目前我国垃圾分类存在的主要问题有三点：

1，垃圾分类正确率不高

2，居民缺乏垃圾分类的意识和相关知识。

3，没有真正意义上的高效的垃圾分类系统

基于以上，提出了基于深度学习的智能垃圾分类系统。从技术上旨在通过深度学习，实现垃圾的高精确度分类；在效果上，通过技术的提升提高城市居民的环境保护与节约资源的意识，促进城市居民转变现有的投放垃圾的行为方式；从长远上来看，抛砖引玉，为我国建立健全城市垃圾分类处理制度提供一些思路。

具体实现方式是将已经训练好了的Inception v3模型进行了再训练，完成了四大类，100多种小类的垃圾分类，通过opencv捕捉信息，通过蓝牙与stm32通讯完成了硬件部分的动作，通过js完成了上位机的编写。

作者：jzx，wlx，yjh

单位：NCEPU

演示视频链接：https://www.bilibili.com/video/av12017465/?from=search&seid=1320605891430268553

演示视频链接-人机交互界面：https://www.bilibili.com/video/av14240399/

演示视频链接-手机app移植：https://www.bilibili.com/video/av14240428/

演示视频链接-手机app移植：https://www.bilibili.com/video/av14240428/

演示视频链接-与传统并联机器人结合：https://www.bilibili.com/video/av14240443/

参考:Tensorflow Inception.

实验图片：

实现途径：

1,通过网络爬虫创建了自己的数据集 waste-set-googlescraper.py

2,通过修改Inception v3模型的最后一层实现了分类 retrain.py wastesort.py

3,通过opencv实现了物体的检测和拍照 waste_detector.py

4,通过调用串口实现了与stm32的通讯 serial_send.py

5,通过js实现了网页端上位机的编写

6,通过stm32实现了电机的控制

综上，实现了自主拍照，自主识别，自主分类的垃圾回收装置。

环境要求

1. Python
2. Tensorflow
3. Opencv

流程介绍

准备训练集

创建名字为 training_dataset .的文件夹 通过爬虫爬取所需要训练的图片。每类图片一个文件夹，文件夹下为图片文件。图片越多，神经网络越荡漾。

开始训练

执行训练：

$ bash train.sh

如果没有Inception 模型的话，程序会先下载，然后解压，保证网络链接。

检查结果

创建名为test_input 文件夹，将被分类文件放到该文件夹下 运行

python3 wastesort.py

预测结果会依次输出

将最佳结果发送给stm32

通过蓝牙串口，无线将数据发送给stm32

stm32控制电机实现垃圾的分类放置

stm32控制步进电机+舵机实现垃圾的分类

Results