专栏名称: 养码场

养码场，一个技术人职场社交平台。现有“养码人”80000+，覆盖JAVA/PHP/iOS/测试/运维等领域。80%级别在P6及以上，含P9技术大咖30人，技术总监和CTO 500余人。

程序员如何不被垃圾分类逼疯？

养码场 · 公众号 · · 2019-07-02 16:36

正文

今天是《上海市生活垃圾管理条例》施行的第2天，这场被称为“史上最严”垃圾分类多次成功占据热搜头条。

在逼疯了魔都人民后，其他省市的吃瓜人民也不用“羡慕”了。

在2020年底，以下46个城市也要也将基本建成垃圾分类处理系统

那么，问题来了。

用过的餐巾纸是干垃圾还是湿垃圾？

喝过的奶茶是干垃圾还是湿垃圾？

于是

以前手机屏幕上是：

今天吃什么外卖好？麻辣香锅、小龙虾、煲仔饭、重庆小面……

现在手机屏幕上是：

外卖是什么垃圾、龙虾壳是什么垃圾、可乐是什么垃圾……

每天早上，站在垃圾桶前的你，好像当初在做高数的我。 甚至饿了么、支付宝还迅速推出了代扔垃圾服务……

然而，垃圾变量太多，如何才能做到百分百的准确率？ 程序员为了不被垃圾分类逼疯，都干了什么？

基于深度学习的垃圾自动分类器

这是湿垃圾还是干垃圾还是可回收垃圾？深度学习自动识别。

第一步：垃圾图像数据准备。动手收集海量的“垃圾”图像并为每张图像标注上相应的类别（主要通过百度图片爬取相对应垃圾的图像），将分好类别的“垃圾”图像数据集作为训练的基础。

注：在实际的应用场景中，待分类的样本往往是不可控的，所以一般会增加“其他”这个类别用来收留各种异常样本。而在垃圾分类中，干垃圾已经扮演了“其他”的角色。

第二步，基于深度卷积神经网络的图像分类算法做垃圾分类。

使用50层的ResNet来构建垃圾自动分类器，具体是采用在ImageNet数据集上预训练的ResNet50模型参数作为初始化，利用之前收集的“垃圾”图像数据集对其进行微调。

其中，将上述ResNet50的最后一层输出从1000（ImageNet数据集的分类数量）修改为4（垃圾分类数量），同时在训练过程中冻结了部分卷积层参数的更新。

此外还进一步利用水平翻转、随机裁剪和色彩抖动等方式对训练的“垃圾”图像进行数据增强。

Intuitive AI： OSCAR垃圾分类系统

Intuitive AI公司推出了一款名为OSCAR的垃圾分类系统，该系统通过机器视觉进行垃圾分类。

拥有一块32英寸显示屏和智能摄像头，通过机器学习算法，可以识别用户手中的物品并可以告诉用户接下来该如何处理（分别将其中哪些部分扔到哪个垃圾桶里）。

BHS： MAX-AI

美国的 BHS（ Bulk Handling Systems ）公司的智能分拣机 MAX-AI ，通过视觉识别和多层神经网络技术，配合传送带送递垃圾，可以实现不不同材质的分类。

这个好，不用自己分类了……

微信小程序

目前微信小程序端已经出现了好几款垃圾分类小程序，是目前相对操作简单，成本低上手快的工具。

场主经过使用发现，主要分为2类：1、图像识别 2、文字检索。

但是尽管操作简单，样本数据仍显不足，图像识别速度过慢且存在误差，总体对于纸巾、奶茶杯等物品可以轻松识别，而遥控小车、打碎的玻璃碗等则难以区分垃圾类别。

总体看下来，垃圾分拣的难点主要在于识别不同的材料特征并予以归类 ，程序性非常强，相比其他领域，垃圾分类的技术门槛似乎并不很高，人工智能的智能检测、物体识别技术都大有可为。

场主认为，程序员们可以尝试着搞起来了。