基于迁移学习的可回收生活垃圾图像分类识别研究

摘要

可回收生活垃圾的分类和再利用,是我国社会经济良性循环的重要途径.基于机器视觉的高效分类算法是垃圾智能分类的关键.提出一种在ImageNet图像数据集训练的ResNet18模型进行迁移学习的方法,用于解决可回收生活垃圾的分类识别问题.对现有的可回收生活垃圾图像集进行旋转、平移、缩放等预处理后,由人工分为纸皮、废纸、塑料、玻璃和金属5个类别.每个类别各随机选择70％的样本用作训练集,剩余30％用作测试集.在Matlab深度学习框架下,基于训练集对ResNet 18预训练模型进行迁移学习,形成新的ResNet18分类模型.对测试集的实验结果表明:新分类模型分类准确率高达93.67％,而且提高了模型的训练速度.