Skip to content

jzx-gooner/DL-wastesort

Repository files navigation

基于深度学习的垃圾分类

#Garbage classification based on deep learning

说明:一直在gitlab上耕耘,头发掉的速度也飞快,偶然间发现了github上多了好多star,实在惭愧。这个垃圾分类项目是我研究生阶段搞的一个项目,不复杂,分享的代码也很简单,就是一个inception v3的迁移学习。其余的核心部分包括:后续与传感器的融合判断,PMAC控制器的接入,前端安卓端网络的部署和部分stm32端的代码由于实验室的关系不便于分享。在此仅为大家提供一个思路,抛一块不慎美丽的砖头去引玉,谢谢大家!

目前我国垃圾分类存在的主要问题有三点:

1, 垃圾分类正确率不高

2, 居民缺乏垃圾分类的意识和相关知识。

3, 没有真正意义上的高效的垃圾分类系统

基于以上,提出了基于深度学习的智能垃圾分类系统。从技术上旨在通过深度学习,实现垃圾的高精确度分类;在效果上,通过技术的提升提高城市居民的环境保护与节约资源的意识,促进城市居民转变现有的投放垃圾的行为方式;从长远上来看,抛砖引玉,为我国建立健全城市垃圾分类处理制度提供一些思路。

具体实现方式是将已经训练好了的Inception v3模型进行了再训练,完成了四大类,100多种小类的垃圾分类,通过opencv捕捉信息,通过蓝牙与stm32通讯完成了硬件部分的动作,通过js完成了上位机的编写。

作者:jzx,wlx,yjh

单位:NCEPU

演示视频链接:https://www.bilibili.com/video/av12017465/?from=search&seid=1320605891430268553

演示视频链接-人机交互界面:https://www.bilibili.com/video/av14240399/

演示视频链接-手机app移植:https://www.bilibili.com/video/av14240428/

演示视频链接-手机app移植:https://www.bilibili.com/video/av14240428/

演示视频链接-与传统并联机器人结合:https://www.bilibili.com/video/av14240443/

参考:Tensorflow Inception.

实验图片:

image

实现途径:

1,通过网络爬虫创建了自己的数据集 waste-set-googlescraper.py

2,通过修改Inception v3模型的最后一层实现了分类 retrain.py wastesort.py

3,通过opencv实现了物体的检测和拍照 waste_detector.py

4,通过调用串口实现了与stm32的通讯 serial_send.py

5,通过js实现了网页端上位机的编写

6,通过stm32实现了电机的控制

综上,实现了自主拍照,自主识别,自主分类的垃圾回收装置。


环境要求

  1. Python
  2. Tensorflow
  3. Opencv

流程介绍

准备训练集

创建名字为 training_dataset .的文件夹 通过爬虫爬取所需要训练的图片。每类图片一个文件夹,文件夹下为图片文件。图片越多,神经网络越荡漾。

开始训练

执行训练:

$ bash train.sh

如果没有Inception 模型的话,程序会先下载,然后解压,保证网络链接。

检查结果

创建名为test_input 文件夹,将被分类文件放到该文件夹下 运行

python3 wastesort.py

预测结果会依次输出

将最佳结果发送给stm32

通过蓝牙串口,无线将数据发送给stm32

stm32控制电机实现垃圾的分类放置

stm32控制步进电机+舵机实现垃圾的分类

Results

结果图片 结果图片

鸣谢

感谢早起的晨,晚睡的夜!

感谢技术分享,技术繁荣的美好互联网年代!