随着科技的快速发展,人们的生活水平得到了很大的改善,城市生活中的垃圾也在飞速增长。大量的垃圾被运送到城市外填埋或焚烧,仅有部分垃圾进行了无害处理,垃圾的处理速度慢而且垃圾分类智能化水平低。如何实现垃圾的快速分类已成为国家乃至全球不可回避的问题。为此,本课题提出基于深度学习的城市垃圾桶智能分类设计,具体方法:通过NB-IOT物联网技术构建智能垃圾桶监测网络,利用卷积神经网络构建了垃圾智能分类模型和分类算法,仿真结果表明,该分类算法响应速度快,准确率高。课题主要针对国内外的垃圾分类进行分析,对智能垃圾桶的研究现状进行了讨论;构建基于NB-IOT的垃圾桶远程监测网络,对垃圾桶总体结构和硬件控制系统电路进行了设计;软件方面,对垃圾图像进行了预处理,完成了垃圾图像特征提取,以纹理、形状融合特征和HSV颜色特征分别作为BP神经网络的输入样本,完成BP神经网络的训练,另一方面,对Alexnet卷积神经网络模型后三层网络结构进行了修改,并将垃圾RGB图像作为Alexnet卷积神经网络的输入样本,进行迁移学习,从而构建了垃圾智能分类模型。利用matlab进行垃圾智能分类仿真实验,将基于卷积神经网络的智能垃圾分类仿真结果与BP神经网络等传统的智能分类方法进行了对比分析,通过对90个测试样本进行分类判别试验,结果表明迁移后的卷积神经网络对垃圾图像分类的准确率达到100%,与传统的BP神经网络图像分类(准确度70%左右)相比较,迁移后的卷积神经网络训练速度更快,识别率更高。研究结果表明,卷积神经网络的迁移学习算法对于垃圾图像智能分类方面具有潜在的应用价值。图[57] 表[8] 参[50]。