尋夢新聞LINE@每日推播熱門推薦文章，趣聞不漏接❤️
讓垃圾自動分類
近期垃圾分類成為了一個熱點話題，原來直接一次性扔掉的垃圾，現在都需要分門別類進行投放。從今年7月1日起，新的《上海市生活垃圾管理條例》正式開始施行，號稱史上最嚴的垃圾分類就要來了。我們以後在扔垃圾前都要先將垃圾細心分成可回收物、有害垃圾、濕垃圾和幹垃圾四個類別，如果分錯還會被罰款。
垃圾分類可以更好地保護我們的環境衛生，為了讓大家能夠準確對垃圾進行分類，官方發布了垃圾分類指南，列舉了每種類別對應的常見垃圾，大家可以對照著進行分類投放。此外，腦洞大開的網友們也另辟蹊徑，供給了各種有意思的分類思路。
在日常生活中，每個類別的垃圾往往包括了各式各樣的內容，人們在分類投放的時候難免會出現偏差，這個時候如果有一個分類神器對垃圾拍個照就能告知我們是什麼類別就好了。
當前人工智慧飛速發展，我們能否利用AI技術來對垃圾自動分類，實現上面提到的設想呢？為了回答這個問題，在今天的文章中，我們將從人工智慧的角度出發，嘗試利用深度學習技術來構建一個垃圾自動分類器，同時也會進一步介紹AI垃圾分類遇到的挑戰和一些思考。
「垃圾」圖像數據準備
為了實現一個理想的垃圾自動分類器，需要有一個已經分好類別的「垃圾」圖像數據集作為訓練的根基。然而當前並沒有這樣一個可以直接使用的數據集，所以我們首先自己動手收集海量的「垃圾」圖像並為每張圖像標註上相應的類別。
數據集的收集一直是一件耗時耗力的工作，為了快速便捷地完成「垃圾」圖像數據集的收集，我們根據官方發布的垃圾分類指南上每一類所包括的垃圾名稱，通過在百度圖片上爬取名稱對應的圖像來實現。官方發布的垃圾分類指南如下圖所示。
在實際的應用處景中，待分類的樣本往往是不成控的，所以一般會增加「其他」這個類別用來收留各種異常樣本。在垃圾分類中，除可回收物、有害垃圾和濕垃圾外都屬於幹垃圾，所以幹垃圾已經扮演了「其他」的角色。我們的「垃圾」圖像數據集最終分為可回收垃圾、有害垃圾、濕垃圾和幹垃圾四個類別。數據集的部分圖像如下圖所示。
垃圾自動分類器
垃圾自動分類實質上是一個圖像分類問題，當前基於深度卷積神經網路的圖像分類演算法發展很快，各種辦法層出不窮。下面我們先回顧這些分類網路的演進思路，再進一步將分類演算法應用於垃圾分類，介紹構建一個垃圾自動分類器的流程和細節。
卷積神經網路的開山之作LeNet於1998年被提出，並成功應用於手寫體辨認。LeNet和現在的網路結構相比固然簡單（如上圖所示），但是卷積層、池化層和全銜接層這些根本模塊都已經具備。
跟著ReLU和dropout的提出，以及GPU和大規模數據集的出現，卷積神經網路在2012年迎來了歷史突破，AlexNet的出現讓卷積神經網路開始逐漸成為計算機視覺義務的標配。在AlexNet的根基上，以增加網路深度為思路，出現了VGGNet；以增強卷積模塊為思路，出現了基於Inception的一系列網路。
跟著後發先至的ResNet的提出，層數極深的網路成為了可能。通過引入殘差模塊，緩解了深度網路訓練過程中的梯度消逝問題，讓網路的深度不斷加大，網路性能也得到了大幅提升。之後的DenseNet更是通過對特徵圖的稠密銜接，加強了特徵的傳遞，繼續提升分類後果。當前ResNet及其變種情勢已經被普遍地應用於圖像分類義務，同時也成為了在解決方針檢測和圖像分割等其他計算機視覺問題時常用的骨幹網路結構。
在本文中，我們使用50層的ResNet來構建垃圾自動分類器。具體我們採用在ImageNet數據集上預訓練的ResNet50模型參數作為初始化，利用上一節中收集的「垃圾」圖像數據集對其進行微調。
其中我們將上述ResNet50的最後一層輸出從1000（ImageNet數據集的分類數量）修改為4（垃圾分類數量），同時在訓練過程中凍結了部分卷積層參數的更新。此外還進一步利用程度翻轉、隨機裁剪和顏色抖動等方法對訓練的「垃圾」圖像進行數據增強。在完成垃圾自動分類器的訓練後，我們對一些垃圾進行了自動分類的測試，精確率達到近90%。固然對複雜的情形還是存在一定的誤判，但大部分常見的垃圾都得到了準確的區分，具有較強的實用性。
從單個垃圾分類到一群垃圾分類
上一節中我們介紹了垃圾自動分類器的構建，但是這樣的垃圾分類器的輸入都是單個垃圾圖像。在實際的垃圾分類投放過程中，對單個的垃圾進行一一拍照分類顯得過於繁瑣和緩慢。那能不能對一群垃圾直接拍照後進行批量分類呢？要實現對一群垃圾的批量分類，其實就是要構建一個垃圾的方針檢測器。輸入一張含有多個垃圾的圖像，讓模型輸出圖像上每種垃圾對應的類別。
在深度學習出現之前，可變形部件模型（DPM）一直是流行的方針檢測辦法。深度學習出現後，以R-CNN、Fast R-CNN、Faster R-CNN為代表的兩階段演算法和以YOLOv1-3、SSD、RetinaNet為代表的單階段演算法成為主流。前者是先由演算法生成一系列待檢測方針的候選框，再通過卷積神經網路進行候選框的分類；後者則不用產生候選框，直接將方針邊框定位的問題轉化為回歸問題處理。
和垃圾分類器一樣，一個理想的垃圾檢測器，需要大量的「垃圾」標註數據來支撐。但是與分類數據集相比，檢測數據集除了標註類別外還要標註圖位置坐標，這樣的標註工作更為艱巨。在完成垃圾檢測的圖像數據集後，就可以利用當前主流的深度學習檢測演算法來實現批量垃圾的分類。
寫在最後
垃圾分類最近成為了大家生活中經常討論的話題，這篇文章分享了如何利用深度學習技術來構建一個垃圾自動分類器，也進一步介紹了從單個垃圾分類到批量垃圾分類的思路和挑戰。
在實際的垃圾分類中，由於垃圾多種多樣，同一類別的垃圾可能差別很大，而不同類別的垃圾可能差別很小，在複雜情形下分類器後果可能會不盡如人意，後續可以考慮加入垃圾之間的高層次語義關係資訊，進一步提升分類器的性能。最後盼望大家都能做到準確的垃圾分類投放，畢竟生活不易，還是不要被罰款。