APPLICATION AND COMPARISON OF DIFFERENT DEEP LEARNING MODELS IN RECOGNITION OF FOOD WASTE TYPES
-
摘要: 厨房产生的尾菜垃圾以及餐后垃圾在质地上差异较大,预处理环节若不能有效识别餐厨垃圾的类型,进而采取合适的工作参数,经常导致减量化处理设备处理效果差甚至无法正常进行的问题。针对尾菜垃圾和餐后垃圾在图像上的差异,对不同季节的蔬菜产生的尾菜垃圾以及不同饮食风格下产生的餐后垃圾进行图像采集和处理,在此基础上采用ResNet18作为基础网络,引入注意力机制设计1个全新深度学习模型进行餐厨垃圾识别,并用ResNet18、ECANET+ResNet18、SENET+ResNet18、SANET+ResNet18模型进行对比。结果表明:上述4种网络模型均有较高的准确率。准确率分别为96.73%、97.10%、97.28%和96.92%;损失率分别为4.35%、4.11%、3.76%和4.17%;在训练时间方面,ECANET+ResNet18的训练时间最短,比ResNet18快350 s。ECANET+ResNet18网络有效提高了ResNet18网络的性能,达到了最高准确率和最小的损失率,能够满足餐厨垃圾的机器识别要求。Abstract: Kitchen waste and post-meal waste vary greatly in texture, if the pre-treatment process doesn’t effectively identify the type of kitchen waste, and then take the appropriate working parameters, it often leads to poor treatment effect of the reduction treatment equipment. We collected and processed images of vegetable waste and post-meal waste in different seasons and different dietary styles, considering the differences in images between tailgate waste and post-meal waste, on this basis, ResNet18 was used as the base network, and attention mechanism was introduced to design a new deep learning model for kitchen waste recognition, which was compared with ResNet18, ECANET+ResNet18, SENET+ResNet18, and SANET+ResNet18 models. The results showed that all the above four network models had high accuracy rates. Their accuracy rates were 96.73%, 97.10%, 97.28%, and 96.92%, respectively; their loss rates were 4.35%, 4.11%, 3.76%, and 4.17%, respectively; in terms of training time, ECANET+ResNet18 had the shortest training time, which was 350 seconds faster than ResNet18. ECANET+ResNet18 network effectively improved the performance of ResNet18 network, achieved the highest accuracy rate and the smallest loss rate, and could meet the requirements of machine recognition of kitchen waste.
-
Key words:
- food waste /
- deep learning /
- image processing /
- type identification /
- attention mechanism
-
[1] 周建华,陈锋.某典型餐厨垃圾综合处理项目实例[J].环境工程,2020,38(8):47-51. [2] 高东明,马建行,周磊,等.基于PLC的餐厨垃圾破碎机控制系统设计[J].制造业自动化,2022,44(2):133-137. [3] 刘航驿,颜蓓蓓,林法伟,等.生命周期视角下2种餐厨垃圾资源化处理方案的对比分析[J].环境工程,2021,39(9):169-175. [4] KRIZHEVSKY A, SUTSKEVER I, HINTON G. ImageNet classification with deep convolutional neural networks[J]. Advances in Neural Information Processing Systems,2012,25(2).DOI: 10.1145/3065386. [5] 金佩薇,姚燕,梁晓瑜,等.垃圾图像识别研究进展[J].环境工程,2022,40(1):196-206. [6] SZEGEDY C, LIU W, JIA Y, et al. Going deeper with convolutions[C]//IEEE Conference on Computer Vision and Pattern Recognition. IEEE Computer Society,2015:1-9. [7] HE K, ZHANG X, REN S, et al. Deep Residual Learning for Image Recognition[C]//IEEE Conference on Computer Vision & Pattern Recognition. IEEE Computer Society,2016. [8] 黄兴华,叶军一,熊杰.基于纹理特征融合的道路垃圾图像识别及提取[J].计算机工程与设计,2019, 40(11):3212-3218,3305. [9] 段春云,李广.绿色建筑施工垃圾智能分类仿真建模研究[J].计算机仿真,2022,39(3):234-237,243. [10] 王莉,何牧天,徐硕,等.基于YOLOv5s网络的垃圾分类和检测[J].包装工程,2021,42(8):50-56. [11] 许伟,熊卫华,姚杰,等.基于改进YOLOv3算法在垃圾检测上的应用[J].光电子·激光,2020,31(9):928-938. [12] 王一田,唐开强,留沧海,等.基于YOLO v3的地面垃圾检测与清洁度评定方法[J].传感器与微系统,2022,41(4):129-133. [13] 王文胜,年诚旭,张超,等.基于YOLO v5模型的非住宅区自动垃圾分类箱设计[J].环境工程,2022,40(3):159-165. [14] 魏铖磊,南新元,李成荣,等.一种具有多尺度感受视野注意力机制的生活垃圾单阶段目标检测方法[J].环境工程, 2022, 40(1):175-183. [15] TIAN M J, LI X L, KONG S H. A modified YOLOv4 detection method for a vision-based underwater garbage cleaning robot[J].Frontiers of Information Technology & Electronic Engineering,2022,23(8):1217-1229. [16] 邢洁洁,谢定进,杨然兵,等.基于YOLOv5s的农田垃圾轻量化检测方法[J].农业工程学报,2022,38(19):153-161. [17] 田有文,吴伟,林磊,等.基于深度学习与高光谱成像的蓝莓果蝇虫害无损检测[J/OL].农业机械学报,2023(1):393-401. [18] 黄林生,罗耀武,杨小冬,等.基于注意力机制和多尺度残差网络的农作物病害识别[J].农业机械学报,2021,52(10):264-271. [19] 赵杰,李絮,申通.基于SENet注意力机制和深度残差网络的腹部动脉分割[J].科学技术与工程,2022,22(22):9529-9536. [20] 刘学平,李玙乾,等.嵌入SENet结构的改进YOLOV3目标识别算法[J].计算机工程,2019,45(11):243-248. [21] 于慧伶,霍镜宇,张怡卓.融合多层特征SENet和多尺度宽残差的高光谱图像地物分类[J].实验室研究与探索,2020,39(7):28-34,44. [22] WANG Q L, WU B G, ZHU P F, et al. ECA-Net:efficient channel attention for deep convolutional neural networks[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2020:11534-11542. [23] 张小敏,徐涛,张延宁,等.用于体质量估测的黄羽鸡姿态关键帧识别与分析[J].农业机械学报,2022,53(12):254-263. [24] 王玮琦,游雄,苏明占,等. SANet:空间注意力机制下的LiDAR点云实时语义分割方法[J].测绘通报, 2022(11):32-38. 期刊类型引用(17)
1. 韦必颖,成建梅,苏晓煜,程天舜. 深圳市2015~2021年雨源型河流水质时空变化及其对降雨的响应. 环境科学. 2024(02): 780-791 . 百度学术
2. 张文博,余香英,薛弘涛,刘晋涛,蒋婧媛,熊津晶. 基于APCS-MLR模型的九洲江广东段不同水期水质变化特征及污染来源解析. 农业环境科学学报. 2024(02): 401-410 . 百度学术
3. 刘菲,李翀,聂中林,黄适尔,徐赫姝,吴涵,陈亚松,张驰,齐维晓. 污水厂尾水对受纳水体中消毒副产物(DBPs)时空分布特征的影响. 环境科学学报. 2024(03): 105-116 . 百度学术
4. 周游,冯芳,金爽,任佳慧,史千年. 京杭大运河水质时空分布特征及驱动因素. 环境科学学报. 2024(06): 174-184 . 百度学术
5. 叶方琪,计勇,惠源,章晨晖,成玉祥. 基于3种水质指数方法的鄱阳湖五河水质分析与评价. 人民珠江. 2024(07): 84-91 . 百度学术
6. 高雯媛,邹霖,朱俊毅,肖童觉,于奕,沈健林. 湖南省地表水水质时空变化特征及驱动因子分析. 环境工程. 2024(08): 17-24 . 本站查看
7. 耿姣,王洋,胡术刚,魏岩洁,孙菲,袁鹏. 基于WQI的平原河网地区河流水质评价与时空变化分析. 环境工程. 2023(06): 187-193+209 . 本站查看
8. 杨长明,尉岚,杨阳,王育来. 污水厂尾水补水对受纳水体氮磷形态与DOM时空分布特征的影响. 环境科学研究. 2023(09): 1705-1715 . 百度学术
9. 刘文强,郁达伟,李昆,郑利兵,朱利英,桂双林,魏源送. 降雨特征对赣江南昌段河流断面不同水期的水质影响分析. 环境工程. 2023(08): 91-99 . 本站查看
10. 程敏. 农业面源污染对农村地表水的影响与对策. 化工设计通讯. 2023(12): 185-187 . 百度学术
11. 陈振宇,闫祯,师艳丽,平令文. 河流污染物空间分布及污染源分析. 水利技术监督. 2022(02): 176-181 . 百度学术
12. 王刚,沃玉报,毛劲乔,肖洋,彭吉荣. 基于两步聚类的城市闸控河流水质时空变异特征研究. 环境工程. 2022(01): 117-122+160 . 本站查看
13. 白景锋,王缘圆. 南水北调中线河南段水质时空变化及影响因素. 河南水利与南水北调. 2022(10): 41-43 . 百度学术
14. 吴东少,高伟,陈岩,张远. 基于改进LAM模型的河流污染源解析方法与例证. 环境科学学报. 2022(12): 376-383 . 百度学术
15. 饶梦,伊学农. 祊河流域水质时空变化特征. 中国水运(下半月). 2022(10): 64-66+69 . 百度学术
16. 饶梦,伊学农. 祊河流域水质时空变化特征. 中国水运. 2022(20): 64-66+69 . 百度学术
17. 李璐汐,孟玉川,谢姝,蒋芳婷,宋泓苇. 基于不同评价方法的猴子岩水电站水质研究. 环境科学与技术. 2021(S2): 299-307 . 百度学术
其他类型引用(9)
-

计量
- 文章访问数: 127
- HTML全文浏览量: 27
- PDF下载量: 8
- 被引次数: 26