新书速览|PyTorch深度学习与企业级项目实战-CSDN博客

人工智能用于垃圾分类

人工智能用于垃圾分类，业界早有过相关的讨论，主要有三种方案：第一种方案，把垃圾的相关信息制成表格化数据，然后用传统的机器学习方法实现分类；第二种方案，把所有的垃圾分类信息做成知识图谱，每一次查询就好像翻字典一样查阅信息；第三种方案，借助人工智能深度学习方法来对垃圾进行识别和分类。例如，每次给一幅垃圾的图片，让模型识别出这属于哪一种类别，属于干垃圾、湿垃圾、有害垃圾还是可回收垃圾。

说实话，基于图片的垃圾识别要难不少。比如，卫生纸可以弄成各种形状，如团成一团、撕成一条一条。让算法通过图片识别这些东西，显然有些难为算法。如图7-2所示，我们对图片中的物品进行分类，目前一般都是采用多级分类模型或检索搭建的超大分类网络，比如 1 万多类物体识别，甚至10万多类物体识别。

图7-2

然后根据类别标签进行映射，映射到最终的垃圾类别。这里底层技术实现其实还是图像的多分类识别。但是垃圾分类不同于通用的图像识别，通用图像识别的“鱼”可能是一条在水中自由自在嬉戏的金鱼，而垃圾分类识别的“鱼”则很可能是一个躺在餐盘里仅剩躯干骨的鱼骨头。

垃圾分类图片数据集

找一个合适的垃圾分类图片数据集也是一门技术活。数据集获取的途径大概有三种：第一种是将需求提交给数据标注团队，花钱标注数据；第二种是爬取各大网站的图片数据，然后使用自己的接口清洗或者人工标注；第三种是翻论文，找公开数据集，到AI比赛网站或者AI开放平台碰碰运气，看看是否有公开垃圾图片数据集。

这里提供一个公开网站的垃圾图片数据集下载链接： Garbage Classification (12 classes) | Kaggle。这个数据集有15 150幅图片，来自12种不同类别的家庭垃圾：纸张、纸板、生物、金属、塑料、绿色玻璃、棕色玻璃、白色玻璃、衣服、鞋子、电池和垃圾，其中白色玻璃杯如图7-3所示。垃圾回收是保护我们环境的一个关键方面。为了使回收过程可能/更容易，垃圾必须被分类到具有类似回收过程的组别。大多数可用的数据集将垃圾分为几个类别（2~3个类别），如果有能力将家庭垃圾分为更多的类别，就能大大增加回收垃圾的比例。

图7-3

《PyTorch深度学习与企业级项目实战（人工智能技术丛书）》(宋立桓，宋立林)【摘要 书评 试读】- 京东图书 (jd.com)