王 珂，和 莉，趙 慧，王小軍，郝 喆

(江蘇開(kāi)放大學(xué)信息化建設(shè)處，江蘇 南京 210036)

全球的廢棄電器和電子設(shè)備(Waste Electrical and Electronic Equipment，WEEE)大約每年會(huì)產(chǎn)生3 000 萬(wàn)噸到5 000 萬(wàn)噸的電子垃圾，雖然電子垃圾具有很高的回收價(jià)值，但大多數(shù)電子垃圾也含有必須從城市垃圾流中分離出來(lái)的有害物質(zhì)。垃圾回收機(jī)構(gòu)提供了不同的收集方式，包括在超市和電器電子設(shè)備商店收集，市政收集中心、路邊收集，家庭收集等等。特別是在城市中心，按需收集電子垃圾可能更符合城市的垃圾回收策略。印度和中國(guó)已經(jīng)對(duì)基于互聯(lián)網(wǎng)的垃圾回收服務(wù)進(jìn)行了調(diào)查，新興技術(shù)和電子商務(wù)已成為電子廢棄物回收領(lǐng)域的新趨勢(shì)。在國(guó)內(nèi)，Zhang 等[1]調(diào)查了居民選擇智能設(shè)備進(jìn)行電子垃圾回收的關(guān)鍵驅(qū)動(dòng)因素和障礙。他們發(fā)現(xiàn)，智能設(shè)備并沒(méi)有被居民普遍接受，并且態(tài)度、主觀規(guī)范，以及對(duì)智能設(shè)備便利性的感知與使用的意愿呈正相關(guān)。

智能手機(jī)和移動(dòng)應(yīng)用設(shè)備無(wú)處不在，在當(dāng)前的“信息社會(huì)”中有著廣泛的應(yīng)用，然而，支持垃圾回收的移動(dòng)應(yīng)用程序相對(duì)有限。其功能主要用于尋找廢物收集站的位置，或設(shè)置有關(guān)收集時(shí)間的提醒。一項(xiàng)使用基于物聯(lián)網(wǎng)的垃圾收集應(yīng)用程序[5]的研究還包括了其他功能，比如車(chē)輛路線規(guī)劃等。在許多情況下，居民無(wú)法給垃圾回收公司提供精準(zhǔn)的數(shù)據(jù)，在收集點(diǎn)，如果有過(guò)多的廢棄設(shè)備需要回收，或者該設(shè)備的尺寸過(guò)大，將會(huì)給回收公司增加回收難度。

如圖1 所示，從個(gè)人處理報(bào)廢設(shè)備的角度以及垃圾回公司的角度概述了WEEE 的優(yōu)先處理次序。需要考慮所收集設(shè)備的類(lèi)型、尺寸和數(shù)量，這些數(shù)據(jù)是整合垃圾回收策略的組成部分，該計(jì)劃中使用的車(chē)輛和人力資源，是回收成本和運(yùn)輸費(fèi)用的主要因素。按需回收垃圾主要針對(duì)中大型垃圾項(xiàng)目，要整合車(chē)輛資源和優(yōu)化路徑。

圖1 個(gè)人與垃圾回收公司優(yōu)先處理策略

深度學(xué)習(xí)技術(shù)采用直接從圖片數(shù)據(jù)進(jìn)行特征識(shí)別，在眾多圖片檢測(cè)和目標(biāo)分類(lèi)中取得了巨大的進(jìn)步，目標(biāo)檢測(cè)與識(shí)別已廣泛應(yīng)用于機(jī)器人、電子產(chǎn)品、道路安全、自動(dòng)駕駛、智能交通系統(tǒng)和文本識(shí)別等人工智能系統(tǒng)中，其主要技術(shù)手段是利用視覺(jué)識(shí)別算法來(lái)識(shí)別目標(biāo)的類(lèi)型和尺寸，基于圖片識(shí)別的目標(biāo)檢測(cè)是識(shí)別圖片中是否出現(xiàn)了特定的目標(biāo)，確定檢測(cè)目標(biāo)之后，使用特殊的可調(diào)節(jié)框架確定其位置和大小。

在本文研究中，探索了一種新的垃圾回收系統(tǒng)，主要是促進(jìn)個(gè)人與垃圾回收公司之間數(shù)據(jù)的精準(zhǔn)交流。提出了一種新穎的方法來(lái)識(shí)別和分類(lèi)廢物設(shè)備[2]。該算法主要采用具有深度學(xué)習(xí)特性的神經(jīng)網(wǎng)絡(luò)，基于區(qū)域的深度卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)圖片中廢物設(shè)備的類(lèi)別和大小。

1 相關(guān)研究工作

1.1 電子垃圾圖片識(shí)別系統(tǒng)

一種新穎的WEEE 收集規(guī)劃系統(tǒng)方案包括廢物設(shè)備的識(shí)別和分類(lèi)，如圖2 所示。首先把準(zhǔn)備處置的廢物設(shè)備拍攝成單獨(dú)的照片，然后將照片上傳到后臺(tái)識(shí)別廢物設(shè)備的圖片識(shí)別服務(wù)器上。根據(jù)智能手機(jī)的性能，這個(gè)系統(tǒng)也可以作為一個(gè)移動(dòng)應(yīng)用程序的APP。然后在識(shí)別和分類(lèi)電子廢物后，垃圾回收公司會(huì)根據(jù)廢物的大小和類(lèi)別制定有效的回收計(jì)劃。其中規(guī)劃過(guò)程可以進(jìn)一步應(yīng)用人工智能算法，為垃圾回收車(chē)輛提供最優(yōu)路徑[3]。

圖2 WEEE 收集規(guī)劃系統(tǒng)總體方案

1.2 基于深度學(xué)習(xí)的電子垃圾識(shí)別

深度學(xué)習(xí)是用于建立和模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，并模仿人腦的機(jī)制來(lái)解釋數(shù)據(jù)的一種機(jī)器學(xué)習(xí)技術(shù)，深度學(xué)習(xí)最大的意義就在于能夠提取對(duì)象的特征，機(jī)器學(xué)習(xí)直接從數(shù)據(jù)中“學(xué)習(xí)”信息，而不依賴(lài)預(yù)先確定的方程作為模型。本文提出的基于深度卷積神經(jīng)網(wǎng)絡(luò)CNN 電子垃圾識(shí)別模型[4]，如圖3 所示。

圖3 基于深度卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)器模型

模型輸入包含選定類(lèi)別的電子垃圾的圖片。在本文的研究中，選擇了家庭中常用的三種電器和電子設(shè)備:冰箱、洗衣機(jī)、監(jiān)視器或電視機(jī)。每種設(shè)備都有自己獨(dú)特的特征，其中模型的輸出類(lèi)別是三類(lèi)。深度卷積神經(jīng)網(wǎng)絡(luò)CNN 可以分為兩個(gè)主要的功能模塊:特征學(xué)習(xí)模塊、分類(lèi)模塊。特征學(xué)習(xí)模塊主要由交替卷積層和池化層組成，卷積層對(duì)輸入的h×b×c(圖像高度h×圖像寬度b×通道數(shù)c)圖片x進(jìn)行了2D 卷積，具有m個(gè)不同的濾波器。輸出是c個(gè)通道的特征圖y。

式中:bk是偏差；Wi，j，p，q是濾波器尺寸為kh×kb的第q層權(quán)重；i＝1，2，…，h；j＝1，2，…，b；p＝1，2，…，c；q＝1，2，…，m。

二維卷積層將滑動(dòng)卷積濾波器應(yīng)用于輸入層，該層通過(guò)沿輸入方向的垂直和水平方位移動(dòng)濾波器對(duì)輸入進(jìn)行卷積，計(jì)算權(quán)重和輸入的點(diǎn)積，然后加上一個(gè)偏置項(xiàng)[5]。池化層主要負(fù)責(zé)空間子采樣，它進(jìn)行一個(gè)特殊的二維卷積，步長(zhǎng)大于1，通常等于濾波器的大小。該網(wǎng)絡(luò)中的最大池化層如下式所示:

式中:h是輸入圖像的高度；b是輸入圖像的寬度；y是尺寸為hp×bp的池化結(jié)果；i＝1，2，…，hp；j＝1，2，…，bp；q＝1，2，…，m。

特征學(xué)習(xí)模塊的每一層都將前一層的輸出作為輸入，從而形成一個(gè)分層特征映射，將原始像素?cái)?shù)據(jù)轉(zhuǎn)換為多層特征向量。分類(lèi)模塊由全連接層組成，該方法利用最高層次的特征向量作為單隱藏層前饋神經(jīng)網(wǎng)絡(luò)分類(lèi)器。對(duì)于分類(lèi)任務(wù)，輸入大小通常是訓(xùn)練圖片的大小[6]。使用的圖片為RGB 格式，大小為128 pixel×128 pixel。

1.3 基于深度卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)結(jié)果

采集了一組廢棄電器設(shè)備的照片進(jìn)行分類(lèi)。這組數(shù)據(jù)包括不同型號(hào)的冰箱、洗衣機(jī)和電視機(jī)，如圖4 所示為相關(guān)數(shù)據(jù)圖片。

圖4 訓(xùn)練數(shù)據(jù)部分樣圖

該網(wǎng)絡(luò)使用1 800 張圖片進(jìn)行訓(xùn)練，分為3 類(lèi)，每類(lèi)600 張，然后選取300 張測(cè)試圖片，每類(lèi)100 張進(jìn)行測(cè)試。其中，數(shù)據(jù)集的制作采用網(wǎng)絡(luò)爬蟲(chóng)和人工拍攝的方式，為了保證圖片類(lèi)別的準(zhǔn)確性，所有圖片都經(jīng)過(guò)人工預(yù)處理。測(cè)試圖片不是訓(xùn)練集的一部分，為提高訓(xùn)練和測(cè)試的準(zhǔn)確率[7]，對(duì)圖片進(jìn)行方形裁剪。每個(gè)圖片包含一個(gè)廢物物品(冰箱、洗衣機(jī)、電視機(jī)、顯示器)，圖片縮放到128 pixel ×128 pixel。采用不同的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，測(cè)試了卷積神經(jīng)網(wǎng)絡(luò)包含的3 個(gè)卷積層。在3 個(gè)方面對(duì)深度卷積層結(jié)構(gòu)進(jìn)行了修改:濾波器的數(shù)目，濾波器的大小，以及圖片輸入的大小。使用系統(tǒng)的方法來(lái)確定濾波器的大小，卷積層c1 濾波器的大小為7×7，9×9，和11×11，卷積層c2 濾波器的大小為7×7，5×5，和3×3，卷積層c3 濾波器的大小為3×3。逐步改變?yōu)V波器的大小和數(shù)量，訓(xùn)練步長(zhǎng)范圍是1 到4，進(jìn)行訓(xùn)練得到新的參數(shù)，重復(fù)訓(xùn)練5 次，對(duì)訓(xùn)練結(jié)果進(jìn)行評(píng)估，選擇性能最好的一組濾波器。

2 實(shí)驗(yàn)分析

2.1 選定類(lèi)別電子垃圾分類(lèi)結(jié)果

表1 中給出了2 種深度卷積神經(jīng)網(wǎng)絡(luò)的詳細(xì)配置參數(shù)，網(wǎng)絡(luò)的Padding 卷積層分別為0、1、1，F(xiàn)S 是濾波器的大小，F(xiàn)M 是特征圖，MS 是特征圖的尺寸，最大池化層是3×3 的濾波器，并且在測(cè)試的過(guò)程中對(duì)洗衣機(jī)、冰箱和顯示器使用C1、C2 和C3 卷積層特征可視化，如圖5 所示。利用該方法對(duì)3 類(lèi)電子垃圾設(shè)備進(jìn)行了檢測(cè)和分類(lèi)，平均準(zhǔn)確率為90%到96.7%，其準(zhǔn)確率的波動(dòng)取決于參數(shù)的配置和訓(xùn)練數(shù)據(jù)量的大小，分類(lèi)結(jié)果的混淆矩陣如圖6 所示。

圖5 CNN2 卷積神經(jīng)網(wǎng)絡(luò)輸出特征可視化

表1 兩種深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的分類(lèi)結(jié)果

在混淆矩陣圖6 中，行對(duì)應(yīng)于預(yù)測(cè)的輸出類(lèi)，列對(duì)應(yīng)于真實(shí)的目標(biāo)類(lèi)。對(duì)角線單元對(duì)應(yīng)于已正確分類(lèi)的預(yù)測(cè)值，非對(duì)角線單元對(duì)應(yīng)于未正確分類(lèi)的預(yù)測(cè)值。圖6 最右邊的一列顯示了預(yù)測(cè)每個(gè)類(lèi)中所有已測(cè)試圖片中正確和不正確的分類(lèi)百分比[8-10]。圖6 底部的一行顯示了屬于每個(gè)類(lèi)的所有圖片的正確分類(lèi)和不正確分類(lèi)的百分比，圖6 右下角的單元格顯示了總體準(zhǔn)確率。該方法只允許識(shí)別圖片中的一個(gè)對(duì)象，并對(duì)圖片尺寸大小有要求。

圖6 卷積網(wǎng)絡(luò)CNN1 和CNN2 對(duì)三類(lèi)垃圾進(jìn)行分類(lèi)的結(jié)果

2.2 多目標(biāo)分類(lèi)識(shí)別

Faster R-CNN 算法利用了卷積神經(jīng)網(wǎng)絡(luò)來(lái)提取輸入的垃圾圖像特征圖，然后再通過(guò)共享卷積層將該特征圖分別送入Faster R-CNN 網(wǎng)絡(luò)和區(qū)域提議網(wǎng)絡(luò)中，算法框架如圖7 所示。采用Faster R-CNN網(wǎng)絡(luò)在一幅圖片中同時(shí)識(shí)別多個(gè)物體，F(xiàn)aster RCNN 網(wǎng)絡(luò)可以選擇要處理的區(qū)域并確定如何對(duì)這些區(qū)域進(jìn)行分類(lèi)，并且在識(shí)別多個(gè)目標(biāo)的同時(shí)還可以識(shí)別物體的尺寸[11-12]。使用CNN 作為基礎(chǔ)網(wǎng)絡(luò)的Faster R-CNN 目標(biāo)檢測(cè)網(wǎng)絡(luò)包含3 個(gè)卷積層，濾波器大小為5×5，3×3 和3×3，并對(duì)其他的網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整(濾波器數(shù)量、層數(shù)、完全連接層中的神經(jīng)元個(gè)數(shù)、最大循環(huán)數(shù))，網(wǎng)絡(luò)訓(xùn)練有多個(gè)階段，每個(gè)階段學(xué)習(xí)完成的條件為10 個(gè)epoch，以達(dá)到最佳效果。

圖7 Faster R-CNN 算法框架

廢物設(shè)備的圖片可以包含一種、兩種或三種類(lèi)型的廢物，以及幾件相同的設(shè)備，或相同類(lèi)別的設(shè)備。設(shè)備類(lèi)型的識(shí)別是電子垃圾收集規(guī)劃的第一步，確定對(duì)象的大小是關(guān)鍵，WEEE 收集計(jì)劃要求指定一輛能夠裝載客戶(hù)要求處理的所有廢物設(shè)備的車(chē)輛，電子垃圾報(bào)告的自動(dòng)化系統(tǒng)既方便客戶(hù)拍照并發(fā)送照片，也方便收集公司服務(wù)器的后臺(tái)處理，上傳的所有照片都可以被識(shí)別并按類(lèi)別和大小進(jìn)行分類(lèi)，圖8 是多目標(biāo)識(shí)別對(duì)象的示例。該方法的準(zhǔn)確率平均為90%，洗衣機(jī)圖片識(shí)別為100%，冰箱圖片識(shí)別為80%。CNN 網(wǎng)絡(luò)比R-CNN 網(wǎng)絡(luò)更能準(zhǔn)確地識(shí)別物體。Faster R-CNN 的優(yōu)點(diǎn)是能準(zhǔn)確識(shí)別目標(biāo)的大小[13-14]，圖9 為網(wǎng)絡(luò)采用四折交叉驗(yàn)證算法進(jìn)行驗(yàn)證，經(jīng)過(guò)了400 個(gè)epoch 評(píng)估測(cè)試。從圖中可以看出，當(dāng)訓(xùn)練模型在200 個(gè)epoch 時(shí)曲線趨于平穩(wěn)，性能最優(yōu)。圖10 是訓(xùn)練過(guò)程的Loss 曲線，可以看出網(wǎng)絡(luò)能夠迅速收斂，沒(méi)有出現(xiàn)大幅度震蕩和過(guò)擬合，說(shuō)明網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)較為合理。

圖8 Faster R-CNN 多目標(biāo)檢測(cè)結(jié)果

圖9 卷積神經(jīng)網(wǎng)絡(luò)四折交叉驗(yàn)證準(zhǔn)確率測(cè)試

圖10 訓(xùn)練過(guò)程的Loss 曲線

深度學(xué)習(xí)的研究需要很高的硬件配置環(huán)境，尤其是對(duì)實(shí)驗(yàn)機(jī)器的顯卡性能和內(nèi)存要求極高，所以本實(shí)驗(yàn)使用1080Ti 顯卡和64 Gbyte 的DDR4 內(nèi)存，該配置具有極強(qiáng)的處理性能。

3 結(jié)論

本文提出了一種新的電子垃圾圖片識(shí)別和分類(lèi)方法，利用CNN 對(duì)電子垃圾類(lèi)型進(jìn)行分類(lèi)，并利用Faster R-CNN 對(duì)圖片中垃圾設(shè)備的類(lèi)別和大小進(jìn)行檢測(cè)，采用的分類(lèi)識(shí)別算法具有較高的識(shí)別率。由于數(shù)據(jù)量不充足，可通過(guò)對(duì)數(shù)據(jù)量進(jìn)行擴(kuò)充，進(jìn)一步提高模型的準(zhǔn)確率和魯棒性?；谏疃葘W(xué)習(xí)CNN和Faster R-CNN 網(wǎng)絡(luò)識(shí)別廢物設(shè)備的準(zhǔn)確性為90%到96.7%。相比之下Faster R-CNN 網(wǎng)絡(luò)的準(zhǔn)確性較低(90%)，但可以進(jìn)行識(shí)別并確定圖片中目標(biāo)的大小。這種用于識(shí)別廢物的新方法為數(shù)字化的解決方案提供思路，利用智能手機(jī)的拍照上傳功能，從而可以根據(jù)客戶(hù)圖片識(shí)別報(bào)告選擇收集的設(shè)備。后續(xù)的研究會(huì)考慮識(shí)別和分類(lèi)多種廢物設(shè)備，并改進(jìn)網(wǎng)絡(luò)模型提高系統(tǒng)的整體性能。