被垃圾分类逼疯？这个深度学习技术帮你做到垃圾自动分类

上海迈出中国垃圾分类第一步

7月1日起，被称为“史上最严”垃圾分类措施的《上海市生活垃圾管理条例》正式实施，根据规定，个人或单位未按规定分类投放垃圾都将面临处罚。与此同时，全国多地也陆续进入垃圾分类“强制时代”。

有网友脑洞大开，想到一种速记法：是干是湿，让猪试吃。猪可以吃的是厨余垃圾，猪吃了会死的是有害垃圾，连猪都不吃的是其他垃圾，可以卖了钱买猪的是可回收垃圾。可见猪为人类贡献了太多。

北京怎么能落后？

7月2日晚，@新京报我们视频 发布消息称，记者从北京市城管委了解到，北京将推动垃圾分类立法，罚款不低于上海。但北京的垃圾分类标准与上海并不完全一致，分为厨余垃圾、有害垃圾、其它垃圾及可回收物。

可回收物是循环利用的，报纸、纸箱、饮料瓶、易拉罐等等由再生资源企业回收利用，俗称“收破烂”；厨余垃圾是厨房产生的，像菜叶菜帮，剩饭剩菜等；其他垃圾是保鲜膜、塑料袋、纸巾等，可送到焚烧厂发电或者是填埋；有害垃圾是对身体和环境有害的，如废荧光灯管、水银温度计、过期药品、油漆等，需用特殊方法安全处理。

支付宝推出“易代扔”

事实上，中国垃圾分类试点由来已久。早在2000年，中国就已经开始在试点城市推行垃圾分类。19年后的今天，上海北京垃圾分类逐步进入“强制时代”，预计今后将有更多城市加入垃圾分类的行列中来。

面对当前垃圾分类的大趋势，支付宝已经抢先上线了提供免费的生活垃圾回收服务——“易代扔”。

在支付宝上，垃圾分类回收平台已经覆盖5000多个小区。打开支付宝-城市服务页面，点击“垃圾分类回收”，新上线的“易代扔”功能里包括了家电数码回收、生活垃圾回收、大件付费回收等上门回收服务。

输入所在城市和居住地后，选择回收物品的重量，上传照片，并预约上门回收的时间，便能完成整个预约回收流程，由工作人员免费上门收取回收物。回收成功还能获得环保积分和蚂蚁森林能量，获得相应奖励。

但是据小编观察，这个小程序其实只是支持一些二手物品的回收，像厨余垃圾和大部分生活垃圾并不能代扔。

人工智能与垃圾分类

那人工智能能否利用AI技术来对垃圾自动分类，实现上面提到的设想呢？

为了回答这个问题，在今天的文章中，我们将从人工智能的角度出发，尝试利用深度学习技术来构建一个垃圾自动分类器，同时也会进一步介绍AI垃圾分类遇到的挑战和一些思考。

“垃圾自动分类器”

垃圾自动分类本质上是一个图像分类问题，当前基于深度卷积神经网络的图像分类算法发展很快，各种方法层出不穷。下面我们先回顾这些分类网络的演进思路，再进一步将分类算法应用于垃圾分类，介绍构建一个垃圾自动分类器的流程和细节。

卷积神经网络的开山之作LeNet于1998年被提出，并成功应用于手写体识别。LeNet和现在的网络结构相比虽然简单（如上图所示），但是卷积层、池化层和全连接层这些基本模块都已经具备。

随着ReLU和dropout的提出，以及GPU和大规模数据集的出现，卷积神经网络在2012年迎来了历史突破，AlexNet的出现让卷积神经网络开始逐渐成为计算机视觉任务的标配。在AlexNet的基础上，以增加网络深度为思路，出现了VGGNet；以增强卷积模块为思路，出现了基于Inception的一系列网络。

随着后来居上的ResNet的提出，层数极深的网络成为了可能。通过引入残差模块，缓解了深度网络训练过程中的梯度消失问题，让网络的深度不断加大，网络性能也得到了大幅提升。之后的DenseNet更是通过对特征图的稠密连接，加强了特征的传递，继续提升分类效果。当前ResNet及其变种形式已经被广泛地应用于图像分类任务，同时也成为了在解决目标检测和图像分割等其他计算机视觉问题时常用的主干网络结构。

在本文中，我们使用50层的ResNet来构建垃圾自动分类器。具体我们采用在ImageNet数据集上预训练的ResNet50模型参数作为初始化，利用上一节中收集的“垃圾”图像数据集对其进行微调。

其中我们将上述ResNet50的最后一层输出从1000（ImageNet数据集的分类数量）修改为4（垃圾分类数量），同时在训练过程中冻结了部分卷积层参数的更新。此外还进一步利用水平翻转、随机裁剪和色彩抖动等方式对训练的“垃圾”图像进行数据增强。在完成垃圾自动分类器的训练后，我们对一些垃圾进行了自动分类的测试，准确率达到近90%。虽然对复杂的情况还是存在一定的误判，但大部分常见的垃圾都得到了正确的区分，具有较强的实用性。

“从单个垃圾分类到一群垃圾分类”

上一节中我们介绍了垃圾自动分类器的构建，但是这样的垃圾分类器的输入都是单个垃圾图像。在实际的垃圾分类投放过程中，对单个的垃圾进行一一拍照分类显得过于繁琐和缓慢。那能不能对一群垃圾直接拍照后进行批量分类呢？要实现对一群垃圾的批量分类，其实就是要构建一个垃圾的目标检测器。输入一张含有多个垃圾的图像，让模型输出图像上每种垃圾对应的类别。

在深度学习出现之前，可变形部件模型（DPM）一直是流行的目标检测方法。深度学习出现后，以R-CNN、Fast R-CNN、Faster R-CNN为代表的两阶段算法和以YOLOv1-3、SSD、RetinaNet为代表的单阶段算法成为主流。前者是先由算法生成一系列待检测目标的候选框，再通过卷积神经网络进行候选框的分类；后者则不用产生候选框，直接将目标边框定位的问题转化为回归问题处理。

和垃圾分类器一样，一个理想的垃圾检测器，需要大量的“垃圾”标注数据来支撑。但是与分类数据集相比，检测数据集除了标注类别外还要标注图位置坐标，这样的标注工作更为艰巨。在完成垃圾检测的图像数据集后，就可以利用当前主流的深度学习检测算法来实现批量垃圾的分类。

垃圾分类最近成为了大家生活中经常讨论的话题，这篇文章分享了如何利用深度学习技术来构建一个垃圾自动分类器，也进一步介绍了从单个垃圾分类到批量垃圾分类的思路和挑战。

在实际的垃圾分类中，由于垃圾多种多样，同一类别的垃圾可能差异很大，而不同类别的垃圾可能差异很小，在复杂情况下分类器效果可能会不尽如人意，后续可以考虑加入垃圾之间的高层次语义关系信息，进一步提升分类器的性能。最后希望大家都能做到正确的垃圾分类投放，毕竟生活不易，还是不要被罚款。

·end·

本文由Startifyd整理，部分内容引用自CDA 数据分析师

斯图飞腾（ Stratifyd ）大数据智能分析平台兼具实时交互、图像可视化、非结构化数据和结构化数据的分析能力，识别差异化标签数据，可以帮助各种规模的企业快速、科学、精准地定位客户、员工，以及市场中的海量文本反馈信息，洞察其商业价值，提升企业的经济效益。