圖像識(shí)別與分類在許多領(lǐng)域都有著廣泛的應(yīng)用

圖像識(shí)別是利用計(jì)算機(jī)對(duì)圖像進(jìn)行處理、分析和理解，以識(shí)別各種不同模式的目標(biāo)和對(duì)象的技術(shù)，是應(yīng)用深度學(xué)習(xí)算法的一種實(shí)踐應(yīng)用。圖像分類是根據(jù)圖像的語義信息對(duì)不同類別圖像進(jìn)行區(qū)分，是計(jì)算機(jī)視覺的核心，是物體檢測、圖像分割、物體跟蹤、行為分析、人臉識(shí)別等其他高層次視覺任務(wù)的基礎(chǔ)。圖像識(shí)別與分類在許多領(lǐng)域都有著廣泛的應(yīng)用。

一、垃圾圖像識(shí)別及分類

研究背景：垃圾分類可以實(shí)現(xiàn)資源的回收利用，是解決垃圾處理問題的有效方式。傳統(tǒng)的手工垃圾分揀的效率低、成本高，因此，如何將垃圾自動(dòng)按類處理具有重要的研究意義。

[1].Engineering; Study Results from Ho Chi Minh City University of Technology Hutech Update Understanding of Engineering (A Novel Framework for Trash Classification Using Deep Transfer Learning)[J].Journal of Engineering,2020.

數(shù)據(jù)來源：TrashNet數(shù)據(jù)集和自制越南垃圾數(shù)據(jù)集（VN-trash dataset），該數(shù)據(jù)集由來自越南的有機(jī)、無機(jī)和醫(yī)療廢物三個(gè)不同類別的5904幅圖像組成。

數(shù)據(jù)處理方法：選擇ResNext架構(gòu)作為應(yīng)用遷移學(xué)習(xí)的基礎(chǔ)模型，修改了原始ResNext-101模型，在全局平均池層之后添加了兩個(gè)完全連接的層。輸入圖像的被歸一化為0和1之間的值。在訓(xùn)練和測試階段，通過水平翻轉(zhuǎn)和隨機(jī)裁剪方式，進(jìn)行數(shù)據(jù)增強(qiáng)處理生成更多的圖像。在訓(xùn)練階段，為每個(gè)特定的廢物類別呈現(xiàn)的輸入圖像被輸入到我們建議的體系結(jié)構(gòu)中。在最后一層，選用softmax函數(shù)的對(duì)數(shù)作為分類器，Adam作為優(yōu)化器。在TrashNet數(shù)據(jù)集和VN-trash數(shù)據(jù)集60%的圖像作為訓(xùn)練集，20%作為驗(yàn)證集，20%作為測試集。選擇Desenet121_Aral、RecycleNet和ResNet_Ruiz模型作為對(duì)比試驗(yàn)，驗(yàn)證所設(shè)計(jì)模型的有效性。

研究結(jié)論：DNN垃圾分類器在垃圾網(wǎng)和虛擬垃圾數(shù)據(jù)集上的準(zhǔn)確率分別為94%和98%，在這兩個(gè)實(shí)驗(yàn)數(shù)據(jù)集上均優(yōu)于現(xiàn)有的垃圾分類方法。

與同類研究相比優(yōu)缺點(diǎn)：提供了兩個(gè)實(shí)驗(yàn)數(shù)據(jù)集，一個(gè)基于公開數(shù)據(jù)集，一個(gè)自制數(shù)據(jù)集，使模型訓(xùn)練更具泛化性。但是對(duì)圖像的分割并沒有針對(duì)性，圖像背景比較平衡，未考慮不平衡背景下的圖像分類。

文獻(xiàn)閱讀價(jià)值：開發(fā)了用于垃圾分類的深度神經(jīng)網(wǎng)絡(luò)模型DNN-TC，對(duì)ResNext模型的改進(jìn)，提高了預(yù)測性能。

[2]Bobulski Janusz, Kubanek Mariusz, Yang Miin-Shen. Deep Learning for Plastic Waste Classification System[J].Applied Computational Intelligence and Soft Computing,2021,2021.

數(shù)據(jù)來源：WaDaBa數(shù)據(jù)集，包括聚酯（PET）、聚乙烯（PE-HD）、聚苯乙烯（PS）、聚丙烯（PP）四類垃圾圖像。

數(shù)據(jù)處理方法：對(duì)PET圖像旋轉(zhuǎn)24°、PE-HD圖像旋轉(zhuǎn)6°、PS圖像旋轉(zhuǎn)5°、PP圖像旋轉(zhuǎn)7°對(duì)圖像進(jìn)行增強(qiáng)，獲得33000張PET圖像，36000張PE-HD圖像、37440張PS圖像，3380張PP圖像。對(duì)圖像進(jìn)行分割，得到尺寸為120×120和227×227像素的輸入圖像。構(gòu)建兩個(gè)卷積神經(jīng)網(wǎng)絡(luò)，第一個(gè)基于AlexNet網(wǎng)絡(luò)構(gòu)建，包含23層，第一個(gè)卷積層大小為11×11，輸入圖像大小為227×227；第二個(gè)神經(jīng)網(wǎng)絡(luò)為自己構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)，包括15層，第一個(gè)卷積層由64個(gè)大小為9×9的卷積核構(gòu)成，輸入圖像大小為120×120。學(xué)習(xí)率初始值設(shè)為0.001，每4次迭代減少一次，借助Matlab實(shí)現(xiàn)模型訓(xùn)練與測試。90%數(shù)據(jù)用來訓(xùn)練，10%數(shù)據(jù)用來測試模型。對(duì)比文章所設(shè)計(jì)模型與AlexNet模型以及MobileNet v.1、MobileNet v.2模型的效率。

研究結(jié)論：15層網(wǎng)絡(luò)對(duì)于120×120像素的圖像比23層網(wǎng)絡(luò)對(duì)于227×227像素的圖像具有更好的性能，而且時(shí)間短，但效率低于其他神經(jīng)網(wǎng)絡(luò)模型。

與同類研究相比優(yōu)缺點(diǎn)：所設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與其他模型相比規(guī)模小得多，但同時(shí)也損失了一部分效率。

文獻(xiàn)閱讀價(jià)值：提出了一種可應(yīng)用于便攜式設(shè)備的廢物識(shí)別技術(shù)，有助于解決城市塑料廢物問題。

[3]Hanxiang Wang,Yanfen Li,L. Minh Dang,Jaesung Ko,Dongil Han,Hyeonjoon Moon. Smartphone-based bulky waste classification using convolutional neural networks[J]. Multimedia Tools and Applications,2020,79(prepublish).

數(shù)據(jù)來源：從Yahoo，Bing，Google， Baidu， andNaver網(wǎng)站采集到95類圖像數(shù)據(jù)69737張。

數(shù)據(jù)處理方法：所有圖像數(shù)據(jù)儲(chǔ)存為224 × 224的彩色圖像。90%圖像作為訓(xùn)練集，10%作為測試集。在訓(xùn)練階段選擇VGG-19、ResNet50和Inception-V3網(wǎng)絡(luò)進(jìn)行參數(shù)訓(xùn)練，對(duì)比三個(gè)網(wǎng)絡(luò)的性能，選擇最優(yōu)性能的網(wǎng)絡(luò)VGG-19。對(duì)VGG-19進(jìn)行微調(diào)：預(yù)訓(xùn)練模型的所有卷積層都被初始化，并且前幾個(gè)卷積層的參數(shù)被凍結(jié)。在匯集層和最后一個(gè)卷積塊的卷積層之間增加兩個(gè)卷積核大小為3×3的卷積層。第五個(gè)卷積塊中的卷積層數(shù)從4變?yōu)?，在兩個(gè)全連接層之間添加批量標(biāo)準(zhǔn)化層。采用基于低價(jià)敏感直接學(xué)習(xí)法和集成學(xué)習(xí)法的三種方法處理圖像數(shù)據(jù)不平衡問題：通過設(shè)置權(quán)重參數(shù)來減少不平衡數(shù)據(jù)的影響，被稱為CW_VGG19；從VGG-19模型中提取的特征分別被饋送到XGBoost分類器(XGB_VGG19)和LightGBM分類器(LGB_VGG19)來處理不平衡數(shù)據(jù)，對(duì)比三種方法的性能，選擇LGB_VGG19方法。進(jìn)一步測試原始VGG-19、微調(diào)后的VGG-19和LGB-VGG19的性能，并在垃圾網(wǎng)數(shù)據(jù)集上與DNN-TC模型進(jìn)行比較。最后基于Kaggle數(shù)據(jù)集將不同CNN架構(gòu)，包括VGG-16、ResNet、Mobile-Net、Inception-Net和Dense-Net進(jìn)行對(duì)比。

研究結(jié)論：微調(diào)VGG-19是收集數(shù)據(jù)集的最佳模型，精度為86.19%；LGB_VGG19模型和XGB_VGG19模型比CW_VGG19模型相對(duì)穩(wěn)定，隨著不平衡率的增加，LGB_VGG19模型的AUC值高于XGB_VGG19模型。至于運(yùn)行時(shí)間，LGB_VGG19型號(hào)比其他型號(hào)快得多。

與同類研究相比優(yōu)缺點(diǎn)：數(shù)據(jù)集圖像種類豐富，但最終的VGG-19模型由于參數(shù)多，對(duì)計(jì)算機(jī)內(nèi)存的要求更高。而且在訓(xùn)練采集的數(shù)據(jù)集之前，由于采集的數(shù)據(jù)集較大，對(duì)背景復(fù)雜的圖像沒有進(jìn)行圖像預(yù)處理操作，對(duì)識(shí)別結(jié)果有影響。

文獻(xiàn)閱讀價(jià)值：選用多種方法解決圖像數(shù)據(jù)不平衡問題，為數(shù)據(jù)不平衡的處理提供了思路。

[4]王莉,何牧天,徐碩,袁天,趙天翊,劉建飛.基于YOLOv5s網(wǎng)絡(luò)的垃圾分類和檢測[J].包裝工程,2021,42(08):50-56.

數(shù)據(jù)來源：實(shí)驗(yàn)自制了一個(gè)垃圾數(shù)據(jù)集，包括紙盒、塑料瓶、易拉罐、玻璃瓶、藥瓶、電池、塑料袋、廢紙、衣服、磚頭、水果和蔬菜12類垃圾。

數(shù)據(jù)處理方法：采用數(shù)據(jù)增廣的方式將樣本個(gè)數(shù)增至原來的4倍，用labelimg工具對(duì)圖片中垃圾物體進(jìn)行了標(biāo)注，按照8∶2 的比例將數(shù)據(jù)集劃分為訓(xùn)練集和測試集。實(shí)驗(yàn)的運(yùn)行環(huán)境為CPU為Intel i77800X，GPU為GeForceGTX 1080ti，內(nèi)存為16G，操作系統(tǒng)為ubuntu16.04，安裝CUDA9.0庫文件，開發(fā)語言為Python，Pytorch框架。Coco和Voc數(shù)據(jù)集上的訓(xùn)練結(jié)果初始化Yolov5s的網(wǎng)絡(luò)參數(shù)，參數(shù)訓(xùn)練采用SGD優(yōu)化算法，參數(shù)設(shè)置Batch為32；最大迭代次數(shù)為400；動(dòng)量因子為0.9；權(quán)重衰減系數(shù)為0.0005。采用余弦退火策略動(dòng)態(tài)調(diào)整學(xué)習(xí)率，初始學(xué)習(xí)率為0.01。采用GIOU Loss作為損失函數(shù)。繪制損失函數(shù)圖，將Yolov5s和Yolov3在自制垃圾數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)對(duì)比，驗(yàn)證實(shí)驗(yàn)方法的有效性。

研究結(jié)論：基于 YOLOv5s 網(wǎng)絡(luò)的垃圾分類檢測模型在不同光照、視角等條件下，檢測準(zhǔn)確率高，魯棒性好、計(jì)算速度快，有助于促進(jìn)垃圾處理公司實(shí)現(xiàn)智能分揀，提高工作效率。

與同類研究相比優(yōu)缺點(diǎn)：自制的垃圾分類數(shù)據(jù)集考慮了不同光照、角度、距離和遮擋情況，使模型更具普適性。

文獻(xiàn)閱讀價(jià)值：通過研究基于視覺的垃圾檢測與分類模型，實(shí)現(xiàn)對(duì)垃圾的自動(dòng)識(shí)別和檢測。

[5]康莊,楊杰,郭濠奇.基于機(jī)器視覺的垃圾自動(dòng)分類系統(tǒng)設(shè)計(jì)[J].浙江大學(xué)學(xué)報(bào)(工學(xué)版),2020,54(07):1272-1280+1307.

數(shù)據(jù)來源：數(shù)據(jù)集來源于網(wǎng)上和現(xiàn)實(shí)生活拍照，共14種物體4168張圖片。

數(shù)據(jù)處理方法：利用設(shè)計(jì)好的垃圾分類硬件系統(tǒng)將所有垃圾分為可回收和不可回收兩大類，其中訓(xùn)練樣本占60%，即2500張；驗(yàn)證樣本數(shù)量占20%，即834張；測試樣本占20%，即834張。以Inception v3為特征提取網(wǎng)絡(luò)，優(yōu)化算法使用RMSprop替代SGD，使用LSR方法降低過擬合，采用獨(dú)熱編碼的形式進(jìn)行模型訓(xùn)練。使用2個(gè)1×n和n×1的卷積核取代n×n的卷積核，在模型的全連接層進(jìn)行批標(biāo)準(zhǔn)化操作。采用遷移學(xué)習(xí)方法對(duì) Inceptionv3模型進(jìn)行重訓(xùn)練?；贗mage Net數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練，訓(xùn)練批次大小為32，激活函數(shù)選擇ReLU函數(shù)，學(xué)習(xí)率為0.001得到預(yù)訓(xùn)練模型；將Inception v3全連接層前的所有卷積層參數(shù)保留不變，將最后的全連接層的輸出由原來1000變?yōu)?4（14中垃圾種類），在自制垃圾數(shù)據(jù)集上繼續(xù)訓(xùn)練，得到垃圾識(shí)別分類模型。在公共數(shù)據(jù)集cifar-10上進(jìn)行驗(yàn)證，將Inception v3模型與當(dāng)下較流行的LeNet、Alex Net、Vgg和ResNet模型進(jìn)行對(duì)比，進(jìn)行105次迭代訓(xùn)練。訓(xùn)練完成后比較各模型的準(zhǔn)確率和損失值。

研究結(jié)論：系統(tǒng)能夠有效地進(jìn)行垃圾種類的識(shí)別和完成垃圾的分類回收。

與同類研究相比優(yōu)缺點(diǎn)：以研究設(shè)計(jì)多箱體垃圾桶或者其他結(jié)構(gòu)的垃圾回收裝置，滿足更多目標(biāo)類別的分揀需求。

文獻(xiàn)閱讀價(jià)值：提出基于機(jī)器視覺的垃圾自動(dòng)分類系統(tǒng)，設(shè)計(jì)垃圾分類的硬件系統(tǒng)，該系統(tǒng)可以滿足可回收和不可回收垃圾分類的要求。

[6]和澤.基于遷移學(xué)習(xí)的垃圾分類研究[D].寧夏大學(xué),2020.

數(shù)據(jù)來源：數(shù)據(jù)集使用華為云的公開數(shù)據(jù)集，該數(shù)據(jù)集包括可回收物、廚余垃圾、有害垃圾和其他垃圾四個(gè)大類，每類分為若干小類，共40個(gè)類別14802張圖片。

數(shù)據(jù)處理方法：首先通過標(biāo)注新數(shù)據(jù)的方法增加4100張圖片，增加了少類別樣本數(shù)量。使用Keras提供的ImageDataGenerator方法對(duì)樣本數(shù)量在300張以下的類別數(shù)據(jù)進(jìn)行隨機(jī)幾何變換進(jìn)行數(shù)據(jù)增強(qiáng)。使每個(gè)類別的樣本數(shù)均在300張以上，數(shù)據(jù)集的各類別樣本數(shù)據(jù)趨于平衡。將數(shù)據(jù)集進(jìn)行9：1拆分，90%的樣本當(dāng)作訓(xùn)練集，10%的樣本當(dāng)作測試集進(jìn)行訓(xùn)練。采用MobileNetV2模型，設(shè)置相同的數(shù)據(jù)集和參數(shù)，進(jìn)行三組預(yù)訓(xùn)練對(duì)比實(shí)驗(yàn)：隨機(jī)權(quán)重分類器對(duì)權(quán)重隨機(jī)初始化，并進(jìn)行訓(xùn)練；訓(xùn)練全連接層分類器對(duì)模型卷積層凍結(jié)，訓(xùn)練全連接層；微調(diào)分類器凍結(jié)模型的前128層，訓(xùn)練其余的卷積層和全連接層。每個(gè)實(shí)驗(yàn)訓(xùn)練過程中都迭代200次，采用AdamOptimizer優(yōu)化函數(shù)，學(xué)習(xí)率設(shè)置0.0001，在分類層使用softmax層作為分類器，損失函數(shù)使用多分類交叉熵?fù)p失函數(shù)。使用微調(diào)模型的遷移學(xué)習(xí)方法，采用VGG16、ResNET50與MobileNetV2進(jìn)行模型對(duì)比實(shí)驗(yàn)，采用100張圖片進(jìn)行推理實(shí)驗(yàn)，并用平均值計(jì)算單張圖片推理時(shí)間。

研究結(jié)論：三個(gè)分類器分類效果最好的是微調(diào)分類器，最差的是隨機(jī)權(quán)重分類器，訓(xùn)練全連接層分類器是處于中間的性能，MobileNetV2模型相對(duì)于VGG16、ResNET50模型在移動(dòng)和嵌入式等便攜式設(shè)備上做了明顯的優(yōu)化，提升了模型精度且降低了存儲(chǔ)空間的要求。最后使用訓(xùn)練好的MobileNetV2模型對(duì)垃圾進(jìn)行分類。

與同類研究相比優(yōu)缺點(diǎn)：分別從預(yù)訓(xùn)練模型三種策略和不同模型之間進(jìn)行對(duì)比，基于微調(diào)分類器的MobileNetV2模型更具說服力。但是研究所獲取的數(shù)據(jù)集偏少且類別不平衡。

文獻(xiàn)閱讀價(jià)值：以遷移學(xué)習(xí)為基礎(chǔ)提出了基于輕量型網(wǎng)絡(luò)MobileNetV2的垃圾分類算法和基于遷移學(xué)習(xí)的移動(dòng)端垃圾分類方案，解決了垃圾類別龐雜和垃圾分類難的問題。

[7]袁建野,南新元,蔡鑫,李成榮.基于輕量級(jí)殘差網(wǎng)路的垃圾圖片分類方法[J].環(huán)境工程,2021,39(02):110-115.

數(shù)據(jù)來源：數(shù)據(jù)集由中國科學(xué)院自動(dòng)化研究所智能服務(wù)機(jī)器人實(shí)驗(yàn)室所提供，共收集了2400張垃圾圖片信息。訓(xùn)練集共1920張，每類分別為320張，測試集共510張，每類分別為85張，訓(xùn)練集和測試集總共分為6類。

數(shù)據(jù)處理方法：以ResNet50為基礎(chǔ)進(jìn)行優(yōu)化構(gòu)建輕量級(jí)網(wǎng)絡(luò)，提出最大平均組合池化替換ResNet50的池化層，用深度可分離卷積代替ResNet50中Bottleneck的3×3標(biāo)準(zhǔn)卷積。Mode數(shù)量一共4個(gè)，Mode數(shù)設(shè)置為［1，1，1，1］，每個(gè)Mode的結(jié)構(gòu)都是1×1、3×3、1×1的結(jié)構(gòu)，其中3×3的卷積核用深度可分離卷積替換。實(shí)驗(yàn)batch size設(shè)置為32，學(xué)習(xí)率設(shè)置為0.01，每經(jīng)過一次步長為5時(shí)，學(xué)習(xí)率變?yōu)橹暗?5%，訓(xùn)練完成迭代100次。對(duì)不同的池化層以及不同模型進(jìn)行對(duì)比。

研究結(jié)論：提出的最大平均池化輕量級(jí)網(wǎng)絡(luò)使得網(wǎng)路達(dá)到參數(shù)量小、計(jì)算量小、內(nèi)存消耗小，運(yùn)行時(shí)間短的目的。

與同類研究相比優(yōu)缺點(diǎn)：提出的輕量級(jí)殘差網(wǎng)路參數(shù)更加簡化，但是測試集510張，實(shí)際操作測試集只利用了1張，測試集應(yīng)用數(shù)據(jù)較少。

文獻(xiàn)閱讀價(jià)值：提出的輕量級(jí)網(wǎng)絡(luò)適用于移動(dòng)端嵌入式設(shè)備的垃圾分類系統(tǒng)應(yīng)用。

[8]董子源.基于深度學(xué)習(xí)的垃圾分類系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].中國科學(xué)院大學(xué)(中國科學(xué)院沈陽計(jì)算技術(shù)研究所),2020.

數(shù)據(jù)來源：單幀圖像垃圾檢測：華為公開數(shù)據(jù)集（國內(nèi)唯一公開數(shù)據(jù)集），共14683張垃圾圖像和對(duì)應(yīng)的分類標(biāo)簽，加上實(shí)地拍攝一些垃圾場景中的圖片。

數(shù)據(jù)處理方法：單幀圖像垃圾檢測：將華為數(shù)據(jù)集按照不同的大類別和小類別進(jìn)行組合，保存在相應(yīng)的文件夾下。通過python手動(dòng)標(biāo)注圖像中垃圾的位置信息，利用記錄鼠標(biāo)位置的相應(yīng)函數(shù)，記錄鼠標(biāo)畫取的垃圾外接矩形，并將矩形的四個(gè)頂點(diǎn)坐標(biāo)記錄在文本文件中。對(duì)數(shù)據(jù)集中不同小類的垃圾數(shù)據(jù)進(jìn)行采樣并標(biāo)注，得到2000張不同種類的垃圾圖像的數(shù)據(jù)標(biāo)注，作為初始的檢測網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集。通過第一輪的訓(xùn)練，得到了垃圾檢測模型初始結(jié)果。使用初始模型對(duì)未經(jīng)訓(xùn)練的數(shù)據(jù)集中其他圖像進(jìn)行檢測，得到垃圾的初始預(yù)測位置，并修正檢測錯(cuò)誤圖像的檢測框作為圖像中目標(biāo)位置的標(biāo)簽，得到初始訓(xùn)練后的擴(kuò)充數(shù)據(jù)集。用華為數(shù)據(jù)集對(duì)ResNet101、Inception v3和VGG16主干網(wǎng)絡(luò)進(jìn)行評(píng)估，選定ResNet101網(wǎng)絡(luò)作為垃圾檢測的基線網(wǎng)絡(luò)。在分類階段，將數(shù)據(jù)增強(qiáng)后的圖像按4：1的比例分為訓(xùn)練集和測試集，選用ADAM優(yōu)化算法訓(xùn)練模型動(dòng)量系數(shù)為0.9，共設(shè)50個(gè)迭代周期，初始學(xué)習(xí)率設(shè)為0.01，每隔10個(gè)迭代周期學(xué)習(xí)率衰減0.1倍，一階矩估計(jì)的指數(shù)衰減率為0.99，二階矩估計(jì)的指數(shù)衰減率為0.999。在ResNet101網(wǎng)絡(luò)的不同的Bottle Neck位置僅插入空間注意力模塊、僅插入通道注意力模塊、插入特征融合模塊分別進(jìn)行對(duì)比試驗(yàn)，對(duì)模型的注意力模塊、通道注意力模塊、特征融合模塊分別進(jìn)行評(píng)估。以GCNet作為主干提取網(wǎng)絡(luò)并入到SSD作為垃圾檢測網(wǎng)絡(luò)的基礎(chǔ)，與加入特征融合與注意力機(jī)制的ResNet101網(wǎng)絡(luò)相結(jié)合。實(shí)地拍攝了一些垃圾場景中的圖片（手動(dòng)繪制檢測框）與華為數(shù)據(jù)集作為檢測任務(wù)的訓(xùn)練集和測試集。使用批量32來訓(xùn)練模型，使用0.0001的權(quán)重衰減和0.9的動(dòng)量，SGD優(yōu)化器，設(shè)置Dropout為0.8，在每個(gè)conv模塊激活函數(shù)后添加BatchNormalization層以防止過擬合以及加快網(wǎng)絡(luò)收斂。在相同測試集上對(duì)DSSD算法進(jìn)行評(píng)估與改進(jìn)的SSD算法進(jìn)行對(duì)比。

研究結(jié)論：加入了注意力機(jī)制、特征融合機(jī)制以及殘差預(yù)測模塊的SSD在小目標(biāo)方面，效果明顯好于SSD與DSSD算法，檢測速度方面也明顯好于DSSD，稍微低于SSD。

與同類研究相比優(yōu)缺點(diǎn)：針對(duì)樣本集中類內(nèi)垃圾形態(tài)差異大，背景變化大，不利于分類的情況，本文在分類網(wǎng)絡(luò)中加入了空間注意力與通道注意力機(jī)制，有效地提升了分類準(zhǔn)確率。

文獻(xiàn)閱讀價(jià)值：提出了對(duì)ResNet101 加入注意力機(jī)制和特征融合機(jī)制的改進(jìn)方法，更好地提取到了垃圾圖像中的有用信息，成功地解決了圖片中類內(nèi)差異大不利于分類的問題。

[9]陳非予,楊婷婷,蔣銘陽.基于深度學(xué)習(xí)技術(shù)的生活垃圾分類模型設(shè)計(jì)[J].電子元器件與信息技術(shù),2020,4(07):94-96.

數(shù)據(jù)來源：垃圾圖像數(shù)據(jù)是在TrashNet數(shù)據(jù)集的基礎(chǔ)上增加手機(jī)拍照以及網(wǎng)絡(luò)搜索所得，共確定3727張。

數(shù)據(jù)處理方法：采用Inception-v3模型在大型圖像分類數(shù)據(jù)集ImageNet訓(xùn)練的參數(shù)模型。特征提取模型采用預(yù)訓(xùn)練模型的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，通過輸入并處理一張垃圾圖像，提取圖像2048維向量特征，經(jīng)softmax回歸完成垃圾圖像分類。訓(xùn)練數(shù)據(jù)為數(shù)據(jù)集中的80%，另20%數(shù)據(jù)作為測試驗(yàn)證數(shù)據(jù)集。在訓(xùn)練中，設(shè)置超參ECHO為50，即迭代訓(xùn)練訓(xùn)練數(shù)據(jù)集50次，每次選取其中16張圖像進(jìn)行訓(xùn)練，在每次訓(xùn)練的圖像輸入階段，將所選圖像進(jìn)行數(shù)據(jù)增強(qiáng)處理，初始化學(xué)習(xí)率為0.001。

研究結(jié)論：分類正確率可以達(dá)到95.3%，證明了該模型對(duì)于實(shí)現(xiàn)垃圾分類的有效性。

與同類研究相比優(yōu)缺點(diǎn)：垃圾圖像涉及種類只包含塑料、金屬、紙板、廢報(bào)紙、玻璃、以及廢料六類垃圾圖像，數(shù)據(jù)類別較少。

文獻(xiàn)閱讀價(jià)值：模型通過數(shù)據(jù)增強(qiáng)方法降低了圖像成像要求，對(duì)光照、距離、大小不敏感，具有相當(dāng)高的魯棒性和泛化能力。

[10]呂程熙.基于深度學(xué)習(xí)實(shí)現(xiàn)自動(dòng)垃圾分類[J].電子制作,2019(24):36-38.

數(shù)據(jù)來源：數(shù)據(jù)集共包含10類物品的圖片共2000張，每一類200張。

數(shù)據(jù)處理方法：1800張為訓(xùn)練集，200張為測試集。每一類共180張為訓(xùn)練集，20張為測試集。將訓(xùn)練集與測試集的輸入圖片隨機(jī)裁減成32×32×3大小的圖片，將圖片信息歸一化。建立基于卷積神經(jīng)網(wǎng)絡(luò)的垃圾分類分類器，學(xué)習(xí)率為0.01，batch_size為5，對(duì)比深度神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的測試結(jié)果分類準(zhǔn)確度。進(jìn)一步對(duì)數(shù)據(jù)集進(jìn)行二分類，劃分為可回收利用和不可回收利用，由十分類變?yōu)槎诸愒俅芜M(jìn)行實(shí)驗(yàn)。

研究結(jié)論：CNN模型的效果要比DNN 模型的效果好。從十分類變?yōu)槎诸?，模型選擇正確的概率大大加大，使得準(zhǔn)確率升高。

與同類研究相比優(yōu)缺點(diǎn)：對(duì)比DNN與CNN分類識(shí)別效果，證明CNN對(duì)垃圾分類識(shí)別應(yīng)用效果更好。但是針對(duì)物品的不同部位屬于不同類型的垃圾，還需要增加預(yù)識(shí)別功能。

文獻(xiàn)閱讀價(jià)值：利用算法對(duì)圖像識(shí)別可以大大提高垃圾分類的效率，為人們的生活帶來便利。

[11]高明,陳玉涵,張澤慧,馮雨,樊衛(wèi)國.基于新型空間注意力機(jī)制和遷移學(xué)習(xí)的垃圾圖像分類算法[J].系統(tǒng)工程理論與實(shí)踐,2021,41(02):498-512.

數(shù)據(jù)來源：“華為云人工智能大賽垃圾分類挑戰(zhàn)杯”競賽提供的數(shù)據(jù)集，共包括14000余張垃圾圖片。

數(shù)據(jù)處理方法：將圖片尺寸統(tǒng)一處理為224×224像素。將數(shù)據(jù)集隨機(jī)劃分為訓(xùn)練集、驗(yàn)證集與測試集，訓(xùn)練集中劃分為包含14372張圖片，驗(yàn)證集與測試集各包含215張圖片。選擇EfficientNet-B5、ResNet50、DenseNet-169網(wǎng)絡(luò)架構(gòu)分別對(duì)華為垃圾分類數(shù)據(jù)集和ImageNet數(shù)據(jù)集進(jìn)行無遷移學(xué)習(xí)與有遷移學(xué)習(xí)的訓(xùn)練，其中預(yù)訓(xùn)練權(quán)重均由Keras庫提供，最后選擇EfficientNet-B5作為GANet中的主干網(wǎng)絡(luò)結(jié)構(gòu)。運(yùn)用以EfficientNet-B5為主干的GANet構(gòu)架，嘗試對(duì)提出的新型的像素級(jí)空間注意力機(jī)制PSATT的基礎(chǔ)結(jié)構(gòu)微調(diào)后的模型進(jìn)行有效性驗(yàn)證，選擇出性能最好的PSATT結(jié)構(gòu)。將GANet結(jié)構(gòu)的注意力模塊分別換成PSATT、Squeeze-and-Excitation block、Non-Local block與注意增強(qiáng)卷積在ImageNet數(shù)據(jù)集上進(jìn)行多次訓(xùn)練對(duì)比。通過訓(xùn)練策略消融實(shí)驗(yàn)、迭代延長實(shí)驗(yàn)和交叉驗(yàn)證實(shí)驗(yàn)來檢驗(yàn)GANet架構(gòu)在訓(xùn)練過程中是否出現(xiàn)過擬合情況。依次用ResNet50和DenseNet-169架構(gòu)替換GANet主干結(jié)構(gòu)中的EfficientNet-B5進(jìn)行遷移學(xué)習(xí)，驗(yàn)證PSATT在不同網(wǎng)絡(luò)架構(gòu)上的適用性。將輸入圖片尺寸設(shè)為456×456，借助該比賽的自動(dòng)化測試系統(tǒng)對(duì)GANet進(jìn)行云端評(píng)估，測試集為賽方未公開的4000張盲測圖片。對(duì)于GANet模型的訓(xùn)練中選用RAdam優(yōu)化，損失函數(shù)選擇標(biāo)簽平滑正則化+Focal loss，用在OCL基礎(chǔ)上提出的階梯形OneCycle控制學(xué)習(xí)率，在訓(xùn)練的最后幾個(gè)輪次，對(duì)于權(quán)重平滑選擇進(jìn)行SWA處理。

研究結(jié)論：基于PSATT機(jī)制的GANet在細(xì)粒度垃圾圖像分類問題中，整體準(zhǔn)確率相較對(duì)比方法得到了顯著提升。

與同類研究相比優(yōu)缺點(diǎn)：改進(jìn)的階梯形OneCycle學(xué)習(xí)率控制方法和RAdam優(yōu)化方法的結(jié)合使用加快收斂速度，縮短實(shí)驗(yàn)周期；運(yùn)用標(biāo)簽平滑和Focalloss緩解樣本不平衡問題；優(yōu)化方法與階梯形OneCycle學(xué)習(xí)策略的結(jié)合使用緩解了模型收斂階段的不穩(wěn)定性。但是圖像數(shù)據(jù)集在不同光照條件、不同終端采集的圖像存在格式、噪音、分辨率等差異。

文獻(xiàn)閱讀價(jià)值：針對(duì)問題特點(diǎn)，提出了一種新型的像素級(jí)空間注意力機(jī)制，建立了一套端到端的面向細(xì)粒度垃圾圖像分類的遷移學(xué)習(xí)架構(gòu)GANet。

[12]王洋.垃圾分類數(shù)據(jù)的機(jī)器學(xué)習(xí)方法研究[D].黑龍江大學(xué),2020.

數(shù)據(jù)來源：選擇了來自Kaggle網(wǎng)站上提供的包括濕垃圾、可回收物兩類垃圾的圖像數(shù)據(jù)，包含訓(xùn)練集22564張，測試集2513張，練集中包含12565張濕垃圾圖像，9999張可回收垃圾圖像；而測試集中包含1401張濕垃圾圖像，1112張可回收垃圾圖像。

數(shù)據(jù)處理方法：預(yù)處理：對(duì)圖像進(jìn)行灰度化處理，選擇將所有圖像尺寸設(shè)為64×64將圖像尺寸歸一化。運(yùn)用python從兩類垃圾圖像中分別提取顏色特征和紋理特征作為分類依據(jù)。選用灰度直方圖作為圖像的顏色特征，將灰度直方圖和圖像標(biāo)簽作為KNN和SVM算法的輸入。對(duì)圖像的LBP和HOG特征向量進(jìn)行PCA降維以提高計(jì)算機(jī)運(yùn)行速度，保留原數(shù)據(jù)95%的信息提取出降維后的LBP特征和HOG特征。傳統(tǒng)機(jī)器學(xué)習(xí)算法：使用sklearn庫中的KNeighborsClassifier函數(shù)搭建KNN模型，距離定義為歐式距離，分別以GH，HOG，LBP特征向量導(dǎo)入模型并分別建模，參數(shù)

責(zé)任編輯：lq