基于深度迁移学习的垃圾分类研究

针对垃圾分类人工检测环境差，易出错，难度大，效率低的问题，提出一种利用深度迁移学习对生活垃圾分类的方法。首先，构建垃圾分类的图像数据集，同时数据增强，其次，搭建深度卷积神经网络ResNeXt和MobileNetV2，微调网络迁移参数以适应垃圾分类任务，最后，在基于深度迁移学习的卷积神经网络下，探索了网络冻结层数和学习率对不同量级的网络结构造成的影响。结果表明，ResNeXt受到学习率的影响更强，MobileNetV2受到网络冻结层数的影响更多，两者的最佳网络冻结层分别是50层和80层，最佳学习率分别是0.0003和0.0001，有效提升模型准确率，实现了对多种常见垃圾的有效分类。

伴随经济生活水平的不断提高，垃圾数量呈现爆炸式的增长，目前虽然提倡从源头开始分类，然而实际操作中依旧利用人工分拣海量的垃圾，工作环境差，分类效率低，社会的真实需求无法满足。近年来，人工智能迅速发展，有效推进了图像识别在计算机视觉领域的应用，针对垃圾分类的智能识别技术应运而生。

传统的垃圾分类以机器学习为主，利用特征工程对目标数据进行特征提取，寻找数据内部之间存在的关系和潜在的规律。黄浩然[1]等利用几何矩尺度不变性、平移等属性优势，利用7 个Hu 不变矩和多颜色空间特征，采取关键信息作为特征向量，通过构建一个相似性度量方法得到衡量标准以获取分类结果。申新杰[2]等采用AGAST 二叉树角点域的算法，使用非极大值抑制法对角点进行处理，获得AGAST特征点， 通过特征点匹配实现对特定垃圾的识别。

潘丽[3]等采用BRISK 特征提取算法实现对图像的监测， 实现了高准确率的垃圾识别。

李勇[4]利用灰色预测模型预测产生量， 设计朴素贝叶斯分类器对数据训练， 实现更高效的垃圾分类。黄兴华[5]等将局部二值模式(LBP)改进，再与Uniform LBP 融合得到AD-LBP， 将AD-LBP 与梯度方向直方图算法对图像进行特征提取。

然而传统技术直接将数据输入模型，难以获取正确的规律，导致分类精度低，同时浪费人工成本和时间成本。伴随2012 年AlextNet [6]的诞生，深度学习重新引起广泛的关注，许多学者将其应用到垃圾分类中。Wang H [7]利用VGG16 卷积网络，嵌入Batch Normalization 以加快收敛速度、保证垃圾的识别精度。

Sultana [8]通过AlexNet 进行多次实验， 分别实现了对室内垃圾与室外垃圾的分类。

迁移学习[9] [10]同样被引入到网络模型中实现对废弃物的分类，以减少模型训练时间。Adedeji [11]等提出一种将ResNet与SVM 相结合的方式对城区固体废物进行分类，通过ResNet 提取图像特征，将特征放入SVM 中进行训练以获得结果。陈牧图[12]等也讨论了深度学习相关方法并实现了对垃圾的自动化识别。高静[13]等设计一种基于Xception 的轻量型模型，引入锯齿状扩张卷积且结合预热与余弦退火的方式控制学习率，实现了学习率的凸变化，加快了模型的收敛效率，提高识别的精度。

在以上学者的研究中，深度学习在图像分类的实际应用中普遍高于传统机器学习方法，通过卷积神经网络实现自动化的特征提取，摆脱了繁琐的特征工程，利用反向传播不断训练网络模型，使得模型的分类准确率不断提升， 超越了机器学习模型。

在深度学习模型中ResNeXt [14]和MobileNetV2 [15]正是图像分类任务中，两种不同量级、性能突出的模型。同时迁移学习实现了对已有知识的复用，加快了模型