǎn)化成一個(gè)二分類(lèi)，是用一個(gè)向量（矩陣）來(lái)表示。比如 [1,0,0,0] 是指干垃圾，[0,1,0,0]是指濕垃圾等等。

接下來(lái)是建模的部分。

我們加了卷積層和池化層進(jìn)入模型。激活函數(shù)是 relu，relu函數(shù)幾乎被廣泛地使用在了卷積神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)。我們?cè)趯优c層之間也加了dropout來(lái)減少過(guò)擬合。Dense layer是用來(lái)做類(lèi)別預(yù)測(cè)的。

建完模型后，我們要進(jìn)行模型的驗(yàn)證，保證準(zhǔn)確性在線。

到這里，我們的建模預(yù)測(cè)已經(jīng)大概完成了。一個(gè)好的模型，要不斷地去優(yōu)化它，提高精確度等指標(biāo)要求，直到達(dá)到可以接受的程度。

這優(yōu)化的過(guò)程，我們?cè)谶@里就先不深入討論了，以后繼續(xù)。

4 總結(jié)

值得一提的是，盡管方法上是有實(shí)現(xiàn)的可能，但是實(shí)際操作中肯定要更復(fù)雜的多，尤其是對(duì)精度有著很高的要求。

而且當(dāng)一個(gè)圖片里面包含著好幾種垃圾種類(lèi)，這也會(huì)讓我們的分類(lèi)模型開(kāi)發(fā)變得很復(fù)雜，增加了難度。

比如，我們想要對(duì)一杯奶茶進(jìn)行垃圾分類(lèi)，照片里面是包含了多個(gè)垃圾的種類(lèi)，這就比較頭大了，因?yàn)檫@并不是屬于單一的類(lèi)別。

前路的困難肯定是有的，不過(guò)就當(dāng)這里的分享是個(gè)拋磚引玉的起點(diǎn)吧。

畢竟李白也說(shuō)了，“長(zhǎng)風(fēng)破浪會(huì)有時(shí)，直掛云帆濟(jì)滄海”。

關(guān)注公眾號(hào)「Python專(zhuān)欄」，后臺(tái)回復(fù)「垃圾分類(lèi)2」獲取本文全套代碼。更多有意思的python等著你