基于深度学习的垃圾分类系统设计与实现
发布时间：2022-08-23 10:51
工业革命使得人类的生产力水平以指数级提升,也使得垃圾数量飞速上涨,如何处置垃圾在全世界范围变成一个棘手的问题。垃圾分类作为资源回收利用的重要环节之一,可以有效地提高资源回收利用效率,减轻环境污染带来的危害。传统的图像分类算法很难满足垃圾分拣设备的要求,随着深度学习技术的发展,使借助视觉技术自动分拣垃圾具有了现实的可能性。通过摄像头拍摄垃圾图片,利用卷积神经网络检测出垃圾的类别及位置,借助机械手或推板自动完成分拣任务,可以降低人工成本,提高分拣效率。因此,开展垃圾图像分类算法的研究,具有理论意义和重要的应用价值。本文将目标检测算法以及视频跟踪技术结合起来,在传送带环境下模拟了垃圾分类的场景,实现了垃圾的自动定位,可以将垃圾的坐标提供给后面的机械手或机械推板,完成分拣过程。本文的主要研究内容包括:（1）根据华为垃圾分类公开数据集,标注建立了垃圾检测数据集;（2）研究了各种分类模型,最终选定ResNet101作为检测的主干网络,提出了网络中加入注意力机制与特征融合机制的技术方案,能够更好地提取垃圾图像信息,并完成了消融实验;（3）选择了SSD作为检测网络的baseline,利用模型压缩技术,...
【文章页数】：99 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 选题的背景和意义
1.2 国内外相关领域的研究和应用现状
1.3 论文内容及组织结构
1.4 本章小结
第2章 深度学习理论及技术基础
2.1 卷积神经网络(CNN)
2.1.1 卷积层
2.1.2 池化层
2.1.3 激活函数
2.1.4 全连接/Softmax
2.1.5 误差反向传播
2.2 图像分类模型
2.2.1 AlexNet模型
2.2.2 VGGNet和 GoogleNet模型
2.2.3 ResNet
2.3 基于区域提名的目标检测模型
2.3.1 R-CNN和 SPP-net模型
2.3.2 Fast R-CNN模型
2.3.3 Faster R-CNN模型
2.4 端到端的目标检测模型
2.4.1 YOLO模型
2.4.2 SSD模型
2.5 目标检测评价指标
2.6 深度学习框架PyTorch
2.7 本章小结
第3章 基于特征融合和注意力机制的垃圾检测算法
3.1 引言
3.2 垃圾检测数据集
3.2.1 华为垃圾分类数据集介绍
3.2.2 垃圾检测算法的数据集标注
3.3 防止过拟合技术
3.3.1 数据增强技术
3.3.2 Dropout技术
3.3.3 Batch Normalization技术
3.4 垃圾分类主干网络选取与改进
3.4.1 GCNet总体架构
3.4.2 空间注意力与通道注意力结合模块
3.4.3 特征融合模块
3.4.4 损失函数修改
3.4.5 分类实验评估
3.5 改进的SSD检测算法
3.5.1 改进的SSD总体架构
3.5.2 残差预测模块
3.5.3 检测试验评估
3.5.4 检测结果可视化
3.6 本章小结
第4章 多目标垃圾视频追踪算法
4.1 SORT算法
4.2 Deep SORT算法
4.3 实验数据集和评估指标
4.4 视频追踪实验结果
4.5 本章小结
第5章 垃圾分类系统的设计与实现
5.1 引言
5.2 系统总体实现
5.3 垃圾实时检测模块
5.4 垃圾检测系统测试
5.5 本章小结
第6章 结论与展望
6.1 研究总结
6.2 未来展望
参考文献
致谢
作者简历及攻读学位期间发表的学术论文与研究成果
【参考文献】：
期刊论文
[1]以史为鉴，开启垃圾分类新时代[J]. 吕益敏. 城乡建设. 2020(03)
[2]基于机器视觉的建筑垃圾自动分类系统研究[J]. 郑龙海,袁祖强,殷晨波,陈曦,刘久晨. 机械工程与自动化. 2019(06)
[3]生活垃圾分类的国内外对比与分析[J]. 张黎. 环境卫生工程. 2019(05)
[4]浅谈城市垃圾的处理方法[J]. 彭永根,沈娟. 江西化工. 2019(05)
[5]改进CaffeNet模型在水面垃圾识别中的应用[J]. 向伟,史晋芳,刘桂华,徐锋,黄占鳌. 传感器与微系统. 2019(08)
[6]中国城市生活垃圾处理现状及展望[J]. 李磊,袁光钰. 世界环境. 2017(06)
[7]基于计算机视觉的废物垃圾分析与识别研究[J]. 吴健,陈豪,方武. 信息技术与信息化. 2016(10)
本文编号：3677630
【文章页数】：99 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 选题的背景和意义
1.2 国内外相关领域的研究和应用现状
1.3 论文内容及组织结构
1.4 本章小结
第2章 深度学习理论及技术基础
2.1 卷积神经网络(CNN)
2.1.1 卷积层
2.1.2 池化层
2.1.3 激活函数
2.1.4 全连接/Softmax
2.1.5 误差反向传播
2.2 图像分类模型
2.2.1 AlexNet模型
2.2.2 VGGNet和 GoogleNet模型
2.2.3 ResNet
2.3 基于区域提名的目标检测模型
2.3.1 R-CNN和 SPP-net模型
2.3.2 Fast R-CNN模型
2.3.3 Faster R-CNN模型
2.4 端到端的目标检测模型
2.4.1 YOLO模型
2.4.2 SSD模型
2.5 目标检测评价指标
2.6 深度学习框架PyTorch
2.7 本章小结
第3章 基于特征融合和注意力机制的垃圾检测算法
3.1 引言
3.2 垃圾检测数据集
3.2.1 华为垃圾分类数据集介绍
3.2.2 垃圾检测算法的数据集标注
3.3 防止过拟合技术
3.3.1 数据增强技术
3.3.2 Dropout技术
3.3.3 Batch Normalization技术
3.4 垃圾分类主干网络选取与改进
3.4.1 GCNet总体架构
3.4.2 空间注意力与通道注意力结合模块
3.4.3 特征融合模块
3.4.4 损失函数修改
3.4.5 分类实验评估
3.5 改进的SSD检测算法
3.5.1 改进的SSD总体架构
3.5.2 残差预测模块
3.5.3 检测试验评估
3.5.4 检测结果可视化
3.6 本章小结
第4章 多目标垃圾视频追踪算法
4.1 SORT算法
4.2 Deep SORT算法
4.3 实验数据集和评估指标
4.4 视频追踪实验结果
4.5 本章小结
第5章 垃圾分类系统的设计与实现
5.1 引言
5.2 系统总体实现
5.3 垃圾实时检测模块
5.4 垃圾检测系统测试
5.5 本章小结
第6章 结论与展望
6.1 研究总结
6.2 未来展望
参考文献
致谢
作者简历及攻读学位期间发表的学术论文与研究成果
【参考文献】：
期刊论文
[1]以史为鉴，开启垃圾分类新时代[J]. 吕益敏. 城乡建设. 2020(03)
[2]基于机器视觉的建筑垃圾自动分类系统研究[J]. 郑龙海,袁祖强,殷晨波,陈曦,刘久晨. 机械工程与自动化. 2019(06)
[3]生活垃圾分类的国内外对比与分析[J]. 张黎. 环境卫生工程. 2019(05)
[4]浅谈城市垃圾的处理方法[J]. 彭永根,沈娟. 江西化工. 2019(05)
[5]改进CaffeNet模型在水面垃圾识别中的应用[J]. 向伟,史晋芳,刘桂华,徐锋,黄占鳌. 传感器与微系统. 2019(08)
[6]中国城市生活垃圾处理现状及展望[J]. 李磊,袁光钰. 世界环境. 2017(06)
[7]基于计算机视觉的废物垃圾分析与识别研究[J]. 吴健,陈豪,方武. 信息技术与信息化. 2016(10)
本文编号：3677630
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3677630.html
