怎么使用Python輕松完成垃圾分類

本篇內容介紹了“怎么使用Python輕松完成垃圾分類”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

思路

這問題的解決思路或許不止一條。這里只是拋磚引玉一下，提供一些淺顯的見解。

第一種方案，可以把垃圾的信息制成表格化數據，然后用傳統的機器學習方法。

第二種方案，把所有的垃圾分類信息做成知識圖譜，每一次的查詢就好像是在翻字典一樣查閱信息。

第三種方案，可以借助現在的深度學習方法，來對垃圾進行識別和分類。每次我們給一張垃圾的圖片，讓模型識別出這是屬于哪一種類別的：干垃圾，濕垃圾，有害垃圾還是可回收垃圾。

圖像分類

圖像分類是深度學習的一個經典應用。它的輸入是一張圖片, 然后經過一些處理，進入一個深度學習的模型，該模型會返回這個圖片里垃圾的類別。這里我們考慮四個類別：干垃圾，濕垃圾，有害垃圾還是可回收垃圾。

我們對圖片里的物品進行分類，這是圖像處理和識別的領域。人工智能里提出了使用卷積神經網絡（Convolutional Neural Network, CNN）來解決這一類問題。

我會用keras包和Tensorflow后端來建立模型。由于訓練集的樣本暫時比較缺乏，所以這里只能先給一套思路和代碼。訓練模型的工作之前還得進行一波數據收集。

我們就先來看看代碼大致長什么樣吧

先導入一些必要的包。

再做一下準備工作。

在上面，我們初始化了一些變量，batch size是128；num_classes = 4，因為需要分類的數量是4，有干垃圾，濕垃圾，有害垃圾和可回收垃圾這四個種類。epochs 是我們要訓練的次數。接下來，img_rows, img_cols = 28, 28 我們給了圖片的緯度大小。

在 .reshape(60000,28,28,1)中 , 60000 是圖片的數量（可變）, 28是圖片的大小（可調），并且1是channel的意思，channel = 1 是指黑白照片。.reshape(10000,28,28,1)也是同理，只是圖片數量是10000。

到了最后兩行，我們是把我們目標變量的值轉化成一個二分類， 是用一個向量（矩陣）來表示。比如 [1,0,0,0] 是指干垃圾，[0,1,0,0]是指濕垃圾等等。

接下來是建模的部分。

我們加了卷積層和池化層進入模型。激活函數是 relu，relu函數幾乎被廣泛地使用在了卷積神經網絡和深度學習。我們在層與層之間也加了dropout來減少過擬合。Dense layer是用來做類別預測的。

建完模型后，我們要進行模型的驗證，保證準確性在線。

“怎么使用Python輕松完成垃圾分類”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！