基于一维卷积神经网络的声学垃圾分类
2019-2020历经一年时间做的关于声学垃圾分类的研究：
背景
随着人口、城市化和经济的快速增长，城市固体垃圾的数量急剧增加。据统计，全世界每5分钟将产生20000吨垃圾。其中大约只有30%的垃圾被回收，剩余的垃圾被填埋或随意丢弃导致环境的严重污染。
（图片来源于网络）
垃圾源头分类是提高分类质量的关键步骤，并影响后续的处理方式。当前，源头分类通常是依靠人进行的。这需要投入巨大的人力物力来教育和规范公民，尤其是在发展中国家，公民没有养成良好的垃圾分类习惯。因此，本研究致力于垃圾源头自动分类方法的研究，提出了基于声学数据的一维卷积神经网络的分类方法，将人们从日常垃圾分类负担中解脱出来，实现更准确的分类。
主要研究内容
1、垃圾的收集
本研究从教学楼、行政楼和便利店收集了生活中常见的16种垃圾。在垃圾的收集过程中，我们考虑到了每种垃圾存在不同品牌、不同大小、不同形状、有无变形、有无残留物等实际情况。
2、声音的录制
声音的录制过程：模仿人丢垃圾的过程。垃圾下落高度的设置满足人机工程学原理(即丢垃圾时，高个子的人不需要弯腰，矮个子的人不需要抬肘)。每个垃圾被丢弃的姿态是随机选择的。因此，得到的每一段声音信号都是代表唯一的情况，更贴近实际场景。
3、声音分类模型的训练
原始声音数据经过预处理后，直接被送入一维卷积神经网络的输入层。输入声音数据与对应的卷积核进行卷积运算，生成输入特征图。输入特征图通过**函数，生成卷积层的输出特征图。在卷积层之后，通常采用池化层对卷积层提取的特征进行降维，从而来降低计算成本，并为特征提供基本的平移不变性。最后通过全连接层连接到分类器输出垃圾的类型。
4、与传统方法对比
结果表明，该研究提出的方法能在较短时间内达到92.40%的分类准确率。以手工提取的特征为输入的浅分类器分类准确率仅为81.92%。以原始声学数据为输入的浅分类器分类准确率仅为68.06%。
垃圾分类知识小课堂
垃圾分类小妙招
生活垃圾分类处理流程