【《基于深度学习的垃圾分类系统设计》10000字】

图5-6为调用摄像头对垃圾识别的过程，本模块主要使用到了摄像头的调用与截图，当用户点击开启摄像头按钮的时候，web端将同步显示摄像头所拍摄的画面，如REF_Ref5843\r\h图5-7所示（左半部分），当用户点击拍照按钮时，web端奖截取摄像头画面中的当前帧并反馈在界面中，如REF_Ref5843\r\h图5-7（中间部分）所示，当用户点击开始识别按钮时，前端会将截取到的图片通过ajax传递交给服务器进行识别，最终返回分类结果并呈现至界面。识别过程结论与展望模型总结垃圾分类是目前计算机视觉中十分重要的一项应用，本课题提出了一种能在小型数据集上取得优秀分类结果的Inception网络模型，比经典的残差网络以及近年流行的visiontransformer都能取得更好的效果。本课题利用Django搭建一个web端在线系统，将模型部署到在线web端，使用户能够更加直观的体验到垃圾分类的效果。系统的垃圾分类效果分为通过本地上传图片与调用摄像头对垃圾拍照两种方式，经过模型的预测之后得到垃圾分类的结果。系统展望本课题在数据集扩充方面使用了DCGAN的技术，GAN网络也是近几年十分热门的一个模型，在各个领域有着广泛的应用。在刚开始进行本课题的时候，对GAN网络不算特别的熟练，随着对课题的推进，对于GAN网络系列也有了更深的理解，也了解到了一些其他的GAN网络，他们能够应用在各个领域，而本模型的DCGAN网络的训练结果仍有待提升，虽然根据模型训练的结果显示，DCGAN确实能够学习到数据集中的一些垃圾特征，并达到扩充数据集的效果，但是其在肉眼方面并没有很好的可视化效果，而且由于数据集过小的原因，DCGAN网络可能还不足以生成更多多样的特征，对此有着一些提升的空间。除此之外，在本课题的训练过程中，我还接触到了目标检测领域的基础知识，本课题仅仅实现了垃圾分类识别的效果，而在实际生活中，正确检测到垃圾的位置也是十分重要的一个部分，对此可以将目标检测的功能添加到网络当中，使得本系统拥有更完善的功能。参考文献张英民,尚晓博,李开明,等.城市生活垃圾处理技术现状与管理对策[J].生态环境学报,2011,20(2):8.基于深度学习的垃圾分类检测方法_王小燕[J].深度学习在图像识别中的应用研究综述_郑远攀[J].TechnicolorT,RelatedS,TechnicolorT,etal.ImageNetClassificationwithDeepConvolutionalNeuralNetworks[50].HeK,ZhangX,RenS,etal.DeepResidualLearningforImageRecognition[J].IEEE,2016.武张静,刘敏,史禹龙,等.语音示教+自主巡航智能垃圾分类机器人的研究与设计[J].科技创新与应用,2020(32):3.陈莎莎.基于深度学习的可回收垃圾分类算法研究.孙先亮.基于数据驱动的卷积神经网络电容层析图像重建方法研究[D].东南大学.GoodfellowI,Pouget-AbadieJ,MirzaM,etal.GenerativeAdversarialNets.MITPress,2014.VaswaniA,ShazeerN,ParmarN,etal.AttentionIsAllYouNeed[J].arXiv,2017.DosovitskiyA,BeyerL,KolesnikovA,etal.AnImageisWorth16x16Words:TransformersforImageRecognitionatScale[J].2020.张扬,马小虎.基于改进生成对抗网络的动漫人物头像生成算法[J].计算