文摘
塑料垃圾管理对于整个世界来说都是一个挑战。人工分拣的垃圾是一个困难和昂贵的过程,这就是为什么科学家创建和研究自动排序方法,增加回收过程的效率。塑料垃圾可能会自动选择一个传送带垃圾处理利用图像处理和人工智能的方法,特别是深入学习,提高回收过程。废物隔离技术和程序应用于主要组的材料,如纸张、塑料、金属和玻璃。然而,最大的挑战是在一组分离不同的材料类型,例如,不同颜色的玻璃或塑料类型排序。塑料垃圾的问题是很重要的,因为只有某些类型的塑料回收的可能性(PET可转化为聚酯材料)。因此,我们应该寻求独立的这种浪费。的一个机会是使用深度学习和卷积神经网络。在家庭垃圾,最成问题的是塑料组件,主要类型是聚乙烯,聚丙烯,聚苯乙烯。本文中考虑的主要问题是创建一个自动塑料垃圾隔离方法,可以单独提到垃圾分为四个类别,PS, PP, PE-HD,和宠物,可以应用于排序植物或公民。 We proposed a technique that can apply in portable devices for waste recognizing which would be helpful in solving urban waste problems.
1。介绍
浪费和与它相关的风险在环境保护成为一个越来越严重的问题。有一个世界上扩大对废物管理的兴趣,在这两个技术的发展减少他们的数量和相关处理和经济使用。极端的废物产生的主要原因是非理性的材料管理。垃圾填埋场的垃圾收集可能被用作辅助原料,,估计的价值几亿美元。这是煤量的25%;35%的锌、铅、铁和其他金属;和40%相关组件(如灰、渣,岩石废料,骨料等(1]。限制产生浪费的质量水平,确保原料,平衡生态、生活废水是不可能没有广泛的同步技术和人们的生活方式与生态结构的形成和工作区域。行动旨在减少垃圾数量生产和放置在环境应该包括回收原料,最大限度地减少废物生产从端到端,使用现代含量或nonwaste技术,取代传统的原材料(2]。目标系统为解决生产的问题浪费污染自然环境较低和杜绝浪费的技术。Nonwaste技术(NWT)是基于防止浪费和原料的综合利用。它涉及到大量的技术过程,导致总管理,因此,消除污染对环境无不良影响。这里的条件是,浪费不应该存在。NWT的实现有其经济合理性,因为材料的充分利用,因此,减少废物的数量,允许增加产量和减少允许进口的原材料。在某些情况下,还可以减少电能的消耗,热,或技术通过减少能源消耗废物处理流程。使用nonwaste技术的好处还包括减少材料消耗、环境损失,和运营成本。
另一个方法来减少浪费是回收。它的基本任务是最大限度地重用相同的材料,包括减少支出的处理。回收过程发生在两个领域:生产商品和随后的一代的浪费。它的假设假设实施适当的态度制造商,最可回收材料,有利于生产和接受者之间建立适当的行为。回收废料postconsumer产品可以使用,其中二次利用原料结合它的条件和成分的变化。为此,有必要浪费不仅为分数,如金属,生物塑料,或玻璃。这里有必要使用先进的技术来区分各个组材料的类型,因为并不是所有的都适合今天的重用。例如,最简单的方法恢复和回收PET塑料。
促进全世界回收过程,介绍了几种类型的塑料标签如下:(我)01-PET-polyethylene-terephthalate(2)02-HDPE-high-density-polyethylene(3)03-PVC-polyvinyl-chloride(iv)04-LDPE-low-density-polyethylene(v)05-PP-polypropylene(vi)06-PS-polystyrene(七)07-other
四种类型的塑料支配着生活垃圾:宠物,HDPE、PP、PS。将他们划分为单个类型的塑料将允许重用其中的一些。其中一个选项是使用计算机图像识别技术与人工智能相结合。我们提出了一种技术,可以应用在便携式设备浪费认识将有助于解决城市垃圾问题。设备可以在家里和废物分类植物、微机使用微型摄像机时,它将结果通过LED二极管。然后,用户手动把浪费在正确的盒子。
2。对塑料垃圾分离方法
排序的过程材料适合从都市固体废物回收有问题的和昂贵的。首先,干和湿废物分离和电磁技术用于含铁材料。然而,一个视觉(3,4)方法可以用来隔离塑料垃圾。在光学排序,相机是用于识别不同的浪费分数基于视觉属性,如颜色、形状或纹理。黄等人计划排序方法,它结合了一个3 d彩色相机和激光在传送带上。该方法创建三角形相机图像激光固定在底座上,这就是为什么它被称为三角扫描(5]。另一组是光谱成像方法。这是一个相结合的光谱反射测量技术和计算机图像处理。这些类型的方法使用近红外(NIR)光谱成像(HSI),和视觉图像光谱(VIS) [6- - - - - -8]。高光谱相机获取图像在狭窄的谱带,和另一个系统分析光谱数据。然后,数据预处理和减少使用一种特殊的算法。数组压缩空气喷嘴的皮带将浪费成单个容器根据分类器的决定(9,10]。spectroscopy-based技术,针对塑料垃圾,每种类型的塑料反映了不同范围的波。近红外光谱和激光传感器捕捉反射谱,在此基础上,材料分类。这种类型的技术开发的影响等。11)对于识别PP材料混合浪费。分类的PP和PE材料,恒生指数方法使用近红外光谱(近红外)光(1000 - 1700 nm)可以使用12,13]。主成分分析(PCA) (14)是用于提高分类算法的准确性。然而,另一种是一个快速的方法分类塑料使用的融合米尔光谱和独立分量分析(ICA)由Kassouf等人在15]。不幸的是,提出的方法有几个明显的缺点:浪费必须地,这是一个成本,和小颗粒更难以进行分类。因此,没有这些缺点应该开发一种技术。
3所示。提出了系统
系统与微机专用图像处理可用于识别的类型的塑料垃圾。我们提出的系统使用一个RGB摄像头和微型计算机与计算机视觉软件对塑料垃圾进行分类。形式的程序控制喷嘴的分类器与空气管理(图右边的废物容器1)。软件系统采用图像处理技术的图像预处理。关键因素是基于卷积人工神经网络分类器开发和深度学习16),这是用于对象分类。对于国内版本的设备,该设备将包括识别对象的树莓π型微机,和用户手动将垃圾在一个特定的容器。还可以使用这个版本。
4所示。卷积神经网络
卷积神经网络(CNN)是一种人工神经网络的数学模型。神经元的结构创建类似于哺乳动物视觉皮层的结构。当地的像素排列确定物体的形状。CNN首先识别图像中规模较小的本地模式,然后将它们组合成更复杂的形状。卷积神经网络可能是一个有效的解决方案排序问题的浪费,因为他们非常有效地识别图像中的对象。CNN的结构通常由三种类型的层:卷积,池,完全连接。卷积和池层堆积一个接一个。相比之下,与完全连接层神经元生成概率的类成员(17,18]。实验选择结构。MATLAB的编程过程。
5。实验
神经网络的结构设计时,第一步是解决输入图像的大小。高分辨率结果增加的数量和时间的计算,进而可能导致过载的计算单位和他们的记忆。另一个目标是开发这样一个结构,可以建在树莓π型微机。处理图像的大小太大是不可能实时分析。反过来,输入的低分辨率图像将很难或无法识别对象,从而达到预期的性能。我们决心进行研究与图像分辨率120×120像素和227×227像素。下一个重要步骤的点的数量和层次类型CNN网络。两个CNN网络是有经验的,相反的层数和大小卷积过滤器。第一个测试结构(基于AlexNet网络)封闭23层。卷积在这个网络,第一层由64过滤器的大小11×11。 A total of six layers were responsible for encoding the image and then delivering data to the three full-connected layers. This structure for images of 227 × 227 pixels is shown in Table1。
第二网络(作者的建议)包含15层。卷积在这个网络,第一层由64个大小9×9的过滤器。总共有三层负责编码图像,然后两个接触层提供数据。这种结构为120×120像素的图像显示在表中2。
在我们的研究中,我们使用一个简化的模型对象识别的车站,只有一个浪费的镜头。准备输入数据的学习和测试阶段是一个关键元素。对于深层神经网络的实验,需要收集大量的数据为每个标识类,几千。组图片代表对象分类四类:宠物,PE-HD, PS, PP。图片来自WaDaBa [19)数据库,和几个样品如图2。图像数据库包含对象主要是宠物的照片因为有国内最常见的垃圾被回收利用。这就是为什么单独的类有不同数量的照片。为了建立图像的数量在每个类,我们修改了现有的图像旋转。图像从宠物类每24°,从PE-HD类,旋转每6°;从PS类每5°;每7°和PP类。这样,我们获得了33000张图片的宠物类,36000图像PE-HD类,37440 PS类图片,,33岁,80 PP类图像。不同程度的旋转被用于发展的图像设置为图像从不同的类,以平衡每个类别的样本数量。结果显示,这个数据集被证明是足够正确告诉CNN。
6。结果与讨论
6.1。培训和验证
研究包括在培训准备网络和使用不同的部门分类精度的确定输入数据为训练和测试数据。数据准备四个阶段:90%(训练数据),10%(测试数据),80% - -20%,70% - -30%和60% - -40%(表3)。
网络的学习过程是与上面描述的数据集进行的。教学通过两个结构,两种类型的输入图像,分辨率120×120、227×227像素。较小的图像是由应用图像缩放功能,也减少了图片和细节的结果的数量特征。学习是学习的变量值系数,从0.001和减少每个后续4时代,时代和固定1064次迭代。实验显示在随后的迭代中获得最好的准确性和损失值在90% - -10%的分区分层网络的学习和输入图像的分辨率为120×120像素。图表是由10时代之后。
分析实验的结果,可以看出,对于我们的15-layer网络和图像120×120,4时代就足以获得一个可容忍的水平。也进一步的培训,学习速率较低,不给准确性的重要影响。实现精度97.43%,此前4时代是一个很好的结果。进一步学习了第十期增加效率接近100%。在227×227像素的图像的情况下,计算时间增加了一倍,精度达到91.72%。这是不能接受的系统,在实际环境中工作(19- - - - - -21]。
23-layer网络,学习过程是不同的。这个网络实现了99.23%的准确性对于第一种情况的数据和227×227像素的图像。不幸的是,相比725分钟到217分钟的学习时间(15-layer网络)的再学习过程不切实际。这个结果不是很好如果系统是在实际环境中使用。120×120像素的图片,这个网络在10时代实现精度比规模较小的网络数据低了3%3和4)。
6.2。测试
进行实验WaDaBa数据库(19]。我们用5组数据有2000图片,等于一万张图片。的目标,充分验证了该方法的正确性在测试过程中,我们使用了交叉验证方法。数据被分为5个部分。四个部分被用于教学和测试的第五。在个人组一个,B,C,D,E,各个部分交换,这样他们可以用于个人测试的测试过程,其余的学习。实验的结果与该方法实现了74%的平均效率,FRR = 10%,远= 16%(表8)。这些结果初步的发展基于图像处理技术的选择方法。分析当前状态的艺术在这个领域,我们并没有发现这种类型的解决方案。现有的方法的回顾表明,他们不习惯在整个垃圾的自动选择,但只与粒子,是昂贵的。
7所示。结论和未来的工作
实验的结果表明,我们的15-layer网络实现更好的性能为120×120像素的图像相比23-layer网络为227×227像素。我们的解决方案的另一个优势网络学习时间短。拟议中的15-layer网络变成了一个更好的结构由于更好的泛化性能,这为识别转化为更少的使用特性。因此,可以使用较小的图像大小,更有用的特性、低噪音。与其他卷积神经网络相比(表9),我们的网络就没那么有效了。然而,与其他网络相比,它有许多参数少,这是一个很大的优势的情况下实现的覆盆子π等移动设备平台。
浪费了四类的分类是在大多数情况下处于较好水平。进一步的工作将进行覆盖废物图像数据库,包括废物图像更现实的条件下,以及从其他类型。
我们还计划更详细的研究考虑改变超学习参数和各种类型的过滤器。
欧洲的研究结果表明,投资支出获得初级原材料远高于支出发生在二级原材料的使用获得生产垃圾或废物后使用。获取和处理可回收材料还包括降低能源消耗。他们还可以取代传统能源载体。例如,城市和农业垃圾是用于生产沼气或热能。更换主要原材料与辅助原材料也可以减少材料的使用,消除出口废物填埋场的成本和维护这些垃圾填埋场,缩短了生产流程,减少了劳动力的输入,从而降低了产品的生产成本。
数据可用性
在这项研究中使用的数据集是可以从相关的作者在合理的请求。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究由“波兰科学和高等教育”与“地区卓越计划”在2019年- 2022年(项目号020 /处理/ 2018/19),融资12000000 PLN的数量。