近年來,隨著國民經(jīng)濟水平的提高,居民消費質(zhì)量明顯改善,隨之帶來的生活垃圾增長率也逐年遞增。如果垃圾分類處理不準(zhǔn)確,居民的生活質(zhì)量將會嚴(yán)重受到影響。國外一些發(fā)達國家的垃圾分類經(jīng)驗告訴我們:垃圾科學(xué)處理的前提是進行垃圾分類,準(zhǔn)確的垃圾分類能夠有效減少促進垃圾回收和處理。因此,針對目前國內(nèi)垃圾分類處理混亂的現(xiàn)狀,有必要開展城市生活垃圾分類技術(shù)研究,以指導(dǎo)居民高效地進行生活垃圾處理,從而減少居民亂丟亂棄垃圾的現(xiàn)象。本文開展城市生活垃圾分類技術(shù)研究,基于深度學(xué)習(xí)研究垃圾分類技術(shù),用直觀、便捷的方式指導(dǎo)居民進行垃圾分類,能夠使生活垃圾分類落到實處。首先,論文介紹了人工神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)模型及學(xué)習(xí)訓(xùn)練過程,簡單闡述了幾種經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點。其次,論文以上海市生活垃圾分類為對象,構(gòu)建了針對四大類的垃圾分類數(shù)據(jù)集,數(shù)據(jù)集分為訓(xùn)練集和測試集,涵蓋圖片數(shù)量高達79478張,圖片來源為網(wǎng)絡(luò)下載。接著,論文選用VGGNet網(wǎng)絡(luò)結(jié)構(gòu),基于Tensor Flow框架,開展了卷積神經(jīng)網(wǎng)絡(luò)在垃圾分類上的應(yīng)用研究,進行了VGGNet網(wǎng)絡(luò)在垃圾圖片分類上的準(zhǔn)確率測試。然后,通過對網(wǎng)絡(luò)結(jié)構(gòu)和激活函數(shù)的改進,能...

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外垃圾分類研究現(xiàn)狀
        1.2.1 國外垃圾分類研究現(xiàn)狀
        1.2.2 國內(nèi)垃圾分類研究現(xiàn)狀
    1.3 卷積神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀
    1.4 論文的研究思路
    1.5 論文的章節(jié)結(jié)構(gòu)
第2章 人工神經(jīng)網(wǎng)絡(luò)及卷積神經(jīng)網(wǎng)絡(luò)的理論
    2.1 人工神經(jīng)網(wǎng)絡(luò)概述
        2.1.1 人工神經(jīng)元模型
        2.1.2 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型
        2.1.3 人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程
    2.2 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及訓(xùn)練
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程
    2.3 幾種經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)
        2.3.1 LeNet
        2.3.2 AlexNet
        2.3.3 VGGNet
        2.3.4 ResNet
    2.4 深度學(xué)習(xí)框架
        2.4.1 TensorFlow
        2.4.2 Keras
    2.5 本章小結(jié)
第3章 卷積神經(jīng)網(wǎng)絡(luò)在垃圾分類上的應(yīng)用研究
    3.1 基于卷積神經(jīng)網(wǎng)絡(luò)的垃圾圖像分類流程
    3.2 垃圾分類數(shù)據(jù)集構(gòu)建
        3.2.1 上海市生活垃圾分類
        3.2.2 數(shù)據(jù)集的構(gòu)建原則
        3.2.3 數(shù)據(jù)集的構(gòu)建思路
        3.2.4 垃圾圖像訓(xùn)練數(shù)據(jù)集與測試數(shù)據(jù)集構(gòu)建
    3.3 卷積神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)框架的選取
        3.3.1 卷積神經(jīng)網(wǎng)絡(luò)初選
        3.3.2 深度學(xué)習(xí)框架選取及環(huán)境搭建
    3.4 卷積神經(jīng)網(wǎng)絡(luò)的驗證
        3.4.1 卷積神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率定義
        3.4.2 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
        3.4.3 卷積神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率測試
    3.5 本章小結(jié)
第4章 VGGNet網(wǎng)絡(luò)結(jié)構(gòu)及激活函數(shù)改進
    4.1 VGGNet網(wǎng)絡(luò)的缺點分析
        4.1.1 VGGNet網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)特點
        4.1.2 VGGNet網(wǎng)絡(luò)的缺點
    4.2 VGGNet網(wǎng)絡(luò)結(jié)構(gòu)改進
    4.3 卷積神經(jīng)網(wǎng)絡(luò)中激活函數(shù)的作用
    4.4 常用的激活函數(shù)
        4.4.1 Sigmoid函數(shù)
        4.4.2 Tanh函數(shù)
        4.4.3 ReLu函數(shù)
        4.4.4 LReLu函數(shù)
        4.4.5 Softplus函數(shù)
    4.5 改進激活函數(shù)設(shè)計
    4.6 本章小結(jié)
第5章 改進后的卷積神經(jīng)網(wǎng)絡(luò)驗證及接口實現(xiàn)
    5.1 改進后的網(wǎng)絡(luò)模型訓(xùn)練和驗證
        5.1.1 訓(xùn)練環(huán)境及數(shù)據(jù)集
        5.1.2 激活函數(shù)的常數(shù)取值
        5.1.3 模型訓(xùn)練及結(jié)果分析
        5.1.4 網(wǎng)絡(luò)改進前后對比分析
    5.2 接口實現(xiàn)及測試
        5.2.1 垃圾分類API定義
        5.2.2 垃圾分類API實現(xiàn)
        5.2.3 垃圾分類API測試
    5.3 本章小結(jié)
第6章 總結(jié)與展望
    6.1 論文工作總結(jié)
    6.2 論文工作展望
參考文獻
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文
致謝
大摘要



本文編號：3840346