CNN网络实现垃圾分类

作者：王镇

1. 背景

自2019年7月1日起，随着《上海市生活垃圾管理条例》正式实施，垃圾分类工作在全国由点到面逐步推开。垃圾分类可以最大限度的实现垃圾资源利用，减少垃圾处置量，改善生存环境质量，降低垃圾对于地下水的污染。由于垃圾分类条例刚开始实施，很多居民还没有足够强的垃圾分类意识，生活中垃圾分类并没能得到很好的落实。因此垃圾收集站依然有很强的垃圾自动分类需求。本文通过搭建一个简单的CNN网络实现对垃圾进行自动分类。

2. 数据集

本文使用的数据集来自kaggle上的垃圾分类数据集，共2527张图片，分为六类生活垃圾，分别为cardboard 403张，glass 501张，metal 410张，paper 594张，plastic 482张，trash 137张。该数据集的图片具有相同的规格尺寸，且要检测的垃圾大多数位于图片中央，因此非常适合于训练深度学习模型。

3. 数据预处理

由于该数据集是一个较小的数据集，仅有两千多张图片，但通常训练深度学习模型都要求有上万张乃至更多的图片。去网上采集更多的图片扩充数据集显然是最理想的方法，但那样会花费大量的时间与精力，因此通过数据增强扩充数据集成了我们的选择。

ImageDataGenerator()是keras.preprocessing.image模块中的图片生成器，同时也可以在batch中对数据进行增强，扩充数据集大小，增强模型的泛化能力。比如对图片进行平移，旋转，缩放，翻转等。在将图片输入模型之前，为了提高模型的准确率，还需将图片进行归一化处理，即将每个像素的值映射到（0,1）之间。

实验中我们随机选择90%的图片作为训练集，对训练集进行数据增强操作，剩下10%的图片作为测试集，测试集不做数据增强处理。

4. 模型搭建

该网络使用了四层的卷积层，每一卷积层后接一最大池化层，最后紧跟两层Dense层，将输出转化为6×1的向量。网络结构如下所示：

model = Sequential([
    Conv2D(filters=32, kernel_size=3, padding='same', activation='relu', input_shape=(300, 300, 3)),
    MaxPooling2D(pool_size=2),

    Conv2D(filters=64, kernel_size=3, padding='same', activation='relu'),
    MaxPooling2D(pool_size=2),
    
    Conv2D(filters=32, kernel_size=3, padding='same', activation='relu'),
    MaxPooling2D(pool_size=2),
    
    Conv2D(filters=32, kernel_size=3, padding='same', activation='relu'),
    MaxPooling2D(pool_size=2),

    Flatten(),

    Dense(64, activation='relu'),

    Dense(6, activation='softmax')
])