Cómo clasificar la basura usando Python
Es julio y todo el mundo debe haber sido torturado por una nueva política reciente, es decir, la clasificación de la basura. El "Reglamento Municipal de Gestión de Residuos Domésticos de Shanghai" se ha implementado oficialmente y creo que también lo hará.
Pero muchos amigos, como yo, no hemos entendido completamente qué se debe tirar y en qué categoría. Siento que estoy aprendiendo sobre la clasificación de la basura todos los días, lo cual es realmente embriagador.
Escuché que deberías tirar una taza de té de burbujas sin terminar como esta.
1. Primero, vierte el té con leche sin terminar en la piscina.
2. Vierta perlas, frutas y otros residuos en la basura húmeda.
3. Tirar el vaso a la basura seca.
4.Luego está la tapa. Si tiene una bebida caliente con tapa (como la mayoría de las bebidas calientes), la tapa de plástico se puede clasificar como residuo reciclable.
Al ver esto, de repente todos ya no quieren beber té con leche, jaja. Pero no importa. Aunque hay que clasificar la basura, también puedes beber té con leche.
Entonces, aquí nos gustaría discutir si los métodos de inteligencia artificial y ciencia de datos pueden ayudarnos a clasificar mejor la basura. De esta forma no tendremos que preocuparnos de qué basura tirar.
Preocupado por la caja de arena.
2 pensamientos
Puede haber más de una forma de solucionar este problema. Aquí solo estoy dando algunas ideas y brindando algunas ideas simples.
La primera solución es convertir la información de spam en datos tabulares y luego utilizar métodos tradicionales de aprendizaje automático.
La segunda opción es convertir toda la información de clasificación de basura en un gráfico de conocimiento, y cada consulta es como buscar información en un diccionario.
La tercera solución puede utilizar métodos actuales de aprendizaje profundo para identificar y clasificar la basura. Cada vez que damos una imagen de basura, le pedimos al modelo que identifique a qué categoría pertenece.
Categorías: residuos secos, residuos húmedos y residuos reciclables entre los residuos peligrosos.
3 Clasificación de imágenes
La clasificación de imágenes es una aplicación clásica del aprendizaje profundo. Su entrada es una imagen y luego, después de algún procesamiento, ingresa a un modelo de aprendizaje profundo, que devuelve la imagen.
Tipos de basura en la casa. Aquí consideramos cuatro categorías: residuos secos, residuos húmedos, residuos peligrosos o residuos reciclables.
(Periódico: residuos reciclables)
(Batería: residuos peligrosos)
(Lonchera desechable: residuos secos)
Nosotros Clasificamos Los objetos en imágenes pertenecen al campo del procesamiento y reconocimiento de imágenes. La red neuronal convolucional (CNN) fue propuesta en inteligencia artificial para resolver estos problemas.
Usaré el paquete keras y el backend de Tensorflow para construir el modelo. Debido a la falta temporal de muestras en el conjunto de capacitación, aquí solo se puede proporcionar un conjunto de ideas y códigos. Antes de entrenar el trabajo del modelo
hay una ola de recopilación de datos.
Recomendación relacionada: vídeo tutorial de Python
Primero echemos un vistazo a cómo se ve el código.
Primero importe algunos paquetes necesarios.
Haz algunos preparativos más.
Arriba inicializamos algunas variables, el tamaño del lote es 128; Num_classes = 4, porque el número a clasificar es 4, incluyendo residuos secos, residuos húmedos y residuos peligrosos.
Diablos
Cuatro categorías de residuos de reciclaje. Las épocas son la cantidad de veces que tenemos que entrenar. A continuación, img_rows, img_cols = 28, 28 damos la latitud de la imagen.
Remodelación en pulgadas (60000, 28, 28, 1), 60000 es el número de imágenes (variable), 28 es el tamaño de la imagen (ajustable), 1 significa canal, ¿canal = 1?
Se refiere a fotografías en blanco y negro. Lo mismo ocurre con. Dar forma (10000, 28, 28, 1), excepto que el número de imágenes es 10000.
En las dos últimas líneas, convertimos el valor de la variable objetivo en una clasificación binaria, representada por un vector (matriz). Por ejemplo, basura seca,
significa basura húmeda y similares.
El siguiente paso es la parte de modelado.
Agregamos capas convolucionales y de agrupación al modelo. La función de activación es relu, que se usa casi ampliamente en redes neuronales convolucionales y aprendizaje profundo. Estamos entre las capas.
También se ha añadido descenso para reducir el sobreajuste. Se utilizan capas densas para la predicción de clases.
Después de construir el modelo, debemos verificarlo en línea para garantizar su precisión.
En este punto, nuestro modelado y pronóstico se han completado aproximadamente. Para un buen modelo, es necesario optimizarlo continuamente y mejorar la precisión y otros indicadores hasta que alcance un nivel aceptable.
Este proceso de optimización no se analizará en profundidad aquí, pero se continuará más adelante.
4 Resumen
Vale la pena mencionar que aunque este método se puede implementar, definitivamente es más complicado en la operación real, especialmente los requisitos de precisión son muy altos.
Y cuando una imagen contiene varios tipos de basura, el desarrollo de nuestro modelo de clasificación será muy complicado y difícil.
Por ejemplo, necesitamos clasificar la basura de una taza de té con leche. Hay muchos tipos de basura en la foto, y son bastante grandes porque no pertenecen a una sola categoría.
Definitivamente habrá dificultades en el futuro, pero utilice el intercambio aquí como punto de partida.
Después de todo, Li Bai también dijo: "Un día, cabalgaré sobre el viento y las olas, navegaré hacia arriba y cruzaré las profundidades del mar".