基于Tensorflow的垃圾分類回收系統設計

鄧銀瑩 徐勇

摘要：目前我國城市垃圾數量逐年增加，垃圾分類及回收成為亟待解決的問題。針對城市生活垃圾分類效率低的現狀，以Tensorflow為基礎設計基于圖像識別的垃圾分類回收系統，系統由圖像識別分類、機械控制、用戶使用、滿溢監測、清理系統五個模塊組成，旨在以智能化無人操作的方式完成垃圾的前期分類及回收，節省大量人力和物力投入，為我國智能垃圾分類回收箱的構建提供新思路。

關鍵詞：人工智能;垃圾分類;圖像識別;Tensorflow

中圖分類號：TP391? ? ? ?文獻標識碼：A

文章編號：1009-3044（2021）23-0050-03

1引言

1.1 生活垃圾處理現狀

隨著人民經濟生活水平的提高，城市垃圾總量日益增長。因大多數居民對于垃圾分類了解過少，在投放時無法正確進行垃圾分類處理，僅簡單將各類垃圾放置在一起，使部門回收時無法及時合理化處理垃圾，導致嚴重的環境污染。

目前我國大多數城市采用填埋法處理垃圾，且對于垃圾的回收采取混合回收和統一運輸的方式，這不僅浪費土地資源，且依賴人工分揀，處理過程復雜，推廣效果不佳。

1.2 垃圾分類行業發展現狀

幾年來我國加速推行垃圾分類制度，先后在46個重點城市基本建成生活垃圾分類處理系統，同時加快構建生活垃圾分類投放、收集、運輸、處理為一體的處理體系，旨在進一步推動循環經濟、再生資源行業、環衛設施產業發展。

由于人為處理垃圾分類過程較為復雜，公民分類意識和習慣仍需培養，因此使垃圾分類智能化成為現今垃圾分類行業需研究的重要方向。同時由于云計算、大數據、物聯網技術的出現，使垃圾分類智能化成為現實。

1.3 分類系統介紹

為了更好解決垃圾分類回收問題，及為垃圾分類智能化研究提供新思路。本文設計基于Tensorflow的生活垃圾分類回收處理系統，克服人工分揀困難，既提高前期的垃圾分類效率，又能回收更多可循環利用資源，在保護環境的同時減少資源消耗，降低后期垃圾處理的技術難度。

2 回收箱功能設計

本系統以TensorFlow為“監察者”，以單片機為“執行者”，通過兩者的協同配合來更加精確地實現垃圾分類回收[1]。箱體基于全封閉式設計，共分為五個模塊，圖1為回收箱使用流程圖。

2.1 圖像識別分類模塊

該模塊為整個系統設計重點之一?；厥障鋬炔磕芡ㄟ^攝像頭捕捉投入箱內的垃圾圖像信息，并將圖片進行處理后發送到后臺系統。后臺系統接收垃圾圖像后，利用訓練好的神經網絡模型對圖像進行處理、識別與分類。

2.2 機械控制模塊

回收箱機械控制包括箱內機械臂、傳送帶、攝像頭、紅外傳感器等硬件設施。主要負責在系統識別出用戶投入垃圾的類別后，利用機械臂和傳送帶將垃圾送至相應內置垃圾桶中。同時，后臺系統控制回收箱內部裝置進行定時消毒滅菌與排氣處理。

2.3 用戶使用模塊

回收箱上安裝液晶顯示屏，用戶通過掃描二維碼登錄線上個人賬戶，從而實現開關回收箱投遞口、查看個人使用記錄、進行積分兌換等操作。

2.4 滿溢監測模塊

每個內置垃圾桶頂部安裝紅外感應裝置，能實時檢測桶內垃圾容量。一旦垃圾達到箱體容積的80%，系統便會發出警報，同時將信息傳入云端檢測部門，系統根據警報安排工作人員進行垃圾回收運輸與后續處理。

2.5 清理系統模塊

桶內安裝紫光燈消毒裝置，定期對箱內垃圾進行消毒殺菌處理，防止細菌滋生。箱底安裝排氣裝置，從而保持箱內空氣清新流暢。

2.6 設施監控模塊

回收箱內裝有GPS定位系統，不僅能實時檢測回收箱地理位置，更設有防盜安全警報裝置，當檢測到回收箱某部位出現異常狀況，例如箱體遭到破壞等，系統便會發出警報，同時定位該回收箱位置，利用監控查看周圍情況，避免回收箱被不法分子盜走。

3 基于Tensorflow的圖像分類設計

Tensorflow是谷歌基于DistBelief研發的第二代人工智能學習系統，可用于語音識別、圖像識別、大數據預測等機器學習和深度學習領域。利用神經網絡進行回收系統設計，能迅速、有效、準確地對垃圾圖片進行識別與分類，提高回收箱智能分類水平[2]。下面是神經網絡模型設計：

3.1 數據預處理

利用爬蟲或是上網查找公開數據集等方式獲取各類圖片，包括塑料、易拉罐、廢紙、玻璃、布料等。對圖像進行旋轉、裁剪、縮放、設置灰度等操作，并設置標簽，不同標簽代表不同圖像對應類別，可視化查看預處理效果。最后需要將訓練集數據轉化為TFRecord格式文件，作為神經網絡的輸入層進行訓練。

3.2 搭建神經網絡模型

通過構建卷積神經網絡框架進行圖片分類訓練。本文共設置三次卷積池化層，兩次全連接層，一次RELU層和一次softmax層進行訓練。訓練步驟包括：1）提取訓練數據集送至搭建好的模型;2）利用模型將圖像和類別標簽相對應并驗證結果;3）在訓練中統計每迭代1000次的檢驗損失值loss和準確率acc，當損失值越小，準確率越高時，模型向正確方向收斂。

圖3是模型訓練完成后可視化得到的loss-acc曲線圖，其中藍色線代表隨訓練次數增加，損失值逐漸降低。紅色線代表模型準確率隨訓練次數的增加而上升。從圖中可以看出，隨著訓練次數增加，該模型訓練效果逐漸增強，符合分類回收系統構建需求。

3.3 實例驗證

最后，利用測試集對訓練好的模型進行檢驗。測試集包含的圖片數據不是訓練集的一部分，需要找新的數據進行結果驗證。

圖4展示部分測試結果，表1為針對上述訓練模型的測試結果匯總。從表中數據可以看出，測試集分類準確率不高，應考慮訓練模型不夠完善、訓練集數據較少等問題加以改進，從而使垃圾分類模型更加準確有效。