基于python CNN卷积神经网络模型实现6类别垃圾分类 毕业设计 附完整代码数据

# Artificial Intelligence基于深度学习的机器视觉：垃圾分类 ## 1.题目介绍 目前垃圾分类已经在许多城市开展起来。这看似微不足道的“小事”，实则关系到13亿多人生活环境的改善，理应通过人工智能技术来大力提倡社会风气养成。本次实验提供六个类别的垃圾识别分类数据集，分别是glass、cardboard、metal、paper、plastic、trash。本次实验是基于卷积神经网络模型来完成六个类别垃圾分类。 ## 2.任务要求 每位同学单独完成；建立神经网络模型，并尽可能将其参数调优到最佳状态；绘制深度学习模型图、绘制并分析学习曲线等；分析模型并试着调试不同学习率等超参数对模型的结果影响 ；使用Python语言。 ## 3.实验方法 卷积神经网络 （Convolutional Neural Network, CNN）是一种结构类似于人类或动物的 视觉系统 的人工神经网络，包含一个或多个卷积层（Convolutional Layer）、池化层（Pooling Layer）和全连接层（Fully-connected Layer）。 ## 4.搭建过程 我先尝试了VGG，发现模型始终不收敛，测试的正确率极低，仅有20%。  Figure 1不收敛的网络学习曲线 最终的网络模型是在ResNet v2的基础上修改而来的，因为原先的ResNet v2层数过多，且前面几层的尺寸过大，跑在GPU上显存会溢出。于是我在此基础上加入了几个池化层，在训练中出现了过拟合的现象，我又调整了正则项。最终的效果能达到80%的正确率。网络模型图如下所示。  ## 5.训练过程 由于临近ddl，momodel网站的使用量大大增加，我每次对模型进行修改都要浪费大量时间等待，而我始终找不到窍门，需要大量的尝试，于是我从淘宝租用了GPU，改进网络的速度也大大加快了。 我将图像缩放到-1.0~1.0的范围，然后放入网络中训练和验证，过程如图。同时还使用了在训练过程中随时保存准确率最高的模型和随着epoch增加动态调整learning rate方法，最终的网络在数据集上训练了200个epoch，在1080ti上跑了五六个小时，学习曲线在下面的图中展示。  Figure 2云GPU训练 ```python ef lr_schedule(epoch): """学习率调度 学习率将在 80, 120, 160, 180 轮后依次下降。 他作为训练期间回调的一部分，在每个时期自动调用。 # 参数 epoch (int): 轮次 # 返回 lr (float32): 学习率 """ lr = 1e-3 if epoch > 180: lr *= 0.5e-3 elif epoch > 160: lr *= 1e-3 elif epoch > 120: lr *= 1e-2 elif epoch > 80: lr *= 1e-1 print('Learning rate: ', lr) return lr ``` 训练过程中随时保存模型 ```python checkpoint = ModelCheckpoint(filepath="./results/weights_{epoch:03d}-{val_acc:.4f}.h5", monitor='val_acc', verbose=1, save_best_only=True) lr_scheduler = LearningRateScheduler(lr_schedule) lr_reducer = ReduceLROnPlateau(factor=np.sqrt(0.1), cooldown=0, patience=5, min_lr=0.5e-6) tensorboard = TensorBoard(log_dir) callbacks = [checkpoint, lr_reducer, lr_scheduler, tensorboard] # 训练模型, fit_generator函数:https://keras.io/models/model/#fit_generator # 利用Python的生成器，逐个生成数据的batch并进行训练。 # callbacks: 实例列表。在训练时调用的一系列回调。详见 https://keras.io/callbacks/。 d = model.fit_generator( # 一个生成器或 Sequence 对象的实例 generator=train_generator, # epochs: 整数，数据的迭代总轮数。 epochs=epochs, # 一个epoch包含的步数,通常应该等于你的数据集的样本数量除以批量大小。 steps_per_epoch=1845 // batch_size, # 验证集 validation_data=validation_generator, # 在验证集上,一个epoch包含的步数,通常应该等于你的数据集的样本数量除以批量大小。 validation_steps=230 // batch_size, callbacks=callbacks) ``` 绘制出来的学习曲线如图，可以看到表现很优异，val_acc后期稳定在90%。      Figure 3学习曲线 ## 6.结果展示 训练出来的模型在测试集上表现优异，达到了90.23%的正确率。  Figure 4 结果 通过了系统测试，模型将10张图片中的9张正确分类。  Figure 5 测试结果 ## 7.总结与反思 从零开始，搭建一个神经网络，然后训练模型，测试，调整再测试……总的来说这个过程真的很有收获。虽然只是调用Keras，但通过实验感觉更深切地理解到了计算机视觉的原理。想想真的很奇妙，竟然能有人想出这么神奇的方式（神经网络）来模拟人类的视觉，而且竟然效果不错，计算机科学真是有趣。 在这个过程中我浪费了很多时间，有急得挠头的时候，比如排队等GPU，debug（predict的时候预处理没有和测试集完全一致真得困扰了我好久...），还有在各种框架和网络结构之间纠结的时候。 但同时我也收获了不少知识，多种框架的用法和异同，图像预处理，远程训练等等，最重要我对很多从前模模糊糊的概念心里有了底，比如训练集和验证集，神经网络的层是怎么回事等等，这门课真的很有意义。 ## 8.网络summary