深度學(xué)習(xí)AI垃圾檢測算法 道路垃圾視頻監(jiān)控分析系統(tǒng)

? ? ? ?燧機深度學(xué)習(xí)AI垃圾檢測算法 道路垃圾視頻監(jiān)控分析系統(tǒng)使借助視覺技術(shù)自動分揀垃圾具有了現(xiàn)實的可能性。燧機深度學(xué)習(xí)AI垃圾檢測算法 道路垃圾視頻監(jiān)控分析系統(tǒng)通過攝像頭拍攝垃圾圖片,利用卷積神經(jīng)網(wǎng)絡(luò)檢測出垃圾的類別及位置,借助機械手或推板自動完成分揀任務(wù),可以降低人工成本,提高分揀效率。因此,開展垃圾圖像分類算法的研究,具有理論意義和重要的應(yīng)用價值。

? ? ? ?正確處理廚余垃圾，可以有效地保護環(huán)境，并帶來不錯的經(jīng)濟效益。本文將機器學(xué)習(xí)運用到廚余垃圾的分類監(jiān)控中，以識別混入其中的非廚余垃圾。本文在人工收集到的數(shù)據(jù)集的基礎(chǔ)上，共實驗了模板匹配、模板匹配+SVM，HOG特征提取+SVM，VGG16遷移學(xué)習(xí)及遷移學(xué)習(xí)模型微調(diào)這五種方法，并對后兩種方法進行了數(shù)據(jù)增強處理。對這五種方法從模型大小，訓(xùn)練時間，分類準確率等方面進行分析比較，最終選擇了遷移學(xué)習(xí)模型微調(diào)作為項目的模型，準確率為88.9%，模型大小為64.1MB，訓(xùn)練時間為84.25min。將軟件進行封裝，并加入對投放人員是否在規(guī)定時間內(nèi)投放垃圾的檢測，制作成垃圾分類監(jiān)控系統(tǒng)。建立的模型達到了提高廚余垃圾分類的準確率，減輕垃圾管理人員的勞動強度和人工成本的效果。

? ? ? ?如今國內(nèi)對廚余垃圾的監(jiān)控大多采用人工監(jiān)督的方式，由專門的監(jiān)管人員在回收站點旁對居民是否正確投放廚余垃圾的情況進行監(jiān)督。但這種純?nèi)斯さ姆绞綍霈F(xiàn)工作量大、效率低、成本高的問題，同時人工監(jiān)督的準確率也不高。
我們的項目則將當下熱門的人工智能與廚余垃圾的分類監(jiān)控相結(jié)合，利用機器學(xué)習(xí)的方法，通過系統(tǒng)對廚余垃圾進行自動分類，并對投放垃圾的人員進行監(jiān)測，判斷其是否在規(guī)定的時間段內(nèi)投放垃圾。這樣不僅能減輕垃圾管理人員的勞動強度，降低人工成本，也能提高廚余垃圾的分類準確率，使廚余垃圾能得到更好的利用。

? ? ? ?燧機深度學(xué)習(xí)AI垃圾檢測算法 道路垃圾視頻監(jiān)控分析系統(tǒng)AI算法包用于檢測畫面中垃圾，主要應(yīng)用于檢測垃圾。此算法包不會檢測人臉或者人體，適用于對穩(wěn)私要求較高場景下。檢沉到垃圾后會在畫面中將其標記并通過標準數(shù)據(jù)結(jié)構(gòu)輸出。

了解已有算法，請點擊：算法中心