基于深度卷积神经网络的垃圾分类识别系统_基于卷积神经网络的垃圾邮件分类

温馨提示：文末有 CSDN 平台官方提供的学长 QQ 名片 :) 

1. 项目简介

        本文详细介绍了一基于深度卷积神经网络的垃圾分类识别系统。采用TensorFlow和Keras框架，通过卷积神经网络（CNN）进行模型训练和预测。引入迁移学习中的VGG16模型，取得95%的分类准确率。系统基于Web平台，实现用户上传垃圾图片进行在线测试，系统即时预测并展示垃圾类别。此系统不仅展示了深度学习在垃圾分类中的应用，也提供了专业而高效的Web界面，为用户提供准确可靠的垃圾分类服务。

        B站详情：基于深度卷积神经网络的垃圾分类识别系统_哔哩哔哩_bilibili

2. 卷积神经网络基本原理

        深度卷积神经网络（DCNN）是一种人工神经网络，特别适用于处理具有空间结构的数据，如图像和视频。它通过多层卷积和池化层来逐渐提取输入数据的特征，并通过全连接层进行分类或回归任务。DCNN 在计算机视觉和模式识别领域取得了巨大成功，被广泛应用于图像识别、物体检测、人脸识别等任务中。

        卷积神经网络的构造包括：

        （1）输入层
        输入层接收原始图像数据。图像通常由三个颜色通道（红、绿、蓝）组成，形成一个二维矩阵，表示像素的强度值。

        （2）卷积和激活
        卷积层将输入图像与卷积核进行卷积操作。然后，通过应用激活函数（如ReLU）来引入非线性。这一步使网络能够学习复杂的特征。

        （3）池化层
        池化层通过减小特征图的大小来减少计算复杂性。它通过选择池化窗口内的最大值或平均值来实现。这有助于提取最重要的特征。

        （4）多层堆叠
        CNN通常由多个卷积和池化层的堆叠组成，以逐渐提取更高级别的特征。深层次的特征可以表示更复杂的模式。

        （5）全连接和输出
        最后，全连接层将提取的特征映射转化为网络的最终输出。这可以是一个分类标签、回归值或其他任务的结果。

        经典VGG16、VGG19卷积神经网络模型架构如下图所示：

3.  数据集读取与预处理

该数据集包含了2527个生活垃圾图片。数据集的创建者将垃圾分为了6个类别，分别是：

玻璃（glass）共501个图片
纸（paper）共594个图片
硬纸板（cardboard）共403个图片
塑料（plastic）共482个图片
金属（metal）共410个图片
一般垃圾（trash）共137个图片

 物品都是放在白板上在日光/室内光源下拍摄的，压缩后的尺寸为512 * 384。

data_dir = "./dataset-resized/"
data_dir = pathlib.Path(data_dir)
 
img_height = 112
img_width = 112
 
train_ds = tf.keras.preprocessing.image_dataset_from_directory(
    "./dataset-resized/",  #数据集目录
    label_mode="categorical",  #标签模式，根据目录生成
    validation_split=0.2,  # 验证集比例为20%
    subset="training",   #这是个训练集
    seed=42 ,     #随机种子,保证划分一致  
    image_size=(img_height, img_width),  #图像大小
    batch_size=batch_size
)

        垃圾分类数据集可视化：

plt.figure(figsize=(20, 10))
 
for images, labels in train_ds.take(1):
    labels = [tf.argmax(i) for i in labels]  
    for i in range(20):
        ax = plt.subplot(5, 10, i + 1)
        plt.imshow(images[i].numpy().astype("uint8"))
        plt.title(class_names[labels[i]])
        plt.axis("off")

4. 卷积神经网络模型构建

model = models.Sequential([
    layers.experimental.preprocessing.Rescaling(1./255, input_shape=(img_height, img_width, 3)),
    layers.Conv2D(16, (3, 3), activation='relu', input_shape=(img_height, img_width, 3)), # 卷积层1，卷积核3*3  
    layers.MaxPooling2D((2, 2)),               # 池化层1，2*2采样
    layers.Conv2D(32, (3, 3), activation='relu'),  # 卷积层2，卷积核3*3
    layers.MaxPooling2D((2, 2)),               # 池化层2，2*2采样
    layers.Conv2D(64, (3, 3), activation='relu'),  # 卷积层3，卷积核3*3
    layers.Dropout(0.2),  
    
    layers.Flatten(),                       # Flatten层，连接卷积层与全连接层
    layers.Dense(128, activation='relu'),   # 全连接层，特征进一步提取
    layers.Dense(len(class_names))               # 输出层，输出预期结果
])
 
model.summary()  # 打印网络结构

        模型训练：

from tensorflow.keras.callbacks import ModelCheckpoint, EarlyStopping
 
epochs = 20
 
# 保存最佳模型参数
checkpointer = ModelCheckpoint('best_model.h5',
                                monitor='val_accuracy',
......
 
# 设置早停
......
 
history = model.fit(train_ds,
                    validation_data=val_ds,
                    epochs=epochs,
                    callbacks=[checkpointer, earlystopper]
)

        训练日志：

Epoch 1/20
64/64 [==============================] - ETA: 0s - loss: 1.7266 - accuracy: 0.3042
Epoch 1: val_accuracy improved from -inf to 0.43762, saving model to best_model.h5
64/64 [==============================] - 6s 59ms/step - loss: 1.7266 - accuracy: 0.3042 - val_loss: 1.3680 - val_accuracy: 0.4376
Epoch 3/20
......
64/64 [==============================] - ETA: 0s - loss: 0.0248 - accuracy: 0.9965
Epoch 20: val_accuracy did not improve from 0.91485
64/64 [==============================] - 4s 64ms/step - loss: 0.0248 - accuracy: 0.9965 - val_loss: 0.4591 - val_accuracy: 0.9109

5. 基于迁移学习的模型优化

        构造 VGG 16模型，加载预训练模型权重，并定制化模型预测输出部分的结构：

VGG16_model_con = models.Sequential([
#两次使用64个3*3的卷积核，池化后维度(112,112,64)
    layers.Conv2D(64, (3, 3),padding='same', activation='relu',name='block1_conv1', input_shape=(img_height, img_width, 3)), 
    layers.Conv2D(64, (3, 3), padding='same',activation='relu',name='block1_conv2'),     
    layers.AveragePooling2D(pool_size=(2,2),strides=(2,2), name = 'block1_pool'),  
#两次使用128个3*3的卷积核,池化后维度(56,56,128)   
    
    ......
       
    layers.Conv2D(512, (3, 3),padding='same',activation='relu',name='block5_conv2'),   
    layers.Conv2D(512, (3, 3),padding='same',activation='relu',name='block5_conv3'),     
    layers.AveragePooling2D(pool_size=(2,2),strides=(2,2), name = 'block5_pool'),    
])
# 加载模型参数
VGG16_model_con.load_weights('./vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5')
# 冻结前13层网络参数  保证加载的预训练参数不被改变
......
 
# 添加模型分类层（顶层）
VGG16_model_all = models.Sequential([
    VGG16_model_con,
    layers.Flatten(),                       
    layers.Dense(256, activation='relu'), 
    layers.Dense(128, activation='relu'),
    layers.Dense(len(class_names), activation="softmax")               
])   
VGG16_model_all.summary()  # 打印网络结构

        模型训练损失函数和准确率变化曲线：

6. 垃圾分类识别系统

6.1 首页与注册登陆

6.2 垃圾分类实时预测

        利用Flask + Bootstrap 等框架，搭建垃圾分类识别系统，加载训练好的模型权重，通过上传测试图片，预测所属垃圾的类别：

def submit_and_predict():
    """
    自动l垃圾分类
    """
    test_file = request.files['file']
    filename = test_file.filename
 
    # 保存上传的文件
    test_file_path = './static/img/predict_test/{}'.format(filename)
    test_file.save(test_file_path)
 
    img = Image.open(test_file_path)
    img = np.array(img)
 
    # 模型预测
    image = tf.image.resize(img, [img_height, img_width])
    img_array = tf.expand_dims(image, 0)
 
    predictions = VGG16_model_all.predict(img_array)
    predict_class = class_names[np.argmax(predictions)]
    print("预测结果为：", predict_class)
 
    result = {
        "upload_image": test_file_path,
        "predict": predict_class
    }
    return jsonify(result)

        可以看出，模型预测效果非常好，测试集分类准确率高达95%以上。 

7. 结论

        本文详细介绍了一基于深度卷积神经网络的垃圾分类识别系统。采用TensorFlow和Keras框架，通过卷积神经网络（CNN）进行模型训练和预测。引入迁移学习中的VGG16模型，取得95%的分类准确率。系统基于Web平台，实现用户上传垃圾图片进行在线测试，系统即时预测并展示垃圾类别。此系统不仅展示了深度学习在垃圾分类中的应用，也提供了专业而高效的Web界面，为用户提供准确可靠的垃圾分类服务。

欢迎大家点赞、收藏、关注、评论啦 ，由于篇幅有限，只展示了部分核心代码。技术交流、源码获取认准下方 CSDN 官方提供的学长 QQ 名片 :)

精彩专栏推荐订阅：

1. Python 毕设精品实战案例
2. 自然语言处理 NLP 精品实战案例
3. 计算机视觉 CV 精品实战案例