基于图像识别的垃圾分类app开题报告

全文总字数：5052字

1. 研究目的与意义（文献综述）

随着经济社会发展和物质消费水平大幅提高，我国生活垃圾产生量迅速增长。根据《2019年全国大、中城市固体废物污染环境防治年报》显示，2018年城市生活垃圾产生量为21147.3万吨，较2017年有所提高。不光中国，在全世界范围内城市生活垃圾也成为了一个大问题。世界银行的报告显示，全世界每年有将近20亿吨的城市生活垃圾，在接下来的25年中，随着城市数量的增加，城市生活垃圾产生量也将急剧增加，预测到2050年时全球垃圾量将达到34亿吨。

如果不能合理处置城市生活垃圾，将带来一系列问题：垃圾的堆放和填埋将占用宝贵土地资源和生存空间，造成土地资源的浪费；固体废物可能含有各种有害物质，处理不当可直接污染土壤、空气和水源，并最终对各种生物包括人类自身造成危害；垃圾含有大量微生物，是病菌、病毒、害虫等的滋生地和繁殖地，容易传播疾病，严重地危害人身健康……因此垃圾分类就显得尤为重要，对城市生活垃圾进行仔细分类，然后根据分类后垃圾的不同性质分别采用适宜的方法处理，使不同种类的垃圾均能加以利用，从而才能真正做到垃圾的减量化、无害化和资源化，大大提高资源利用效率，减少环境污染。在2017年，国务院办公厅转发的《生活垃圾分类制度实施方案》文件就明确了全国生活垃圾分类工作的总目标：到2020年底，基本建立垃圾分类相关法律法规和标准体系，形成可复制、可推广的生活垃圾分类模式，在实施生活垃圾强制分类的城市，生活垃圾回收利用率达到35%以上。

用发展的眼光看问题，垃圾分类必将成为一项全民运动。作为先行者的上海，强制垃圾分类自2019年7月1日起施行以来，引发了一场全国范围内的大讨论。《上海市生活垃圾管理条例》将生活垃圾按照以下标准分类：可回收物，有害垃圾，湿垃圾，干垃圾。强制垃圾分类的痛点之一就是垃圾分类标准过于复杂，群众对于垃圾分类这件事上的经验不够，不能立即准确分辨垃圾类别；并且缺乏耐心，不想在扔垃圾这件小事上耗费大量的时间与精力。在国外，已经有相关相对简单的智能产品推出，trashbot 是cleanrobotics开发的智能垃圾箱，使用ai来帮助改善废物管理。通过使用机器学习，计算机视觉和传感器网络，当垃圾被放入trashbot单孔后，相机和传感器会快速分析被丢弃物品的类型。cleanrobotics软件确定该项目是发往垃圾填埋场还是回收设施，然后将其发送到下面的相应垃圾箱中。trashbot以大约三秒钟的速度吞下垃圾，分类准确率达到90％，并且不断学习识别新型垃圾。这款产品看起来可能符合用户的需求，但昂贵的价格、稳定网络环境的支持，显然不适合大多数的家庭，铺设到社区也需要很高的成本。近几年，由于垃圾分类的普及，关于垃圾分类回收的研究在国内外都十分常见。国内互联网、科技公司纷纷推出了小程序、app等查询应用，包括搜狗、科大讯飞等公司均推出了相关的智能查询功能。支付宝、微信上也有不少相关小程序和小游戏。但目前，最大的问题是，标注数据的过程更多的是由人工来完成，现阶段还无法由ai来实现，虽然一些研究者正在探索自动标注数据的工作，但离真正应用还存在很长的距离。

2. 研究的基本内容与方案

• 基本内容

基于图像识别的垃圾分类app主要包含两个内容：使用卷积神经网络模型垃圾分类训练，app的开发。

对于卷积神经网络模型垃圾分类训练：数据集可采用“华为云人工智能大赛·垃圾分类挑战杯”提供的数据集，数据集扩充可使用网络爬虫及人工标注的方法获得；对于模型的选择，拟采用inception-resnet-v2的网络模型；训练在华为云平台上实现；训练后需要测试其正确率；测试完成的模型需要以savemodel格式进行保存，然后使用tensorflow serving部署服务，搭建垃圾分类模型后台服务，后台服务的性能也需要进行测试。

对于app的开发：完成前端与后台的交互，可以调用takepicture方法拍照，将所拍照片发送至后台服务，后台基于分类模型得到分类结果，再使用json格式将数据返回给前端。对于补充的功能，文字识别拟采用垃圾分类api接口，语音识别拟先采用语音转文字api接口，再使用垃圾分类api接口；对于常见问题分类指南，可使用爬虫爬取，存放至数据库中，然后进行显示。开发完成后的app的需要进行功能性测试，易用性测试，兼容性测试。

3. 研究计划与安排

(1)2020/1/13—2020/2/28：确定选题，查阅文献，外文翻译和撰写开题报告；

(2)2020/3/1—2020/4/30：系统架构、程序设计与开发、系统测试与完善；

(3)2020/5/1—2020/5/25：撰写及修改毕业论文；

4. 参考文献（12篇以上）

[1] olugbojaadedeji, zenghui wang ,"intelligent waste classification system using deeplearning convolutional neural network",sciencedirect procediamanufacturing 35 (2019) 607–612,doi: 10.1016/j.promfg.2019.05.086

[2]janusz bobulski, mariusz kubanek “waste classification system using imageprocessing and convolutional neural networks”, computational intelligence, pp.350-361,doi: 10.1007/978-3-030-20518-8_30

[3] andrey n. kokoulin1, aleksandr i. tur,aleksandr a. yuzhakov,"convolutional neural networks application inplastic waste recognition and sorting", 2018 ieee conference of russianyoung researchers in electrical and electronic engineering (eiconrus)，10.1109/eiconrus.2018.8317281