基于Matlab卷积神经网络垃圾分类识别系统

        可回收垃圾的循环利用对我国经济的可持续发展有着重要意义．当前的垃圾回收需要人们手动分类垃 圾，找到一种自动分类垃圾的方法，提高垃圾回收的效率，不仅会产生显著的社会效益，而且有巨大的经济效 益．为了提高可回收生活垃圾识别的准确率，研究人员尝试利用图像处理、机器学习等方法自动识别玻璃 瓶、废纸、纸盒、易拉罐等常见生活废品．利用图像处理技术获取垃圾图像的特征后，再利用深度学习网络、支持向量机、K近邻分类器、主成分分析(PCA)方法[3]等方法对垃圾图像特征向量进行分类．

        可回收生活垃圾的分类和再利用，是我国社会经济良性循环的重要途径．基于机器视觉 的高效分类算法是垃圾智能分类的关键．提出一种在ImageNet图像数据集训练的ResNetl8模型 进行迁移学习的方法．用于解决可回收生活垃圾的分类识别问题．对现有的可回收生活垃圾图像 集进行旋转、平移、缩放等预处理后，由人工分为纸皮、废纸、塑料、玻璃和金属5个类别．每个类别 各随机选择70％的样本用作训练集，剩余30％用作测试集．在Matlab深度学习框架下，基于训练集 对ResNetl8预训练模型进行迁移学习，形成新的ResNetl8分类模型．对测试集的实验结果表明： 新分类模型分类准确率高达93．67％，而且提高了模型的训练速度.

一、数据集

        本研究的图像数据集以Gary Thung和Mindy Yang∞1创建的垃圾图像数据集为基础，该数据集由1 989 张图片组成，分为玻璃、纸张、塑料、金属、纸皮5个类别，所有图片的大小调整到512×84．由于数据集的图像 数量较少．从Kaggle网站中的waste—pictures数据集中抽取2 485张相同类型的图像，最终形成4 474张图片 的实验数据集．每个类别的样图如图l所示．这些图像能较好表达生活垃圾被回收时的状态，例如变形的瓶 子、皱褶的纸张等．每类大约有500～900张图像，每张照片的灯光和姿势都不一样，每个图像都执行了图像 增强技术．这些技术包括图像的随机旋转、随机亮度控制、随机平移、随机缩放和随机剪切．选择变换的图像 是为了考虑回收材料的不同方向，并最大化数据集的规模．

二、实验训练

        模型训练与测试均是在Matlab 2019a的深度学习框架下完成的．硬件环境：Intel i7—8750H@2．20GHz CPU，32GB内存；Nvidia RTX2070 GPU，8GB显存．软件环境：CUDA Toolkit 9．0，CUDNN V7．0；Matlab Deep Learning Toolbox；Windows 10 64bit操作系统．模型训练与测试均通过GPU加速．对于迁移学习模型训练，主 要有Epoch、Batch Size和Learning Rate参数．

1. Epoch：一个Epoch指代所有的数据送人网络中完成一次前向计算及反向传播的过程，随着Epoch数 量的增加，神经网络中权重更新迭代的次数增多．
2. Batch Size：Batch是每次送入网络中训练的一部分数据，而Batch Size就是每个Batch中训练图片样 本的数量．为了在内存效率和内存容量之间寻求最佳平衡，Batch Size应该进行精心设置，优化网络模型的性 能及速度．
3. Learning Rate：是深度学习中重要的参数，其决定着训练样本的识别精度，合适的Learning Rate能够 使训练样本的识别精度在合适的时间内达到一个理想值． 随机把可回收生活垃圾数据集中每一类别图片的70％分为训练集、另外30％作为测试集．上述3个参数分别取3个不同值时，共完成27次实验，每次实验中训练模型的耗时和模型的测试精度如表1所示．为了 综合评价每种参数组合的效果．对精度和耗时做归一化处理，作为精度和耗时的得分，将精度得分和耗时得 分分别按0．6和0．4加权平均．可得综合得分．根据综合得分，可见Epoch、Batch Size和Learning Rate参数组 合分别取(5，32，10‘3)和(10，32，10。3)时，迁移学习效果最好． 考虑NtJll练过程中可能存在的随机误差，对(5，32，10。3)和(10，32，10‘3)这两个组合，再重复进行4次 实验，可得表2的实验数据．可见这两个参数组合所得的迁移模型精度比较接近，但(5，32，10。)组合的训练 耗时比(10，32，10。)组合少得多．图4和图5是两个组合训练时的过程曲线．可见，在Batch Size和Learning Rate取得合适的值时，Epoch的增加可以提高一定的精度。

三、实验代码

function varargout = main(varargin)
% MAIN MATLAB code for main.fig
%      MAIN, by itself, creates a new MAIN or raises the existing
%      singleton*.
%
%      H = MAIN returns the handle to a new MAIN or the handle to
%      the existing singleton*.
%
%      MAIN('CALLBACK',hObject,eventData,handles,...) calls the local
%      function named CALLBACK in MAIN.M with the given input arguments.
%
%      MAIN('Property','Value',...) creates a new MAIN or raises the
%      existing singleton*.  Starting from the left, property value pairs are
%      applied to the GUI before main_OpeningFcn gets called.  An
%      unrecognized property name or invalid value makes property application
%      stop.  All inputs are passed to main_OpeningFcn via varargin.
%
%      *See GUI Options on GUIDE's Tools menu.  Choose "GUI allows only one
%      instance to run (singleton)".
%
% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help main

% Last Modified by GUIDE v2.5 14-Apr-2022 22:27:41

% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct('gui_Name',       mfilename, ...
                   'gui_Singleton',  gui_Singleton, ...
                   'gui_OpeningFcn', @main_OpeningFcn, ...
                   'gui_OutputFcn',  @main_OutputFcn, ...
                   'gui_LayoutFcn',  [] , ...
                   'gui_Callback',   []);
if nargin && ischar(varargin{1})
    gui_State.gui_Callback = str2func(varargin{1});
end

if nargout
    [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
    gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT


% --- Executes just before main is made visible.
function main_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject    handle to figure
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)
% varargin   command line arguments to main (see VARARGIN)

% Choose default command line output for main
handles.output = hObject;

% Update handles structure
guidata(hObject, handles);
cla reset;
box on;
set(handles.axes1,'xtick',[]);
set(handles.axes1,'ytick',[]);
cla reset;
box on; %在坐标轴四周加上边框
set(handles.axes2,'xtick',[]);
set(handles.axes2,'ytick',[]);
box on; %在坐标轴四周加上边框
cla reset;
set(handles.axes3,'xtick',[]);
set(handles.axes3,'ytick',[]);
set(handles.edit1,'string','');
set(handles.edit2,'string','');

% UIWAIT makes main wait for user response (see UIRESUME)
% uiwait(handles.figure1);


% --- Outputs from this function are returned to the command line.
function varargout = main_OutputFcn(hObject, eventdata, handles) 
% varargout  cell array for returning output args (see VARARGOUT);
% hObject    handle to figure
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure
varargout{1} = handles.output;


% --- Executes on button press in pushbutton1.
function pushbutton1_Callback(hObject, eventdata, handles)
% hObject    handle to pushbutton1 (see GCBO)
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)
global filepath
filepath = uigetdir('*.*','请选择文件夹');%fliepath为文件夹路径


% --- Executes on button press in pushbutton2.
function pushbutton2_Callback(hObject, eventdata, handles)
% hObject    handle to pushbutton2 (see GCBO)
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)
global filepath
if filepath==0|isequal(filepath,0)|~exist(filepath,'dir')
    warndlg('文件夹不存在,请重新选择!','warning');
    return;
end
%%  数据集 %%
% 数据集,每个文件的标签是其所在文件夹
datas=imageDatastore(filepath,'LabelSource','foldernames');
% datas.Labels 标签
% datas.Files  路径+文件名

数量一定要相同
    softmaxLayer % 分类层
    classificationLayer];

%%  参数设定 %%
% 参数配置   
% 验证集才加入
%'ValidationData',valImg,...
%'ValidationFrequency',6,...
options=trainingOptions('sgdm',...
    'MiniBatchSize',10,... % 10
    'MaxEpochs',8,...
    'Shuffle','every-epoch',...
    'InitialLearnRate',1e-4,...
    'Verbose',true,... %命令窗口显示指标
    'Plots','training-progress');

% ,TrainingAccuracy,TrainingLoss
[net_cnn,info]=trainNetwork(trainImg,layers,options);

axes(handles.axes1);
plot(info.TrainingAccuracy);
xlabel('迭代');
ylabel('Accuracy(%)');
axes(handles.axes2);
plot(info.TrainingLoss);
xlabel('迭代');
ylabel('Loss');
%% 模型存储 %%
% 保存模型名称+训练好的模型
save net_cnn net_cnn;

res=num2str(accuracy*100);
res=strcat(res,'%'); 
set(handles.edit1, 'String',res);


% --- Executes on button press in pushbutton3.
function pushbutton3_Callback(hObject, eventdata, handles)
% hObject    handle to pushbutton3 (see GCBO)
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)
global str;
[filename,pathname]=uigetfile({'*.mat'});
str=[pathname filename];
if isequal(filename,0)|isequal(pathname,0)
    warndlg('模型不存在,请重试!','warning');
    return;
end

参考文献

【1】宁凯,张东波.基于视觉感知的智能扫地机器人的垃圾检测与分类[J].

【2】 刘雅璇,潘万彬.基于自我训练的长效垃圾分类方法[J].

详情资料请扣扣：1341703358，今后应进一步 丰富可回收垃圾图像数据集，建立混合垃圾图像的分类与识别模型，以进一步提升可回收垃圾图像模型的识 别准确率．