垃圾分类收集处理，能提高资源化利用程度。 在垃圾成分中，其中的金属、纸类、塑料、玻璃等是可直接回收利用的资源，回收利用率高，较之开发自然资源有着处理简单、成本低廉、污染小的优势。
说明：
自笔者于2019年8月发出了深度学习实战之垃圾分类博文以来，已被访问上万次，几百次的收藏。同时也有很多的人询问笔者关于这个项目的问题。在这里非常的感谢大家的厚爱。其实很早就想再迭代一个垃圾分类项目出来，但是由于之前比较的忙，一直没有时间将其落实。最近没什么事情，笔者花了一些时间又重新做了一个垃圾分类系统深度学习之垃圾分类系统（准确率高达近99%）。新版本发布以来，仍然有一些小伙伴不满意，这不，笔者又发出了一个版本。接下来壁纸就详细介绍一下（附属代码链接）
思路：
在这里，笔者的大体思路是首先通过目标检测的方式(object detection)对垃圾数据进行训练，然后再通过使用java web端的SpringMVC进行结合 ，进而达到前后端分离的设计效果。
开发环境：
笔者的开发环境如下：
- Java部分：
TomCat
IDEA
maven - Python部分：
python3.6+
torch1.0+
anaconda
训练：
- 垃圾数据收集
关于垃圾数据的收集，笔者主要是通过采用网络爬虫的方式
这里笔者写了一个网络爬虫：
import re
import requests
from urllib import error
from bs4 import BeautifulSoup
import os
num = 0
numPicture = 0
file = ''
List = []
def Find(url):
global List
print('正在检测图片总数，请稍等.....')
t = 0
i = 1
s = 0
while t < 1000:
Url = url + str(t)
try:
Result = requests.get(Url, timeout=7)
except BaseException:
t = t + 60
continue
else:
result = Result.text
pic_url = re.findall('"objURL":"(.*?)",', result, re.S) # 先利用正则表达式找到图片url
s += len(pic_url)
if len(pic_url) == 0:
break
else:
List.append(pic_url)
t = t + 60
return s
def recommend(url):
Re = []
try:
html = requests.get(url)
except error.HTTPError as e:
return
else:
html.encoding = 'utf-8'
bsObj = BeautifulSoup(html.text, 'html.parser')
div = bsObj.find('div', id='topRS')
if div is not None:
listA = div.findAll('a')
for i in listA:
if i is not None:
Re.append(i.get_text())
return Re
def dowmloadPicture(html, keyword):
global num
# t =0
pic_url = re.findall('"objURL":"(.*?)",', html, re.S) # 先利用正则表达式找到图片url
print('找到关键词:' + keyword + '的图片，即将开始下载图片...')
for each in pic_url:
print('正在下载第' + str(num + 1) + '张图片，图片地址:' + str(each))
try:
if each is not None:
pic = requests.get(each, timeout=7)
else:
continue
except BaseException:
print('错误，当前图片无法下载')
continue
else:
string = file + r'\\' + keyword + '_' + str(num) + '.jpg'
fp = open(string, 'wb')
fp.write(pic.content)
fp.close()
num += 1
if num >= numPicture:
return
if __name__ == '__main__': # 主函数入口
tm = int(input('请输入每类图片的下载数量 '))
numPicture = tm
line_list = []
with open('./name.txt', encoding='utf-8') as file:
line_list = [k.strip() for k in file.readlines()] # 用 strip()移除末尾的空格
for word in line_list:
url = 'http://image.baidu.com/search/flip?tn=baiduimage&ie=utf-8&word=' + word + '&pn='
tot = Find(url)
Recommend = recommend(url) # 记录相关推荐
print('经过检测%s类图片共有%d张' % (word, tot))
file = word
y = os.path.exists(file)
if y == 1:
print('该文件已存在，请重新输入')
file = word
os.mkdir(file)
else:
os.mkdir(file)
t = 0
tmp = url
while t < numPicture:
try:
url = tmp + str(t)
result = requests.get(url, timeout=10)
print(url)
except error.HTTPError as e:
print('网络错误，请调整网络后重试')
t = t + 60
else:
dowmloadPicture(result.text, word)
t = t + 60
numPicture = numPicture + tm
print('任务完成')
-
数据处理：
通过上述的方式获取到的数据，当然有些是无效的数据，需要通过数据清洗将一些脏数据去除。这里笔者是对初步处理完的数据又进行了人为方式的数据清洗（这里采用的方式有些笨，数据集见文末） - 训练数据：
训练过程如下：
python train.py --data-cfg data/rbc.data --cfg cfg/yolov3-tiny.cfg --epochs 10这里笔者对数据训练迭代了10次，小伙伴可以根据任务的需求自行调整
- 测试模型：
-
python detect.py --data-cfg data/rbc.data --cfg cfg/yolov3-tiny.cfg --weights weights/best.pt输入上述命令，即可进行模型的测试
搭建Java
- 打开IDEA搭建一个maven项目
详细搭建过程，可以自行百度，网上介绍的很详细，这里笔者就不再赘述了…… - 前端部分
这里由于笔者并没有系统的学习过前端开发，所以前端代码写的不能同专业的前端程序员进行比较。
-
最终结果：
完成了上述工作，整个项目也就完结了，接下来，演示一下。
项目源码：
项目源码
链接：https://pan.baidu.com/s/14w3hlD-UHJMNfEcvlDcEXQ
提取码：n589
总结：
到此，目标检测版本的垃圾分类识别系统就算完成了。
由于笔者知识能力有限，在描述上可能存在不准确的地方，还请谅解。
如遇到什么问题欢迎添加笔者qq:1017190168
进行讨论。
近期笔者接计算机视觉方面的毕业设计、比赛，有需要的欢迎联系！！！
版权声明：本文为CSDN博主「陶陶name」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/public669/article/details/113919097
暂无评论