祝朝坤，魏伦胜（郑州工商学院，河南 郑州 451400）
摘 要：本研讨旨在开发一种根据TensorFlow的深度学习运用程序，该运用程序经过OpenCV图画处理检测废物中的废物类型。为了供给最有用的办法，本研讨对众所周知的深度卷积神经网络体系结构进行了试验。经测验Inception-v4的准确率要优于其他同类模型。本研讨的模型是经过精心优化的深度卷积神经网络体系结构，用于对选定的可回收方针类别进行分类，其数据将经过STM32硬件端进行剖析然后操控整个废物分类体系。
关键词：TensorFlow；Inception-v4；废物分类；STM32；OpenCV
0 导言
运用传统的工艺对废物进行分类，需求添加人力和物力以及时刻。在当时人工智能越来越遍及的大时代布景之下，运用图画处理对废物进行分类是一种十分有用的办法。本研讨的首要意图是规划一种根据深度学习算法的全主动废物分类体系来对常见废物进行分类。深度学习的办法现已成功运用到了各个领域，例如主动驾驶、医学成像和多种工业环境，在方针检测问题上取得了明显效果。
1 体系结构流程图
由框图能够知道本体系首要是由软件和硬件的组合，其间算法处理部分在PC端进行，将废物置于挡板上，由PC端进行OpenCV图画处理切割以及数据集的练习和辨认，继而经过蓝牙将数据发送到MCU中心端操控废物桶旋转，与此一起，挡板翻开，废物落入指定的格子内，然后完结废物主动分类。舵机用于操控挡板的敞开以及封闭，步进电机操控废物桶准确视点的旋转，TTS串口语音播报模块实时播报当时的废物品种，然后由OLED显现出来，以方便运用者检查信息。
2 硬件规划
硬件端以STM32F1为中心，操控OLED模块、蓝牙模块、TTS语音模块以及步进电机，经过各种硬件完成了各种功用，硬件体系整体结构如图2。
3 TensorFlow算法规划
本研讨的中心是TensorFlow，其用于数据集模型的练习，然后提高图画辨认的准确率以及完成精准分类。
3.1 数据集的练习
本研讨的重点是对可回收资料进行分类，该研讨意图是辨认一些最常见的可回收资料，例如玻璃，纸张，纸板，塑料，金属和废物。因为没有揭露的废物数据集，故在该研讨中需求手艺搜集自己的图画数据集，因为每一类的规划较小，所以对每一幅废物图画都进行了图画处理。包含图画的随机旋转、图画的随机亮度操控、图画的随机平移、图画的随机缩放和图画的随机剪切，此外还履行了均值减法和归一化。数据集包含六类可回收方针，数据集的图画具有白色布景，每张相片都会挑选不同的方向和曝光度。图3显现了来自数据集的部分样本图画。
3.2 CNN 卷积神经网络
CNN旨在清晰用于图画分类，该算法首先从数据会集输入图画，它将输入作为激活量，也将输出作为激活量。因而，在CNN中，中间层不像一般的人工神经网络那样是法向量，而是具有高度，宽度和深度的空间维度。该算法首要分为三层:卷积层、最大池化层和全衔接层。
卷积层：该层接纳一些输入量，在这种状况下，图画将具有特定的高度，宽度和深度。它存在一些过滤器，它们基本上是由随机数初始化的矩阵。滤镜在空间上较小，但深度与输入图画的通道相同，关于RGB，滤镜的深度为3，关于灰度，滤镜的深度为1，依此类推，过滤器在输入量上进行卷积。它在图画中进行空间滑动，并在整个图画中核算点积，过滤器终究为输入图画生成激活图。点积的核算办法如下：
其间 W = 滤波器、 x = 输入图画 b = 差错，在每个卷积层的结尾，CNN终究会获取滤波器的激活图。激活函数为ReLu：
此激活函数终究会放弃零以下的值，行将最小值阈值设为零。
最大池化层：最大池化基本上仅仅激活映射的下采样层，一般运用 2 2 × 过滤器和步长为2的最大池化层，终究将输入激活图缩小为一半的空间图。池化的另一种办法是均匀池化，在这种办法中，子矩阵的最大值保存为下一层的均匀值而不是最大值。
彻底衔接层：彻底衔接层在终究将体积作为输入，它像正常的神经网络相同彻底衔接到整个输入量，该层履行终究一个矩阵乘法器以核算输出。
在传统的多层神经网络中，神经元第一层与下一层中的一切神经元相连；卷积层在上一层的输出上树立本地衔接，全衔接层履行矩阵乘法，卷积层运用卷积进程，如等式(1)所示的线性数学进程：
当等式1被用于接连域时，能够得到等式2的状况：
x [k] 在等式2中能够写成 x [k−j] ， 同 样 ，x [k−j]能够在等式中转化为 x [k+j]。如等式3，它并不影响成果。
在进行卷积进程中，w是卷积层的滤波器，x是这一层的输入， f ( . ) 是激活函数sigmoid，是将输入向量与卷积层上神经元的权重向量 ( w ) 履行点积的一个数学进程。步幅 ( ζ ) 是一个参数，能够界说为卷积进程中过滤器窗口输入窗口上的偏移量，也可在等式4中被核算出来：
选用正整数 ζ 参数的原因是在卷积进程中参加样本稀少函数来减小卷积进程中输入的巨细。
该研讨对CNN的多种模型进行了试验，终究发现inception-v4供给了更安稳的练习和更高的准确性。
3.3 试验成果以及数据
CNN算法作业在两阶段循环中，即正向传达和反向传达，在前向经过进程中，图画将传递到上述每个层，并核算输出。将预期输出与实践输出进行比较，并核算差错，在核算出差错之后，该算法随后调整权重。滤波器的权重的调整是反向传达阶段，此阶段与优化技能（例如梯度下降）结合运用，以尽或许下降差错，随后将数据会集的一切图画调整为256×256，然后再作为输入（input）输入到网络。
丢掉是运用二进制穿插输入法核算的，优化器运用的是RMSprop。CNN在GTX 750Ti上接受了大约3–3.5小时的练习。因为运用扩展样本进行输入，所以即便添加了数据集的巨细，它们也具有高度相关性，但这或许导致数据过拟合，经过调理网络的熵容量（模型中存储的信息量）处理了过拟合问题。本研讨运用了十分小的CNN，几乎没有图层，每层只要很少的过滤器，一起数据添加和丢掉(loss)为0.5，然后有助于削减过度拟合的状况。而为了判别模型是否过拟合，是否需求中止练习,则需求依托验证集，即一边练习一边验证，从图4的试验成果可知，练习值一向低于验证值，未处于过拟合状况，终究试验数据如表1。
4 OpenCV图画处理
本研讨中，OpenCV用于对图画的收集以及预处理，此外，OpenCV也用于对输出成果进行处理。
4.1 形态学处理以及图画不变矩
图画处理包含将RGB图画转化为灰度图画，然后将其二值化。此阶段从图画中删除了不必要的特征。图画由Microsoft Webcam VX-6000收集并转化为灰度,取得灰度图画后，为了使灰度图画仅具有两种色彩（分别为0和255），运用了二值化处理，图5为相关算法流程图。
本研讨用力矩描绘图画而不是运用其他更常用的图画特征（例如宽度和高度），这意味着运用图画的大局特点而不是部分特点。该办法关于挑选从方针废物中提取的一组数字特点很有用，以便于进行分类。
4.2 图画切割
处理过程（切割）触及将方针与布景和其他方针区分隔，在此过程中，运用了十分通用的图画处理办法，即：
a）鸿沟检测（Canny算法）。
b）阈值以与布景阻隔并消除噪声。
c）高斯含糊以柔化细节并过滤噪声。
d）从五颜六色到是非和二值图画的转化，运用饱满通道来协助寻觅鸿沟。
e）二值图画中的概括检测以独自剖析方针。
阈值化选用Otsu算法，运用一个阈值将像素划分为两个类，其界说为每个群集的方差的加权和：
其间 n B 与 n o 是阈值以下和之上的像素数，而 δ B 与δ o 分别是它们的方差。 T 是挑选的阈值。该研讨运用Ostu算法的含义是仅考虑鸿沟邻近的像素，因而这样运用的阈值倾向于坚持鸿沟上的别离，图画切割实践效果如图6。
5 定论
跟着处理大数据的深度网络架构的呈现，在不履行其他任何功用的状况下，就准确性，可扩展性，适应性而言，深度学习供给了同类最佳的功能。本文提出了运用深度学习完成全主动废物分类的主意，而无需进行人工操作。要完成它，体系将运用巨大的数据集，用于方针检测的形式猜测和练习算法。后期进一步的作业包含实时优化各种离散输入的成果和猜测精度。这种办法有助于下降污染水平，从长远来看，其重点是开展通用废物分类结构，能够将输入图画的数据集更改为更多的特定场景，用于运用程序的履行。例如，该体系可用于对快餐店以及其他各个公共场合的废物进行分类。
参考文献：
[1] Mohammadi M, Al-Fuqaha A, Sorour S, et al. Deeplearning for IoT big data and streaming analytics: Asurvey[J]. IEEE Communications Surveys & Tutorials, 2018,20(4): 2923-2960.
[2] Chu Y, Huang C, Xie X, et al. Multilayer hybrid deep-learning method for waste classification and recycling[J].Computational Intelligence and Neuroscience, 2018, 2018.
[3] Liu Y, Ge Z, Lv G, et al. Research on AutomaticGarbage Detection System Based on Deep Learning andNarrowband Internet of Things[C]//Journal of Physics:Conference Series. IOP Publishing, 2018, 1069(1): 012032.
[4] Y. Taigman, M. Yang, M. Ranzato, and L. Wolf,“DeepFace: closing the gap to human-level performancein face verification,” in Proceedings of Computer Visionand Pattern Recognition (CVPR), 2014 IEEE Conference,Columbus, OH, USA, 2014.
[5] Chen G, Wang H, Zheng J. Application of ImageRecognition Technology in Garbage ClassificationEducation Platform[C]//2019 5th International Conferenceon Control, Automation and Robotics (ICCAR). IEEE, 2019:290-294.
[6] Sudha S, Vidhyalakshmi M, Pavithra K, et al. Anautomatic classification method for environment: Friendlywaste segregation using deep learning[C]//2016 IEEETechnological Innovations in ICT for Agriculture and RuralDevelopment (TIAR). IEEE, 2016: 65-70.
[7] Lee S H, Yeh C H, Hou T W, et al. A LightweightNeural Network Based on AlexNet-SSD Model forGarbage Detection[C]//Proceedings of the 2019 3rdHigh Performance Computing and Cluster TechnologiesConference. 2019: 274-278.
（注：本文来源于科技期刊《电子产品世界》2020年第06期第71页，欢迎您写论文时引证，并注明出处。）
