基于深度迁移学习的垃圾分类研究

针对垃圾分类人工检测环境差,易出错,难度大,效率低的问题,提出一种利用深度迁移学习对生活垃圾分类的方法。首先,构建垃圾分类的图像数据集,同时数据增强,其次,搭建深度卷积神经网络ResNeXt和MobileNetV2,微调网络迁移参数以适应垃圾分类任务,最后,在基于深度迁移学习的卷积神经网络下,探索了网络冻结层数和学习率对不同量级的网络结构造成的影响。结果表明,ResNeXt受到学习率的影响更强,MobileNetV2受到网络冻结层数的影响更多,两者的最佳网络冻结层分别是50层和80层,最佳学习率分别是0.0003和0.0001,有效提升模型准确率,实现了对多种常见垃圾的有效分类。