基于深度学习的生活垃圾分类和检测
发布时间：2021-07-01 09:02
生活垃圾是放错位置的资源,有效的垃圾分类不仅能够保护环境,更能实现资源的再利用。我国有着位居世界前列的总人口数,因此,人们每年会产生相当庞大的垃圾数量,故而我国一直面临着垃圾处理的难题。建国以来,我国对垃圾处理问题一直给予着较高的关注,近年我国出台相关政策,以2020年全国垃圾回收率达到35%为目标,有关部门在全国范围内选取了将近50个城市先行开展生活垃圾强制分类的试点工作,为今后在全国范围内开展垃圾分类工作做好充分的准备。由于强制性的垃圾分类未曾在我国实施过,生活垃圾的分类处理在源头和回收两方面都面临着诸多难题,例如居民垃圾分类意思薄弱,垃圾分类错误率高。而集中垃圾分类则多采用流水线人工分拣存在工作量大、分拣效率低等问题。随着经济的高速发展,人工智能领域的出现,垃圾分类问题也应该与先进的科学技术相结合才能更好的实现垃圾的回收和利用。对我国垃圾分类面临的现状,垃圾分类的智能化、高效化逐渐成为我国亟待解决的问题。本文研究的内容是将优化后的深度学习目标检测模型应用于垃圾分类的问题上,从而实现准确高效的自动化的生活垃圾分类。本文主要将深度学习目标检测模型应用于生活垃圾分类,为提高生活垃圾分类...
【文章来源】：山西大学山西省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
HSV颜色空间
基于深度学习的生活垃圾分类和检测10TN：实际为负例，预测为负例FN：实际为正例，预测为负例精度：召回率：如图2.2所示IOU（IntersectionOverUnion）表示预测框与真实框重叠区域的面积占两个框总面积的比例。一般以0.5作为IOU的阈值[29]。图2.2IOU计算方法首先需要明确，模型在进行验证时会得出预测精度，当预测精度大于设定的预测精度的阈值就会将预测框作为输出，预测精度阈值直接决定了输出哪些预测框，只有超过阈值并输出的预测框才能与真实框计算IOU，进而确定TP、FP的值，另外为了计算recall，目标检测中直接将漏检的数目当做FN。有了TP、FP、FN即可计算出一组精度和召回率分别用P,R表示。根据预测精度阈值可以计算出多组P、R值。以召回率为横坐标，精度为纵坐标建立坐标系，将P、R值绘制到坐标系中就得了PR曲线，在每个PR坐标点向左画一条直线，和前一个PR坐标点的垂线相交，这样得到与坐标轴围成的面积就是AP值。AP值是衡量模型对一个类别的检测能力，将所有类别的AP加起来取平均就得到了mAP。2.3单步多框目标检测SSD是一种一阶段目标检测模型，具有检测准确率高、检测速度快等特点，SSD512的mAP值高达80%，每秒钟可检测19张图片，而SSD300的mAP值为77%，但是检测速度提高到了46fps。这样高的准确率和检测速度足
基于深度学习的生活垃圾分类和检测10TN：实际为负例，预测为负例FN：实际为正例，预测为负例精度：召回率：如图2.2所示IOU（IntersectionOverUnion）表示预测框与真实框重叠区域的面积占两个框总面积的比例。一般以0.5作为IOU的阈值[29]。图2.2IOU计算方法首先需要明确，模型在进行验证时会得出预测精度，当预测精度大于设定的预测精度的阈值就会将预测框作为输出，预测精度阈值直接决定了输出哪些预测框，只有超过阈值并输出的预测框才能与真实框计算IOU，进而确定TP、FP的值，另外为了计算recall，目标检测中直接将漏检的数目当做FN。有了TP、FP、FN即可计算出一组精度和召回率分别用P,R表示。根据预测精度阈值可以计算出多组P、R值。以召回率为横坐标，精度为纵坐标建立坐标系，将P、R值绘制到坐标系中就得了PR曲线，在每个PR坐标点向左画一条直线，和前一个PR坐标点的垂线相交，这样得到与坐标轴围成的面积就是AP值。AP值是衡量模型对一个类别的检测能力，将所有类别的AP加起来取平均就得到了mAP。2.3单步多框目标检测SSD是一种一阶段目标检测模型，具有检测准确率高、检测速度快等特点，SSD512的mAP值高达80%，每秒钟可检测19张图片，而SSD300的mAP值为77%，但是检测速度提高到了46fps。这样高的准确率和检测速度足
【参考文献】：
期刊论文
[1]基于视觉感知的智能扫地机器人的垃圾检测与分类[J]. 宁凯,张东波,印峰,肖慧辉. 中国图象图形学报. 2019(08)
[2]基于优化的Inception ResNet A模块与Gradient Boosting的人群计数方法[J]. 郭瑞琴,陈雄杰,骆炜,符长虹. 同济大学学报(自然科学版). 2019(08)
[3]基于改进YOLOv2的快速安全帽佩戴情况检测[J]. 方明,孙腾腾,邵桢. 光学精密工程. 2019(05)
[4]一种融合移动边缘计算和深度学习的城市街道垃圾检测和清洁度评估方法[J]. 张鹏程,赵齐,高泽宇. 小型微型计算机系统. 2019(04)
[5]针对文本情感分类任务的textSE-ResNeXt集成模型[J]. 康雁,李浩,梁文韬,宁浩宇,霍雯. 计算机工程与应用. 2020(07)
[6]多尺度卷积特征融合的SSD目标检测算法[J]. 陈幻杰,王琦琦,杨国威,韩佳林,尹成娟,陈隽,王以忠. 计算机科学与探索. 2019(06)
[7]基于SSD＿MobileNet模型的ROS平台目标检测[J]. 童星,张激. 计算机系统应用. 2019(01)
[8]人工智能在医学影像中的研究与应用[J]. 韩冬,李其花,蔡巍,夏雨薇,宁佳,黄峰. 大数据. 2019(01)
[9]基于Fast RCNN模型的车辆阴影去除[J]. 潘广贞,孙艳青,王凤. 计算机工程与设计. 2018(03)
[10]基于深度学习的目标检测算法综述[J]. 周晓彦,王珂,李凌燕. 电子测量技术. 2017(11)
博士论文
[1]多视图像增强的RGB-D室内高精度三维测图方法[D]. 汤圣君.武汉大学 2017
硕士论文
[1]深度神经网络的归一化技术研究[D]. 王岩.南京邮电大学 2019
[2]基于深度学习的医学影像检测算法[D]. 陈云.北京邮电大学 2019
[3]基于ShuffleNet网络模型的图片内容自动分类研究[D]. 刘烨.河南大学 2018
[4]基于机器视觉的生活垃圾智能分拣系统的设计与实现[D]. 周滢慜.哈尔滨工业大学 2018
[5]基于深度学习的智能汽车自动转向技术研究[D]. 李超群.武汉理工大学 2018
[6]基于R-CNN的绝缘子图像定位研究[D]. 张蕾.华北电力大学 2018
[7]基于NMF算法的文本聚类研究[D]. 巨瑜芳.中国矿业大学 2014
本文编号：3258843
【文章来源】：山西大学山西省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
HSV颜色空间
基于深度学习的生活垃圾分类和检测10TN：实际为负例，预测为负例FN：实际为正例，预测为负例精度：召回率：如图2.2所示IOU（IntersectionOverUnion）表示预测框与真实框重叠区域的面积占两个框总面积的比例。一般以0.5作为IOU的阈值[29]。图2.2IOU计算方法首先需要明确，模型在进行验证时会得出预测精度，当预测精度大于设定的预测精度的阈值就会将预测框作为输出，预测精度阈值直接决定了输出哪些预测框，只有超过阈值并输出的预测框才能与真实框计算IOU，进而确定TP、FP的值，另外为了计算recall，目标检测中直接将漏检的数目当做FN。有了TP、FP、FN即可计算出一组精度和召回率分别用P,R表示。根据预测精度阈值可以计算出多组P、R值。以召回率为横坐标，精度为纵坐标建立坐标系，将P、R值绘制到坐标系中就得了PR曲线，在每个PR坐标点向左画一条直线，和前一个PR坐标点的垂线相交，这样得到与坐标轴围成的面积就是AP值。AP值是衡量模型对一个类别的检测能力，将所有类别的AP加起来取平均就得到了mAP。2.3单步多框目标检测SSD是一种一阶段目标检测模型，具有检测准确率高、检测速度快等特点，SSD512的mAP值高达80%，每秒钟可检测19张图片，而SSD300的mAP值为77%，但是检测速度提高到了46fps。这样高的准确率和检测速度足
基于深度学习的生活垃圾分类和检测10TN：实际为负例，预测为负例FN：实际为正例，预测为负例精度：召回率：如图2.2所示IOU（IntersectionOverUnion）表示预测框与真实框重叠区域的面积占两个框总面积的比例。一般以0.5作为IOU的阈值[29]。图2.2IOU计算方法首先需要明确，模型在进行验证时会得出预测精度，当预测精度大于设定的预测精度的阈值就会将预测框作为输出，预测精度阈值直接决定了输出哪些预测框，只有超过阈值并输出的预测框才能与真实框计算IOU，进而确定TP、FP的值，另外为了计算recall，目标检测中直接将漏检的数目当做FN。有了TP、FP、FN即可计算出一组精度和召回率分别用P,R表示。根据预测精度阈值可以计算出多组P、R值。以召回率为横坐标，精度为纵坐标建立坐标系，将P、R值绘制到坐标系中就得了PR曲线，在每个PR坐标点向左画一条直线，和前一个PR坐标点的垂线相交，这样得到与坐标轴围成的面积就是AP值。AP值是衡量模型对一个类别的检测能力，将所有类别的AP加起来取平均就得到了mAP。2.3单步多框目标检测SSD是一种一阶段目标检测模型，具有检测准确率高、检测速度快等特点，SSD512的mAP值高达80%，每秒钟可检测19张图片，而SSD300的mAP值为77%，但是检测速度提高到了46fps。这样高的准确率和检测速度足
【参考文献】：
期刊论文
[1]基于视觉感知的智能扫地机器人的垃圾检测与分类[J]. 宁凯,张东波,印峰,肖慧辉. 中国图象图形学报. 2019(08)
[2]基于优化的Inception ResNet A模块与Gradient Boosting的人群计数方法[J]. 郭瑞琴,陈雄杰,骆炜,符长虹. 同济大学学报(自然科学版). 2019(08)
[3]基于改进YOLOv2的快速安全帽佩戴情况检测[J]. 方明,孙腾腾,邵桢. 光学精密工程. 2019(05)
[4]一种融合移动边缘计算和深度学习的城市街道垃圾检测和清洁度评估方法[J]. 张鹏程,赵齐,高泽宇. 小型微型计算机系统. 2019(04)
[5]针对文本情感分类任务的textSE-ResNeXt集成模型[J]. 康雁,李浩,梁文韬,宁浩宇,霍雯. 计算机工程与应用. 2020(07)
[6]多尺度卷积特征融合的SSD目标检测算法[J]. 陈幻杰,王琦琦,杨国威,韩佳林,尹成娟,陈隽,王以忠. 计算机科学与探索. 2019(06)
[7]基于SSD＿MobileNet模型的ROS平台目标检测[J]. 童星,张激. 计算机系统应用. 2019(01)
[8]人工智能在医学影像中的研究与应用[J]. 韩冬,李其花,蔡巍,夏雨薇,宁佳,黄峰. 大数据. 2019(01)
[9]基于Fast RCNN模型的车辆阴影去除[J]. 潘广贞,孙艳青,王凤. 计算机工程与设计. 2018(03)
[10]基于深度学习的目标检测算法综述[J]. 周晓彦,王珂,李凌燕. 电子测量技术. 2017(11)
博士论文
[1]多视图像增强的RGB-D室内高精度三维测图方法[D]. 汤圣君.武汉大学 2017
硕士论文
[1]深度神经网络的归一化技术研究[D]. 王岩.南京邮电大学 2019
[2]基于深度学习的医学影像检测算法[D]. 陈云.北京邮电大学 2019
[3]基于ShuffleNet网络模型的图片内容自动分类研究[D]. 刘烨.河南大学 2018
[4]基于机器视觉的生活垃圾智能分拣系统的设计与实现[D]. 周滢慜.哈尔滨工业大学 2018
[5]基于深度学习的智能汽车自动转向技术研究[D]. 李超群.武汉理工大学 2018
[6]基于R-CNN的绝缘子图像定位研究[D]. 张蕾.华北电力大学 2018
[7]基于NMF算法的文本聚类研究[D]. 巨瑜芳.中国矿业大学 2014
本文编号：3258843
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3258843.html
