權(quán)國杰 童彤 李夢瑤

摘 要：垃圾分類，一般是指按一定規(guī)定或標準將垃圾分類儲存、分類投放和分類搬運，從而轉(zhuǎn)變成公共資源的一系列活動的總稱。分類的目的是提高垃圾的資源價值和經(jīng)濟價值，力爭物盡其用。進行垃圾分類收集可以減少垃圾處理量和處理設(shè)備，降低處理成本，減少土地資源的消耗，具有社會、經(jīng)濟、生態(tài)等幾方面的效益。生活垃圾由于種類繁多，具體分類缺乏統(tǒng)一標準，大多人在實際操作時會“選擇困難”，基于遷移學習技術(shù)建立準確的分類模型，利用技術(shù)手段改善人居環(huán)境。

自今年 7 月 1 日起，上海市將正式實施 《上海市生活垃圾管理條例》。垃圾分類，看似是微不足道的“小事”，實則關(guān)系到13億多人生活環(huán)境的改善，理應大力提倡。

垃圾在分類儲存階段屬于公眾的私有品，垃圾經(jīng)公眾分類投放后成為公眾所在小區(qū)或社區(qū)的區(qū)域性準公共資源，垃圾分類搬運到垃圾集中點或轉(zhuǎn)運站后成為沒有排除性的公共資源。從國內(nèi)外各城市對生活垃圾分類的方法來看，大致都是根據(jù)垃圾的成分、產(chǎn)生量，結(jié)合本地垃圾的資源利用和處理方式來進行分類的。

遷移學習是指在一個數(shù)據(jù)集上，重新利用之前已經(jīng)訓練過的卷積神經(jīng)網(wǎng)絡(luò)，并將其遷移到另外的數(shù)據(jù)集上。卷積神經(jīng)網(wǎng)絡(luò)前面的層提取的是圖像的紋理、色彩等特征，而越靠近網(wǎng)絡(luò)后端，提取的特征就會越高級、抽象。所以常用的微調(diào)方法是，保持網(wǎng)絡(luò)中其他參數(shù)不變，只修改預訓練網(wǎng)絡(luò)的最后幾層，最后幾層的參數(shù)在新數(shù)據(jù)集上重新訓練得到。其他層的參數(shù)保持不變，作為特征提取器，之后再使用較小的學習率訓練整個網(wǎng)絡(luò)。因為從零開始訓練整個卷積網(wǎng)絡(luò)是非常困難的，而且要花費大量的時間以及計算資源，所以采取遷移學習的方式是一種有效策略。

通常在非常大的數(shù)據(jù)集上對ConvNet進行預訓練，然后將ConvNet用作初始化或者是固定特征提取器，以下是兩個主要的遷移學習方法：

1.微調(diào)卷積網(wǎng)絡(luò)。使用預訓練的網(wǎng)絡(luò)來初始化網(wǎng)絡(luò)而不使用隨機初始化，比較常用的方法是使用在ImageNet數(shù)據(jù)集上訓練好的模型參數(shù)進行初始化，然后訓練自己的數(shù)據(jù)集。

2.將卷積網(wǎng)絡(luò)作為固定特征提取器。凍結(jié)除了全連接層外的所有其他層的權(quán)重，將最后的那個全連接層替換為具有隨機權(quán)重的層，然后只對該層進行訓練。

要使用遷移學習方法來解決垃圾圖像識別分類問題，就需要大量的垃圾圖片數(shù)據(jù)集，因為當數(shù)據(jù)集太小時，一旦加深模型結(jié)構(gòu)，就很可能出現(xiàn)過擬合的情況，訓練出的模型泛化能力不足，識別準確率不高。而基于遷移學習的方法，預訓練模型已經(jīng)具備了提取圖像基本特征基的能力，這就能在一定程度上減緩過擬合發(fā)生的可能性，將預模型遷移到垃圾圖像數(shù)據(jù)集上進行微調(diào)訓練，提高識別準確率。

該數(shù)據(jù)集包含了 2507 個生活垃圾圖片。垃圾識別分類數(shù)據(jù)集中包括玻璃 （glass） 、硬紙板 （cardboard） 、金屬 （metal） 、紙 （paper） 、塑料 （plastic） 、一般垃圾 （trash） ，共6個類別。

采用遷移學習的方式導入預訓練模型，凍結(jié)特征提取層，進行微調(diào)訓練，選取了SeNet154、Se_ResNet50、Se_ResNext101、ResNext101_32x16d_ WSL四種模型進行對比實驗，選取結(jié)果較好的模型進行調(diào)優(yōu)。

采用ResNext101_32x16d_WSL網(wǎng)絡(luò)作為基本的網(wǎng)絡(luò)結(jié)構(gòu)進行遷移學習，將CBAM注意力機制模塊添加在首層卷積層，來增強圖像特征表征能力，關(guān)注圖像的重要特征抑制不必要的特征，固定除全連接層之外的其他層的權(quán)重。為降低過擬合，在模型全連接層添加了Dropout層，損失函數(shù)采用交叉熵損失函數(shù)（CrossEntropyLoss），優(yōu)化函數(shù)對比了SGD和Adam，Adam在起始收斂速度快，但最終SGD精度高，所以采用了SGD。最終模型結(jié)構(gòu)如下圖所示：

通過運行已經(jīng)構(gòu)建好的模型，得出訓練的模型的準確率是93.03%。選取一組圖片進行測試，我們得出如下圖所示的結(jié)果，模型很好的將各種垃圾的圖片進行了準確的分類，且準確度與之前訓練模型得出的準確率較為一致。

結(jié)論

本文訓練了一個用于垃圾圖片分類識別的模型，采用遷移學習的方法選取性能較好的模型進行調(diào)優(yōu)改進，最終的模型識別準確率在93%以上。對垃圾的分類首先是在圖像識別的基礎(chǔ)上的，因此本文通過使用近幾年來發(fā)展迅速的遷移學習方法設(shè)計一個垃圾分類系統(tǒng)，從而實現(xiàn)對日常生活中常見垃圾進行智能識別分類，提高人們垃圾分類投放意識，同時避免人們錯誤投放而產(chǎn)生的環(huán)境污染。

（1.華北理工大學 藝術(shù)學院? ? 河北省唐山市? ? ?063210;2.華北理工大學 材料科學與工程學院? ? 河北省唐山市? ? ? 063210;3.華北理工大學 管理學院? ?河北省唐山市? 063210）