#Garbage classification based on deep learning
说明：一直在gitlab上耕耘，头发掉的速度也飞快，偶然间发现了github上多了好多star，实在惭愧。这个垃圾分类项目是我研究生阶段搞的一个项目，不复杂，分享的代码也很简单，就是一个inception v3的迁移学习。其余的核心部分包括：后续与传感器的融合判断，PMAC控制器的接入，前端安卓端网络的部署和部分stm32端的代码由于实验室的关系不便于分享。在此仅为大家提供一个思路，抛一块不慎美丽的砖头去引玉，谢谢大家！
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。
- Python
- Tensorflow
- Opencv
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。
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。
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
通过蓝牙串口，无线将数据发送给stm32
stm32控制步进电机+舵机实现垃圾的分类
感谢早起的晨，晚睡的夜！
感谢技术分享，技术繁荣的美好互联网年代！
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent