還在被大媽靈魂拷問？使用Python輕鬆完成垃圾分類！

目錄 0 環境 1 引言 2 思路 3 圖像分類 4 總結

0 環境

Python版本：3.6.8

系統版本：macOS Mojave

Python Jupyter Notebook

1 引言

七月了，你們最近必定被一項新的政策給折磨的焦頭爛額，那就是垃圾分類。《上海市生活垃圾管理條例》已經正式實施了，相信仍是有不少的小夥伴和我同樣，尚未徹底搞清楚哪些應該扔在哪一個類別裏。感受天天都在學習一遍垃圾分類，真使人頭大。

據說一杯沒有喝完的珍珠奶茶應該這麼扔 一、首先，沒喝完的奶茶水要倒在水池裏 二、珍珠，水果肉等殘渣放進溼垃圾 三、把杯子要丟入幹垃圾 四、接下來是蓋子，若是是帶蓋子帶熱飲（好比大部分的熱飲），塑料蓋是能夠歸到可回收垃圾的嗷

看到這裏，是否是你們忽然都不想喝奶茶了呢，哈哈。不過沒關係，垃圾分類雖然要執行，可是奶茶也能夠照喝。

那麼，這裏咱們想討論一下，人工智能和數據科學的方法能不能幫助咱們進行更好的垃圾分類？這樣咱們不用爲了避免知道要扔哪一個垃圾箱而煩惱。

2 思路

這問題的解決思路或許不止一條。這裏只是拋磚引玉一下，提供一些淺顯的看法。

第一種方案，能夠把垃圾的信息製成表格化數據，而後用傳統的機器學習方法。

第二種方案，把全部的垃圾分類信息作成知識圖譜，每一次的查詢就好像是在翻字典同樣查閱信息。

第三種方案，能夠藉助如今的深度學習方法，來對垃圾進行識別和分類。每次咱們給一張垃圾的圖片，讓模型識別出這是屬於哪種類別的：幹垃圾，溼垃圾，有害垃圾仍是可回收垃圾。

3 圖像分類

圖像分類是深度學習的一個經典應用。它的輸入是一張圖片, 而後通過一些處理，進入一個深度學習的模型，該模型會返回這個圖片裏垃圾的類別。這裏咱們考慮四個類別：幹垃圾，溼垃圾，有害垃圾仍是可回收垃圾。

<center>（報紙 ：可回收垃圾 ）</center>

<center>（電池 ：有害垃圾 ）</center>

<center>（一次性餐盒 ：幹垃圾 ）</center>

咱們對圖片裏的物品進行分類，這是圖像處理和識別的領域。人工智能裏提出了使用卷積神經網絡（Convolutional Neural Network, CNN）來解決這一類問題。

我會用keras包和Tensorflow後端來創建模型。 因爲訓練集的樣本暫時比較缺少，因此這裏只能先給一套思路和代碼。訓練模型的工做以前還得進行一波數據收集。

咱們就先來看看代碼大體長什麼樣吧

先導入一些必要的包。

再作一下準備工做。

在上面，咱們初始化了一些變量，batch size是128； num_classes = 4，由於須要分類的數量是4，有幹垃圾，溼垃圾，有害垃圾和可回收垃圾這四個種類。epochs 是咱們要訓練的次數。接下來，img_rows, img_cols = 28, 28 咱們給了圖片的緯度大小。

在 .reshape(60000,28,28,1)中 , 60000 是圖片的數量（可變）, 28是圖片的大小（可調），而且1是channel的意思，channel = 1 是指黑白照片。 .reshape(10000,28,28,1)也是同理，只是圖片數量是10000。

到了最後兩行，咱們是把咱們目標變量的值轉化成一個二分類， 是用一個向量（矩陣）來表示。好比 [1,0,0,0] 是指幹垃圾，[0,1,0,0]是指溼垃圾等等。

接下來是建模的部分。

咱們加了卷積層和池化層進入模型。激活函數是 relu，relu函數幾乎被普遍地使用在了卷積神經網絡和深度學習。咱們在層與層之間也加了dropout來減小過擬合。Dense layer是用來作類別預測的。

建完模型後，咱們要進行模型的驗證，保證準確性在線。

到這裏，咱們的建模預測已經大概完成了。一個好的模型，要不斷地去優化它，提升精確度等指標要求，直到達到能夠接受的程度。

這優化的過程，咱們在這裏就先不深刻討論了，之後繼續。

4 總結

值得一提的是，儘管方法上是有實現的可能，可是實際操做中確定要更復雜的多，尤爲是對精度有着很高的要求。

並且當一個圖片裏面包含着好幾種垃圾種類，這也會讓咱們的分類模型開發變得很複雜，增長了難度。

好比，咱們想要對一杯奶茶進行垃圾分類，照片裏面是包含了多個垃圾的種類，這就比較頭大了，由於這並非屬於單一的類別。

前路的困難確定是有的，不過就當這裏的分享是個拋磚引玉的起點吧。

畢竟李白也說了，「長風破浪會有時，直掛雲帆濟滄海」。

關注公衆號「Python專欄」，後臺回覆「垃圾分類2」獲取本文全套代碼。更多有意思的python等着你