利用物联网深度学习的智能垃圾管理系统外文翻译资料

利用物联网深度学习的智能垃圾管理系统

摘 要

垃圾管理是指通过回收及填埋的方式处理垃圾。深度学习和物联网（IoT）分别提供了分类和实时数据监控方面的便捷解决方案。本文提出了一种基于深度学习和物联网的垃圾管理系统的体系结构。该模型采用卷积神经网络（CNN），一种流行的深度学习范式，为可降解和不可降解的垃圾分类提供了一种巧妙的方法。该方案还介绍了一种利用多传感器微控制器的智能垃圾桶的结构设计。该方法采用物联网和蓝牙连接来进行数据监控。物联网可以监控来自任何地方的实时数据，同时蓝牙通过android应用程序帮助进行短距离数据监控。为了检验开发模型的有效性，对垃圾标签分类、传感器数据估计和系统可用性量表（SUS）的准确性进行了列举和解释。基于CNN模型的体系结构分类准确率为95.3125%，SUS评分为86%。然而，该智能系统可根据家庭活动进行调整，并具有实时垃圾监测功能。

关键词：深度学习，物联网，系统可用性程度，垃圾分类

1. 引言

垃圾管理是指从垃圾接收到消解所需的活动和行动。垃圾可以是气体、液体或固体。有多种处理方法可用于处理所有类型的废物，包括生物、工业和家庭垃圾。生活垃圾可以是纸板、塑料、纸张、玻璃、生物垃圾等。在家庭活动中，没有垃圾可以被回收或分类为生物或材料。继欧盟统计局（EUROPA，2020年）之后，2016年欧盟回收了56%（4.23亿吨）国内产生的垃圾。同时，填埋了24%（1.79亿吨）当地产生的垃圾。这些报告清楚地表明，在回收过程中需要对家庭垃圾进行适当的管理。如果我们把垃圾管理系统和现代技术结合在一起，结果将是不可估量的。对垃圾进行充分的监控可产生良好的生物环境。

机器学习（ML）是人工智能（AI）的一个重要功能，它允许系统无需明确指示就能自动学习，并做出决策。机器学习是关于一些统计模型和算法的科学研究。由于在计算领域体现了最出色的特性，ML的普及率达到了最高点。根据Tracica（CAPTERRA，2020年）最近的统计数据，2016年基于ML和AI的技术的市场增长为14亿美元，到2025年将增加598亿美元。这些统计数据清楚地显示了基于ML的应用程序的流行程度。同样，深度学习也是机器学习的重要组成部分。卷积神经网络（CNN）是一类重要的深度神经网络，更确切地说，是深度学习。CNN在图像识别方面取得了巨大的进步。通常，它们被用于评价视觉图像，与图像分类一起使用。从Facebook的照片标签到自动驾驶汽车，它们都可以被识别。从医疗保健到安全，它们在背后默默发挥了不少作用。

另一方面，物联网（IoT）指的是由互联设备组成的系统，这些设备包括数字设备或模拟设备，它们丰富了通过网络传输数据的能力，而不仅仅是要求人与计算机之间的交互。一项物联网统计（FUSON, 2020）估计，平均每秒有多达127台新的物联网设备与公共网络连接。随着物联网的快速发展，每个月都有3.28亿件东西被连接起来。这些统计数据表明物联网在现代计算领域将变得多么重要。随着物联网的日益普及，物联网的业务市场也在不断扩大。据统计，仅在智能家居领域，到2023年全球物联网市场规模将达到1512亿美元。整个物联网市场可以细分为几个小市场，如健康市场、银行、金融交易、教育和培训设备类型。研究人员认为，未来几年，所有的数字和模拟设备都将处于物联网的控制之下。据STATISTA （STATISTA, 2020）预测，2023年物联网市场规模将达到11万亿美元。这些统计数据表明物联网在数字世界中发挥着重要作用。

该系统采用了智能系统，用户可对垃圾管理系统采取必要的预防措施。本文的主要贡献如下:

• 结合物联网和深度学习两种技术的独特方式是确保垃圾管理领域的最佳解决方案。
• 利用深度学习对图像进行分类，实现生物垃圾和非生物垃圾的智能分类。
• 介绍了一种利用超声波传感器、负载测量传感器和微控制器的智能垃圾桶的架构开发过程。
• 通过蓝牙通信实现短距离实时监控垃圾的智能方式，物联网技术适用于远程使用Android应用程序。

本文分为六个部分。第2节概述了相关贡献；第3节介绍了总体方法和实施过程。第四节描述了数据的计算过程；第5节介绍了我们提出的系统的结果以及相关的讨论。最后，第六节阐述了本文的结论。

1. 相关工作

本节介绍与我们提出的模型相关的准备工作。许多伟大的贡献者在机器学习和物联网领域对垃圾管理做出了重大贡献。在后面的研究中（Bobulski和Kubanek, 2019），作者利用图像处理和卷积神经网络（CNN）开发了一个垃圾分类系统。在他们的工作中，他们只专注于聚乙烯的检测。作者还进行了一些实验来检测对苯二甲酸酯、聚乙烯、高密度聚乙烯、聚丙烯和聚苯乙烯。在一项研究（Sreelakshmi等人，2019年）中，作者将胶囊神经网络（胶囊网络）用于固体垃圾管理，该网络能够检测塑料和非塑料材料。作者对两个公共数据集进行了研究，发现准确率分别为96.3%和95.7%。整个集成是在几个硬件设备上开发和测试的。在论文研究（Huiyu and O, O. G.， amp; Kim, S. H.， 2019）中，作者提出了一种利用深度学习机制来识别垃圾类型的独特分类模型，该系统还应用于垃圾回收。这篇论文（Adedeji and Wang, 2019）提出了一个独特的分类模型，用深度学习机制识别垃圾的类型。该系统还被应用于垃圾回收。该论文的作者（Nowakowski和Pamuła, 2020）提出了使用预先训练好的CNN模型（即ResNet-50和支持向量机（SVM））进行垃圾分类的方法。该模型在公共数据集上测试的准确率为87%。在论文（Misra等人， 2018）中，作者调查了一种新型的电子垃圾识别和分类系统，即电子垃圾。该模型利用CNN模型进行分类，利用RCNN模型识别几种类型的电子垃圾。作者追踪到检测和分类的准确率在之间。该论文作者（Bobulski and Kubanek, 2019；Sreelakshmi等人， 2019；Huiyu and O, O. G.， amp; Kim, S. H.， 2019；Adedeji和Wang, 2019；Nowakowski和Pamuła, 2020；Misra等人， 2018）只专注于使用深度学习系统的垃圾分类系统的架构设计，而没有提出使用物联网进行垃圾管理。在论文（Samann, 2017）中，作者介绍了一种自动化、坚固的垃圾管理过程的重要方法。作者描述了一个由超声波传感器和多个气体传感器指定的智能垃圾桶。作者还提出了利用云服务器和android应用程序实时查看垃圾。同样，没有使用机器学习方法。在一篇论文（Malapur and Pattanshetti, 2017）的研究中，作者提出了一种性价比高的智能垃圾桶，以确保垃圾管理。由于将系统置于物联网操作之下，作者添加了Arduino纳米、超声波传感器、GSM模块等一套设备。当垃圾水平超过最小阈值水平时，系统将使用GSM模块向用户的手机号码发送短信。该系统配备了PIR运动传感器和负责向用户分配音频信息的存储卡。作者还表示，该系统的性能令人满意。论文的作者（Singh等人， 2016）为智慧城市设计了一种垃圾管理方法。该模型具有成本效益好、时间短等优点。在这篇文章（ALFoudery, A.， alandari, A. A.， amp; Almutairi, n.m.， 2018）中，作者实施了一个解决方案来改善垃圾收集，并使用树莓派和红外传感器设计了一个基于物联网的模型。系统的管理者负责安排计划和路线，以改进垃圾收集工作。在论文中（Balaji, 2017），作者设计了一个智能垃圾桶，能够检测垃圾高度。该模型是基于Wi-Fi和web服务器的。作者使用了红外测距传感器来寻找垃圾桶的垃圾高度。相应的结果和数据通过Web服务器发送到一个android应用程序。在一篇论文（Hong等人， 2014）中，作者还介绍了一种利用物联网和树莓派机制的智能垃圾桶。论文作者（Bai等人， 2018）实施了基于物联网的智能垃圾系统，以减少食物垃圾数量。作者使用网格技术来控制所有组件。该模型结合路由器和服务器对食物中毒的信息进行采集和分析。经过几个实验的成功测试，食物垃圾数量减少了33%。这篇论文的贡献是（Samann, 2017；Malapur and Pattanshetti, 2017；Singh等人，2016；ALFoudery A.， alandari A. A.， amp; Almutairi, n.m.， 2018；巴拉吉,2017；Hong等人，2014；Bai等人， 2018）提出了基于物联网的垃圾管理系统的发展，但是作者没有使用深度学习范式的术语提供垃圾管理方案的任何结构设计。这篇论文（Muthugala等人， 2020）的作者介绍了一种可以在地面上移动的垃圾收集机器人。作者声称，提出的体系结构利用深度学习机制能准确检测垃圾。研制的样机在垃圾检测中的准确率为95%。在论文（Spanhol等人， 2016）中，作者提出了一种创新的地板清洁机器人。所开发的模型利用模糊推理系统来确定瓷砖面积和能源使用之间的权衡。该模型采用加权和模型（WSM），基于模糊推理系统描述的每个用户偏好的多准则决策（MCDM）。在论文研究中（Muthugala等人， 2020；Spanhol等人， 2016），作者分别介绍了一个使用深度学习和模糊推理系统的垃圾处理机器人的原型，但并未声称对物联网有贡献。

1. 方法

提出的方法由两部分组成，即通过卷积神经网络进行垃圾分类和智能垃圾桶的结构设计，这有助于使用物联网进行实时数据监控。将两种结构模型进行合并，在垃圾管理领域取得了良好的效果。对垃圾进行适当分类有助于识别可重复使用的垃圾。识别可回收的垃圾，让我们在其不发生变质的情况下利用它们。在图像分类的范围内，深度学习算法取得了无与伦比的结果。最大限度地减少可回收组件的滥用，促使作者在监测垃圾以区分可回收垃圾的同时，增加对垃圾分类的深度学习。在本文中，我们将垃圾分为可降解和不可降解两大类。由于缺乏足够的数据进行垃圾分类，我们使用了微调模型进行垃圾分类。利用深度学习技术进行垃圾分类有助于从图像中获得垃圾类别。垃圾桶的结构使多个传感器能够进行读数并传输数据进行监控。图1所示为系统的框图。

图 1 智能系统框图

在该方案中，摄像头模块将扫描废料。在成功完成垃圾扫描和图像捕获过程后，对摄像机实时拍摄的捕获图像进行预处理。该模型利用了唯一的图像大小调整，以确保较少的复杂性。然后再用微处理器（Raspberry pi）对预处理后的图像进行处理。微处理器将使用分类器对图像进行分类，并向伺服电机发出指令，将垃圾放入相应的垃圾桶。垃圾桶的微控制器将数据发送到android应用程序进行实时监控。该系统还包括一个滚筒，该滚筒能够根据处理单元的指令运送废料。每当处理单元对垃圾进行分类时，它都会向滚筒发送信号，将垃圾输送至伺服电机，然后停止滚动并等待处理单元发出的下一个命令。

3.1 摄像模块和伺服电机的工作原理

摄像头模块连接到该系统的微控制器上，负责捕捉垃圾图像。图2所示为摄像机模块流程图。首先，系统将进行初始化并准备进行图像采集。摄像机模块捕捉图像并将其发送给微控制器。接收到图像后，微控制器将图像馈送给已经训练过的CNN模型，模型将对该图像做出响应。微控制器利用CNN响应指令伺服电机将垃圾放入相应的垃圾桶。微控制器根据单个垃圾属于可降解或不可降解的概率进行判断。然后伺服电机执行其工作，将垃

剩余内容已隐藏，支付完成后下载完整资料

英语原文共 16 页，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[595961]，资料为PDF文档或Word文档，PDF文档可免费转换为Word