代码收藏家技术教程 2022-11-18

基于深度学习的垃圾分类识别系统

文章目录

前言

一、环境准备

1.准备python、pycharm

2.准备pytorch

前言

根据一些资料和日常生活经验，一般情况下将日常垃圾分类为：厨余垃圾、其他垃圾、有害垃圾和可回收垃圾。

该课题研究的垃圾自动分类系统能够帮助人们进行垃圾分类，防止因错误投放造成的污染，并且减少了后期垃圾分拣的工作量，从而缩短了整个处理过程所需要的时间，并且加强了居民内心深处垃圾分类的意识，对保护环境有着重要意义，进一步推动了高质量的绿色城市的建设。

一、环境准备

1.准备python、pycharm

去官网下载对应的版本即可

2.准备pytorch

（1）安装anaconda

打开Anaconda Prompt，看到第一行左面有（base）即安装成功。如下图所示：

使用conda指令创建一个虚拟环境python3.5版本，输入命令：conda create-n python=3.5之后，弹出提示，输入y，即可安装；

输入指令：conda activate pytorch进入pytorch环境，准备安装pytorch。如下图所示，当左面的base变成pytorch后，说明已经进入了pytorch环境。

（2）安装pytorch

打开官网找到推荐的版本，在命令行中输入对应命令，等待安装。最后检查是否安装成功，输入python，之后输入import torch，如果没有报错，则安装结束，如下图所示：

二、构建数据集

1.准备图像

可回收垃圾	189种	39143张图片
厨余垃圾	100种	20123张图片
其他垃圾	44种	4531张图片
有害垃圾	10种	1686张图片

可回收垃圾包含有189个种类，有39143个训练项目；厨余垃圾有100个种类，包括20123个训练项目；其他垃圾有44个种类的垃圾，包含4531个项目；而有害垃圾有10个种类的垃圾，包含1686个训练项目。

2.图像标签

三、代码实现

本文选择了ResNet网络结构，基于ResNet我们选择了ResNet50模型

Resnet模型代码示例：

class ResNet18(nn.Module):

    def __init__(self, num_class):
        super(ResNet18, self).__init__()

        self.conv1 = nn.Sequential(
            nn.Conv2d(3, 16, kernel_size=3, stride=3, padding=0),
            nn.BatchNorm2d(16)
        )
        # followed 4 blocks
        # [b, 16, h, w] => [b, 32, h ,w]
        self.blk1 = ResBlk(16, 32, stride=3)
        # [b, 32, h, w] => [b, 64, h, w]
        self.blk2 = ResBlk(32, 64, stride=3)
        # # [b, 64, h, w] => [b, 128, h, w]
        self.blk3 = ResBlk(64, 128, stride=2)
        # # [b, 128, h, w] => [b, 256, h, w]
        self.blk4 = ResBlk(128, 256, stride=2)

        # [b, 256, 7, 7]
        self.outlayer = nn.Linear(256*3*3, num_class)

    def forward(self, x):
        """
        :param x:
        :return:
        """
        x = F.relu(self.conv1(x))

        # [b, 64, h, w] => [b, 1024, h, w]
        x = self.blk1(x)
        x = self.blk2(x)
        x = self.blk3(x)
        x = self.blk4(x)

        # print(x.shape)
        x = x.view(x.size(0), -1)
        x = self.outlayer(x)


        return x

训练网络train文件代码如下：

batchsz = 32
lr = 1e-4
epochs =1

device = torch.device('cpu')##cuda 改 cpu
torch.manual_seed(1234)

train_db = Data('train_data', 224, mode='train')
val_db = Data('train_data', 224, mode='val')
test_db = Data('train_data', 224, mode='test')
train_loader = DataLoader(train_db, batch_size=batchsz, shuffle=True,
                          num_workers=4)
val_loader = DataLoader(val_db, batch_size=batchsz, num_workers=4)
test_loader = DataLoader(test_db, batch_size=batchsz, num_workers=4)

viz = visdom.Visdom()


def evalute(model, loader):
    model.eval()

    correct = 0
    total = len(loader.dataset)

    for x, y in loader:
        x, y = x.to(device), y.to(device)
        with torch.no_grad():
            logits = model(x)
            pred = logits.argmax(dim=1)
        correct += torch.eq(pred, y).sum().float().item()

    return correct / total

四、训练结果

运行train文件后，我们可以看到经过数十次的迭代之后，最终网络模型的准确率还是比较可观的，最好的批次是第十次，其准确率达到98%，但是测试的最终的准确率大约为96.7%，其运行界面如下：

与此同时生成了可视化结果图，结果图显示，随着迭代次数的不断增加，损失函数值逐渐变小并趋于0，并且训练数据的准确性逐渐达到1，具体结果图如下所示：

系统整体准确率很高，实际应用性很强

五、系统测试

测试的代码如下所示：

def prediect(img_path):
    net=torch.load('model.pkl')
    net=net.to(device)
    torch.no_grad()
    img=Image.open(img_path)
    img=transform(img).unsqueeze(0)
    img_ = img.to(device)
    outputs = net(img_)
    _, predicted = torch.max(outputs, 1)
    # print(predicted)
    print(classes[predicted[0]])

if __name__ == '__main__':
    prediect('./test/img_除湿袋_9.jpeg')

将数据集中一部分图片取出来作为测试的数据集，避免训练网络的数据和测试的数据重复的情况，确保了系统的实用性。将测试的图片导入其中，可以看到除湿袋被定义为其他垃圾，经查证后结果正确，结果图如下所示：