0 前言

?? 這兩年開始畢業(yè)設(shè)計(jì)和畢業(yè)答辯的要求和難度不斷提升，傳統(tǒng)的畢設(shè)題目缺少創(chuàng)新和亮點(diǎn)，往往達(dá)不到畢業(yè)答辯的要求，這兩年不斷有學(xué)弟學(xué)妹告訴學(xué)長(zhǎng)自己做的項(xiàng)目系統(tǒng)達(dá)不到老師的要求。

為了大家能夠順利以及最少的精力通過畢設(shè)，學(xué)長(zhǎng)分享優(yōu)質(zhì)畢業(yè)設(shè)計(jì)項(xiàng)目，今天要分享的是

?? opencv python 深度學(xué)習(xí)垃圾分類系統(tǒng)

??學(xué)長(zhǎng)這里給一個(gè)題目綜合評(píng)分(每項(xiàng)滿分5分)

• 難度系數(shù)：3分
• 工作量：3分
• 創(chuàng)新點(diǎn)：4分

課題簡(jiǎn)介

如今，垃圾分類已成為社會(huì)熱點(diǎn)話題。其實(shí)在2019年4月26日，我國(guó)住房和城鄉(xiāng)建設(shè)部等部門就發(fā)布了《關(guān)于在全國(guó)地級(jí)及以上城市全面開展生活垃圾分類工作的通知》，決定自2019年起在全國(guó)地級(jí)及以上城市全面啟動(dòng)生活垃圾分類工作。到2020年底，46個(gè)重點(diǎn)城市基本建成生活垃圾分類處理系統(tǒng)。

人工垃圾分類投放是垃圾處理的第一環(huán)節(jié)，但能夠處理海量垃圾的環(huán)節(jié)是垃圾處理廠。然而，目前國(guó)內(nèi)的垃圾處理廠基本都是采用人工流水線分揀的方式進(jìn)行垃圾分揀，存在工作環(huán)境惡劣、勞動(dòng)強(qiáng)度大、分揀效率低等缺點(diǎn)。在海量垃圾面前，人工分揀只能分揀出極有限的一部分可回收垃圾和有害垃圾，絕大多數(shù)垃圾只能進(jìn)行填埋，帶來了極大的資源浪費(fèi)和環(huán)境污染危險(xiǎn)。

隨著深度學(xué)習(xí)技術(shù)在視覺領(lǐng)域的應(yīng)用和發(fā)展，讓我們看到了利用AI來自動(dòng)進(jìn)行垃圾分類的可能，通過攝像頭拍攝垃圾圖片，檢測(cè)圖片中垃圾的類別，從而可以讓機(jī)器自動(dòng)進(jìn)行垃圾分揀，極大地提高垃圾分揀效率。

基于深度學(xué)習(xí)的垃圾分類系統(tǒng)，是非常好的畢業(yè)設(shè)計(jì)課題

一、識(shí)別效果

老樣子， 廢話不多說，先展示圖像垃圾分類的識(shí)別效果

訓(xùn)練模型精度：

可以看到，只迭代了10輪精度達(dá)到87.50%，而且沒有出現(xiàn)過擬合現(xiàn)象

我最高訓(xùn)練達(dá)到96%，迭代200輪

識(shí)別結(jié)果：

實(shí)際驗(yàn)證正確率還是很高的。

二、實(shí)現(xiàn)

1.數(shù)據(jù)集

該數(shù)據(jù)集包含了 2507 個(gè)生活垃圾圖片。數(shù)據(jù)集的創(chuàng)建者將垃圾分為了 6 個(gè)類別，分別是：

如下所示：

一共6類垃圾， 比如玻璃類的如下：

塑料類的如下：

其他的不列舉了。

2.實(shí)現(xiàn)原理和方法

使用深度殘差網(wǎng)絡(luò)resnet50作為基石，在后續(xù)添加需要的層以適應(yīng)不同的分類任務(wù)
模型的訓(xùn)練需要用生成器將數(shù)據(jù)集循環(huán)寫入內(nèi)存，同時(shí)圖像增強(qiáng)以泛化模型
使用不包含網(wǎng)絡(luò)輸出部分的resnet50權(quán)重文件進(jìn)行遷移學(xué)習(xí)，只訓(xùn)練我們?cè)?個(gè)stage后增加的層

需要的第三方庫主要有tensorflow1.x，keras，opencv，Pillow，scikit-learn，numpy
安裝方式很簡(jiǎn)單，打開terminal，例如：pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
數(shù)據(jù)集與權(quán)重文件比較大，所以沒有上傳
如果環(huán)境配置方面有問題或者需要數(shù)據(jù)集與模型權(quán)重文件，可以在評(píng)論區(qū)說明您的問題，我將遠(yuǎn)程幫助您

3.網(wǎng)絡(luò)結(jié)構(gòu)

這里我只使用了resnet50的5個(gè)stage，后面的輸出部分需要我們自己定制，網(wǎng)絡(luò)的結(jié)構(gòu)圖如下：

stage5后我們的定制網(wǎng)絡(luò)如下：

"""定制resnet后面的層"""
def custom(input_size,num_classes,pretrain):
    # 引入初始化resnet50模型
    base_model = ResNet50(weights=pretrain,
                          include_top=False,
                          pooling=None,
                          input_shape=(input_size,input_size, 3),
                          classes=num_classes)
    #由于有預(yù)權(quán)重，前部分凍結(jié)，后面進(jìn)行遷移學(xué)習(xí)
    for layer in base_model.layers:
        layer.trainable = False
    #添加后面的層
    x = base_model.output
    x = layers.GlobalAveragePooling2D(name='avg_pool')(x)
    x = layers.Dropout(0.5,name='dropout1')(x)
    #regularizers正則化層，正則化器允許在優(yōu)化過程中對(duì)層的參數(shù)或?qū)拥募せ钋闆r進(jìn)行懲罰
    #對(duì)損失函數(shù)進(jìn)行最小化的同時(shí)，也需要讓對(duì)參數(shù)添加限制，這個(gè)限制也就是正則化懲罰項(xiàng)，使用l2范數(shù)
    x = layers.Dense(512,activation='relu',kernel_regularizer= regularizers.l2(0.0001),name='fc2')(x)
    x = layers.BatchNormalization(name='bn_fc_01')(x)
    x = layers.Dropout(0.5,name='dropout2')(x)
    #40個(gè)分類
    x = layers.Dense(num_classes,activation='softmax')(x)
    model = Model(inputs=base_model.input,outputs=x)
    #模型編譯
    model.compile(optimizer="adam",loss = 'categorical_crossentropy',metrics=['accuracy'])
    return model

網(wǎng)絡(luò)的訓(xùn)練是遷移學(xué)習(xí)過程，使用已有的初始resnet50權(quán)重（5個(gè)stage已經(jīng)訓(xùn)練過，卷積層已經(jīng)能夠提取特征），我們只訓(xùn)練后面的全連接層部分，4個(gè)epoch后再對(duì)較后面的層進(jìn)行訓(xùn)練微調(diào)一下，獲得更高準(zhǔn)確率，訓(xùn)練過程如下：文章來源地址http://www.zghlxwxcb.cn/news/detail-782839.html

class Net():
    def __init__(self,img_size,gar_num,data_dir,batch_size,pretrain):
        self.img_size=img_size
        self.gar_num=gar_num
        self.data_dir=data_dir
        self.batch_size=batch_size
        self.pretrain=pretrain

    def build_train(self):
        """遷移學(xué)習(xí)"""
        model = resnet.custom(self.img_size, self.gar_num, self.pretrain)
        model.summary()

        train_sequence, validation_sequence = genit.gendata(self.data_dir, self.batch_size, self.gar_num, self.img_size)

        epochs=4
        model.fit_generator(train_sequence,steps_per_epoch=len(train_sequence),epochs=epochs,verbose=1,validation_data=validation_sequence,
                                     max_queue_size=10,shuffle=True)
        #微調(diào),在實(shí)際工程中，激活函數(shù)也被算進(jìn)層里，所以總共181層，微調(diào)是為了重新訓(xùn)練部分卷積層，同時(shí)訓(xùn)練最后的全連接層
        layers=149
        learning_rate=1e-4
        for layer in model.layers[:layers]:
            layer.trainable = False
        for layer in model.layers[layers:]:
            layer.trainable = True
        Adam =adam(lr=learning_rate, decay=0.0005)
        model.compile(optimizer=Adam, loss='categorical_crossentropy', metrics=['accuracy'])

        model.fit_generator(train_sequence,steps_per_epoch=len(train_sequence),epochs=epochs * 2,verbose=1,
            callbacks=[
                callbacks.ModelCheckpoint('./models/garclass.h5',monitor='val_loss', save_best_only=True, mode='min'),
                callbacks.ReduceLROnPlateau(monitor='val_loss', factor=0.1,patience=10, mode='min'),
                callbacks.EarlyStopping(monitor='val_loss', patience=10),],
            validation_data=validation_sequence,max_queue_size=10,shuffle=True)

        print('finish train,look for garclass.h5')

最后

到了這里，關(guān)于python畢設(shè)選題 - opencv python 深度學(xué)習(xí)垃圾圖像分類系統(tǒng)的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！