24小時論文定制熱線

熱門畢設:土木工程工程造價橋梁工程計算機javaasp機械機械手夾具單片機工廠供電采礦工程
您當前的位置:論文定制 > 畢業設計論文 >
快速導航
畢業論文定制
關于我們
我們是一家專業提供高質量代做畢業設計的網站。2002年成立至今為眾多客戶提供大量畢業設計、論文定制等服務,贏得眾多客戶好評,因為專注,所以專業。寫作老師大部分由全國211/958等高校的博士及碩士生設計,執筆,目前已為5000余位客戶解決了論文寫作的難題。 秉承以用戶為中心,為用戶創造價值的理念,我站擁有無縫對接的售后服務體系,代做畢業設計完成后有專業的老師進行一對一修改與完善,對有答辯需求的同學進行一對一的輔導,為你順利畢業保駕護航
代做畢業設計
常見問題

計算機視覺的智能廢料瓶分類系統設計研究

添加時間:2020/06/23 來源:浙江工商大學 作者:李力涵
隨著世界人口的飛速增長和全球經濟的高速發展,資源的有限性成為了限制人類生存和發展的重要因素,而做好垃圾分類是資源回收的重要前?.廢料瓶是一種重要的可回收資源。
以下為本篇論文正文:

摘要

  隨著世界人口的飛速增長和全球經濟的高速發展,資源的有限性成為了限制人類生存和發展的重要因素,而做好垃圾分類是資源回收的重要前?.廢料瓶是一種重要的可回收資源,其具有以下特點:

 。1)數量龐大:據英國衛生局統計2016年全球塑料瓶消費量達到4800億個,預計2020年將達到5000億個,相當于每秒消費2萬個塑料瓶[1].

 。2)回收價值高:廢料瓶可以分為塑料、鐵鋁、玻璃三類,而廢塑料、廢金屬、廢玻璃屬于我國十大重要再生資源種類。

 。3)不同種類廢料瓶后續處理方式不同:塑料瓶的處理方式有壓塑、擠塑、注塑等,而鐵、鋁等金屬材質的廢料瓶處理方式有壓縮、打磨、拋光等。因此廢料瓶分類系統有很高的研究價值。

  目前關于廢料瓶分類系統的相關研究較少,其應用主要分為傳統垃圾桶和智能垃圾桶,兩者仍存在一些不足之處:

 。1)傳統垃圾桶前期只是簡單的擺設兩個或多個桶并標識可回收和不可回收等,主要依靠后期人工收集、分類,這樣雖然能夠實現較高的準確率,但是存在分類效率低、分類周期長、人工取樣繁瑣且勞動強度大等問題。

 。2)智能垃圾桶通過自動稱重、語音識別、移動掃碼等技術將垃圾與相關責任人綁定在一起,通過前期監督用戶進行分類的方式?高了垃圾分類效率,但是存在傳感器種類多,價格昂貴,對操作、運行、維護人員技術要求高等問題。

  本文主要?出了一個基于計算機視覺的智能廢料瓶分類系統,針對當前廢料瓶分類系統的不足進行了以下研究:

 。1)設計輕量級的硬件裝置:使用攝像頭、舵機、燈帶等盡可能少的傳感器模塊來為系統供硬件支持,減少硬件成本和維護成本。使用樹莓派、Arduino開發板和AndroidThings操作系統實現系統整體流程控制,保證系統運行的高效、流暢、穩定。

 。2)設計功能多樣的軟件系統:分為移動端APP和Web端后臺管理系統。移動端APP基于Android系統,分為移動端用戶APP和移動端商家APP,分別為用戶?供豐富的積分兌換功能和為商家?供商品銷售平臺,?高用戶參與度,促進商品貿易。Web端后臺管理系統使用SSM(Spring+SpringMVC+MyBatis)框架進行開發,為管理員?供功能完善的數據管理平臺。

 。3)設計準確高效的識別算法:分為兩種識別模式:條形碼識別和神經網絡識別,高識別效率、準確率,?高識別模式的多樣性。條形碼識別主要使用OpenCV庫檢測廢料瓶圖像中是否含有條形碼并使用ZBar庫來識別條形碼中的內容。神經網絡識別使用TensorFlow框架,以InceptionV3模型為基礎網絡使用遷移學習技術進行識別,達到了97%左右的識別率。

  關鍵字:廢料瓶分類;開源硬件;軟件開發;圖像識別;深度學習

智能廢料瓶分類系統

Abstract

  With the rapid growth of the world population and the rapid development of the global economy, the limited resources have become an important factor limiting human survival and development, and the classification of waste is an important prerequisite for resource recovery. Waste bottles are an important recyclable resource with the following characteristics: (1) A large number: According to the British Health Bureau, the global plastic bottle consumption in 2016 reached 480 billion, and it is expected to reach 500 billion in 2020, equivalent to 20,000 plastic bottles per second. (2) High recycling value: Waste bottles can be pided into plastic, iron, aluminum and glass. Waste plastics, scrap metal and waste glass belong to China's top ten renewable resources. (3) Different types of waste bottles have different follow-up treatment methods: plastic bottles are treated by compression molding, extrusion molding, injection molding, etc., while scrap metal bottles such as iron and aluminum are processed by compression, grinding and polishing. Therefore, the waste bottle classification system has high research value.

  At present, there are few related researches on waste bottle sorting systems, and their applications are mainly pided into traditional trash cans and smart trash cans. There are still some shortcomings:

 。1) In the early stage of the traditional garbage can, it is simple to arrange two or more barrels and identify recyclable and non-recyclable. It mainly relies on post-collection and classification, so that although it can achieve higher accuracy, it has low classification efficiency. Long classification period, cumbersome manual sampling and high labor intensity.

 。2) The intelligent trash can binds the garbage to the relevant responsible persons through automatic weighing, voice recognition, mobile scanning and other technologies, and improves the garbage sorting efficiency by supervising the user in the previous stage, but there are many types of sensors. It is expensive and has high technical requirements for operation, operation and maintenance  personnel.

  This paper mainly proposes a computer waste-based intelligent waste bottle classification system, which studies the shortcomings of the current waste bottle classification system:

 。1) Design lightweight hardware devices: use as few sensor modules as cameras, servos, and light strips to provide hardware support for the system, reducing hardware costs and maintenance costs. Use the Raspberry Pi, Arduino development board and Android Things operating system to realize the overall process control of the system to ensure efficient, smooth and stable system operation.

 。2) Designing a variety of software systems: pided into mobile APP and Web-side background management system. Based on the Android system, the mobile APP is pided into a mobile user APP and a mobile merchant APP, which provide users with rich credit redemption functions and provide merchandise sales platforms for merchants, improve user participation, and promote merchandise trade. The web-side background management system is developed using the SSM (Spring+SpringMVC+MyBatis) framework to provide administrators with a fully functional data management platform.

 。3) Accurate and efficient recognition algorithm: It is pided into two recognition modes: barcode recognition and neural network recognition, which improves recognition efficiency and accuracy, and improves the persity of recognition modes. Barcode recognition mainly uses the OpenCV library to detect whether a waste bottle image contains a barcode and uses the ZBar library to identify the content in the barcode. The neural network recognition uses the TensorFlow framework to identify the network based on the InceptionV3 model using migration learning technology, achieving a recognition rate of about 97%.

  Keywords: Bottle classification; Open source hardware; Software development; Image recognition; Deep learning

目 錄
 

  第 1 章 緒論

  1.1 研究背景及意義

  目前再生資源回收已經成為全球潮流,其物資不斷循環利用的經濟發展模式滿足我國可持續發展的戰略,其主要標志是資源能夠循環利用、保持良好的生態環境。據國家統計局公布的數據顯示:"十一五"期間我國回收利用再生資源總量為 4 億多噸,主要再生資源回收利用總值超過了 6500 億元,年平均增長率超過了 20%[2].

  做好垃圾分類是保障資源回收效率的重要前?.垃圾分類一般是指按一定規定或標準將垃圾分類儲存、分類投放和分類搬運,從而轉變成公共資源的一系列活動的總稱。垃圾分類的目的是?高垃圾的資源價值和經濟價值,力爭物盡其用。據中國城市環境衛生協會統計 2014 年我國垃圾年產近 10 億噸,城鎮生活垃圾每年增長 5%至8%[3].

  如今人們的環保意識越來越強,國家也出臺了一系列相關政策。國家領導人從國家高度對垃圾分類工作做出了重要指示,明確推行垃圾分類的重要性和必要性。2019年 6 月 6 日,住建部等 9 部門聯合發布《關于在全國地級及以上城市全面開展生活垃圾分類工作的通知》,明確到 2020 年,46 個重點城市基本建成生活垃圾分類處理系統,到 2025 年,全國地級及以上城市基本建成生活垃圾分類處理系統。目前,北京、上海、深圳等超大城市先后就生活垃圾管理進行修法或立法,通過督促引導、強化全流程分類、嚴格執法監管,讓更多人行動起來[4].

  廢料瓶是一種重要的可回收利用資源,其具有以下特點:

 。1)數量龐大:廢料瓶是我們生活中常見的可回收利用資源。據統計,我國每年生產的飲料瓶數量在 2000 億個左右,總重量超過 500 萬噸[4,5].

 。2)回收價值高:廢料瓶可以分為塑料、鐵鋁、玻璃三類,而廢塑料、廢金屬、廢玻璃都屬于我國十大再生資源范圍之中。據國家前瞻產業研究院整理:2016 年我國主要再生資源類別回收數量達到 25642.1 萬噸,其中廢塑料為 1878 萬噸,廢金屬為 937 萬噸,廢玻璃為 860 萬噸;2016 年我國主要再生資源類別價值達到 5902.8 億元,其中廢塑料為 957.8 億元,廢金屬為 1829 億元,廢玻璃為 22.4 億元[5,6].

 。3)不同種類廢料瓶后續處理方式不同:通過前期對廢料瓶進行分類可以簡化廢料瓶回收流程,?升回收效率。塑料瓶的處理方式有壓塑、擠塑、注塑等,鐵、鋁等金屬材質的廢料瓶的處理方式有壓縮、打磨、拋光等,廢玻璃的處理步驟為篩選、熔鑄、振動、固化、起模等。

  因此廢料瓶分類系統具有很高的研究價值。目前關于廢料瓶分類系統的相關研究較少,其應用主要分為傳統垃圾桶和智能垃圾桶。

 。1)傳統垃圾桶:傳統垃圾桶只是簡單的擺設兩個或多個桶并標識可回收和不可回收等,這樣做存在垃圾分類效率低、垃圾分類成果與再生資源回收效益聯系不夠緊密、用戶垃圾分類的責任感和獲得感低等問題。

 。2)智能垃圾桶:智能垃圾桶一方面通過前端精細分類減少后續垃圾分類處理難度,例如在垃圾焚燒處理時,將廢料瓶單獨分類出來不進行焚燒可以減少有害物質的釋放;另一方面通過積分兌換等方式?高公眾的垃圾分類參與度,將資源回收成果和效益結合起來,?高資源回收的效率。智能垃圾分類回收作為再生資源利用產業鏈中獲得突破的一環,正逐步邁進上升通道,2014 年到 2017 年間掀起了一股垃圾回收企業注冊的熱潮。智能垃圾桶通過自動稱重、定位識別、移動掃碼、智能估值、生物特征識別以及交互聯網等功能增加了用戶的參與度。然而目前的智能垃圾桶用于廢料瓶分類存在傳感器種類多,價格昂貴,對操作、運行、維護人員技術要求高等問題。

  因此,目前的廢料瓶分類系統無法實現低成本、高效率、可普及的效果。本論文便基于這樣的背景環境,設計了計算機視覺的智能廢料瓶分類系統,在硬件裝置上滿足體積輕巧、成本低廉、性價比高、運行流暢、可廣泛布點的需求;在軟件系統上,開發了面向用戶的移動端用戶 APP、面向商家的移動端商家 APP 和面向管理員的 Web 端后臺管理系統,為用戶?供積分兌換的功能,為商家?供銷售商品的平臺,為管理員?供完善的后臺管理系統。此外,本系統的識別算法設計了多樣的識別模式,結合條形碼識別以 及神經網絡識別,?高識別的效率及準確率。

  1.2 相關研究與應用

  1.2.1 國外垃圾分類現狀

  隨著世界文明的飛速發展,垃圾分類問題越來越受到重視,垃圾分類制度的完善程度成為了衡量一個國家文明程度的重要標準。國外發達國家關于垃圾分類的實施較早,法律法規較為完善,垃圾分類的管理和理念較為成熟且深入人心。下面將從垃圾分類的分類方法、國家政策、教育普及三個方面來分析國外發達國家垃圾分類現狀。

 。1)分類方法日本在垃圾分類的分類方法方面可以說是世界上最細致的國家之一,其最大的特點就是分類精細,回收及時。最大分類有可燃物、不可燃物、資源類、粗大類,有害類 5大類,這幾類再細分為若干子項目,每個子項目又可分為孫項目,以此類推?扇碱悾

  指可以燃燒的但不包括塑料、橡膠制片、一般剩菜剩飯和一些可燃的生活垃圾都屬于可燃垃圾。資源類:報紙、書籍、塑料飲料瓶、玻璃飲料瓶等。不可燃類:廢舊小家電(收錄音機等)、衣物、玩具、陶瓷制品、鐵質容器等。粗大類:大的家具、大型電器(電視機、空調)、自行車等。有害類:電池、醫用垃圾、對人身體有害的物質[7].

 。2)國家政策德國擁有目前世界上最完善、最健全的環境保護法律體系。截止目前,德國聯邦政府和各州有關環保的法律、法規多達 8000 余部。德國同時還執行歐盟的 400 多部有關環境保護的法律法規。2000 年,德國政府頒布了《可再生資源法》,該法規定了從事資源再生的企業可獲得政府財政支持,進一步促進了德國生活垃圾的回收利用。2016 年,德國出臺了一項新的電器回收法案,該法案規定電器零售商有義務?供電器回收服務。

  20 世紀 90 年代初,德國人還將條形碼技術引入到垃圾分類管理中,實現了城市綜合性區域垃圾分類的精準溯源[7,8].

 。3)教育普及美國作為垃圾生產大國同時也是垃圾分類實施最早的一批國家之一,早已把環境保護和生活垃圾納入教育的基本課程內容,小學生自入學時的第一天就要接受生活垃圾分類教育,且這種教育與日常生活的耳濡目染將伴隨其一生,逐步形成良好的家庭氛圍和社會氛圍。目前生活垃圾要分類,要定時定點投放,早已是社會普遍共識[9].

  1.2.2 國內垃圾分類現狀

  我國垃圾分類工作開始于 20 世紀 90 年代,當時主要通過廢品回收行業回收有價值的廢棄物,如:玻璃、塑料制品、電池等,其他廢棄物直接打包進入終端處置。由于我國當時垃圾末端處置的產能嚴重不足,垃圾分類并未發展起來。21 世紀初,國家建設部?出在當前經濟快速發展、公眾環境意識普遍?高的情況下,適時啟動城市生活垃圾分類收集試點工作非常必要,并將北京、上海、廣州、深圳、杭州、南京、廈門、桂林等8 個城市確定為全國首批生活垃圾分類收集試點城市[5],取得一定成果,但生活垃圾分類總體還未取得實質性突破。2015 年至今,垃圾分類工作得到中央領導高度關注,政策不斷加碼,垃圾分類工作開始實質性啟動。

  我國垃圾分類的主要分類方法將垃圾分為四類[4,5,6]:(1)可回收物:可回收物主要包括廢紙、塑料、玻璃、金屬和布料五大類。廢紙:

  主要包括報紙、期刊、圖書、各種包裝紙等,但是不包括紙巾和廁所紙等水溶性太強不可回收的紙質。塑料:各種塑料袋、塑料泡沫、塑料包裝、一次性塑料餐盒餐具、硬塑料、塑料牙刷、塑料杯子、礦泉水瓶等。玻璃:主要包括各種玻璃瓶、碎玻璃片、鏡子、暖瓶等。金屬物:主要包括易拉罐、罐頭盒等。布料:主要包括廢棄衣服、桌布、洗臉巾、書包、鞋等。

 。2)其它垃圾:其他垃圾(上海稱干垃圾)包括除上述幾類垃圾之外的磚瓦陶瓷、渣土、衛生間廢紙、紙巾等難以回收的廢棄物及塵土、食品袋(盒)。

 。3)廚余垃圾:廚余垃圾(上海稱濕垃圾)包括剩菜剩飯、骨頭、果皮等食品類廢物。

 。4)有害垃圾:有害垃圾含有對人體健康有害的重金屬、有毒的物質或者對環境造成現實危害或者潛在危害的廢棄物。包括電池、熒光燈管、燈泡、水銀溫度計、油漆桶、部分家電、過期藥品、過期化妝品等。

  表 1-1 對我國上海、杭州、廈門三市垃圾分類現狀進行了對比。


  1.2.3 智能垃圾桶應用

  隨著國家對于垃圾分類的愈加重視,全國各地陸續出臺關于垃圾分類的強制性政策,垃圾分類成為熱潮。而近年來互聯網產業飛速發展,"互聯網+垃圾分類"的模式正在迎來一個發展黃金期,智能垃圾分類產業正在崛起。

  目前智能垃圾桶所使用的識別技術、軟件系統以及功能模塊等各方面較為相同,其工作流程基本上可以分為三步:綁定用戶與機器,識別用戶投入的可回收資源種類,返回現金、積分等獎勵。表 1-2 所示為國內外智能垃圾桶對比。

  1.3 論文主要內容與結構

  1.3.1 論文主要研究內容

  本論文設計實現了基于計算機視覺的智能廢料瓶分類系統,分為硬件裝置、軟件系統、識別算法三部分。用戶向硬件裝置中的智能垃圾桶投入廢料瓶,識別算法進行識別,識別完成后可以在軟件系統中的移動端用戶 APP 查看積分并使用積分兌換商品;商家可以在軟件系統中的移動端商家 APP 對所有商品進行管理;管理員可以在軟件系統中的Web 端后臺管理系統中查看、分析、處理系統所有的相關數據。

  本論文的主要研究工作如下:

 。1)實現系統硬件裝置,包括:設計簡潔合理的硬件裝置結構,選擇樹莓派和Arduino 作為硬件裝置的控制核心,在滿足系統需求的基礎上減少傳感器模塊的數量,選擇 Android Things 作為硬件裝置操作系統實現對傳感器模塊和系統流程的高效控制,使用 OkHttp 框架來保證硬件裝置與云端服務器之間的高效通信。

 。2)實現軟件系統中的移動端用戶 APP 和移動端商家 APP,包括通過選擇 Android作為操作系統保障系統應用軟件高效、穩定、安全的運行,設計友好的人機交互界面,設計合理的系統工作流程,對用戶和商家進行充分的需求分析,?供完善的系統功能,設計合理的數據庫表結構。

 。3)實現軟件系統中的 web 端后臺管理系統,使用 SSM 框架開發基于 MVC 設計模式的 Web 網站,滿足管理員的使用需求,實現登陸、用戶管理、商家管理、商品管理、投遞記錄管理、投訴處理六大功能模塊。

 。4)結合廢料瓶的常見種類和重要可回收利用資源的種類,確定廢料瓶的分類:塑料、鐵鋁、玻璃。

 。5)實現包含兩種識別模式、高效、精準的識別算法,包括:設計合理的識別算法工作流程,設計高效的條形碼檢測算法,選擇條形碼識別庫,廢料瓶圖像的采集,模型的選擇、訓練、測試。

  1.3.2 論文結構

  論文分為六章,主要內容如下:

  第一章是緒論,主要介紹智能廢料瓶分類系統研究的背景及意義,對比當前廢料瓶分類系統的相關研究與應用現狀,以及介紹本文的主要研究內容與文章結構。

  第二章是系統概述,分析系統的整體需求,并從系統組成部分、各部分的功能以及各部分之間的聯系來介紹系統的整體框架。

  第三章是系統硬件裝置設計,主要包括開發板和傳感器模塊的選擇與使用,硬件裝置的結構設計、工作流程以及實現方法。

  第四章是系統軟件系統設計,主要包括云端服務器、數據庫、移動端用戶 APP、移動端商家 APP、Web 端管理系統的設計與實現。

  第五章是系統識別算法設計,主要介紹識別算法的工作流程,條形碼的檢測與識別,廢料瓶圖像的采集和預處理,神經網絡模型的選擇、訓練與測試。

  第六章是總結與展望,總結本課題的研究工作和展望后續的擴展?升。




  第 2 章 系統概述
  2.1 系統簡介
  2.2 系統需求分析
  2.3 系統整體框架

  第 3 章 系統硬件裝置設計
  3.1 硬件裝置開發板與操作系統
  3.1.1 開源硬件與傳統開發板
  3.1.2 樹莓派
  3.1.3 Arduino 開發板
  3.1.4 Android Things 操作系統

  3.2 硬件裝置傳感器模塊
  3.2.1 攝像頭模塊
  3.2.2 顯示屏模塊
  3.2.3 SG90 舵機模塊
  3.2.4 WS2812b 燈帶模塊

  3.3 硬件裝置智能垃圾桶設計
  3.4 硬件裝置工作流程
  3.5 硬件裝置實現方法
  3.5.1 樹莓派與 Arduino 之間的通信
  3.5.2 樹莓派與云端服務器的通信
  3.5.3 Arduino 控制各個傳感器模塊的工作

  3.5.4 各個傳感器模塊獨立工作
  3.6 硬件裝置用戶屏頁面設計
  3.6.1 用戶屏頁面需求分析
  3.6.2 用戶屏頁面設計與實現

  第 4 章 系統軟件系統設計
  4.1 軟件系統移動端與 Web 端開發技術
  4.1.1 Android 操作系統
  4.1.2 SSM 開發框架
  基于計算機視覺的智能廢料瓶分類系統
  4.2 軟件系統云端服務器設計
  4.2.1 云端服務器需求分析
  4.2.2 云端服務器工作流程
  4.3 軟件系統數據庫設計
  4.3.1 數據庫概念模型設計
  4.3.2 數據庫表結構

  4.4 軟件系統移動端用戶 APP 設計
  4.4.1 移動端用戶 APP 需求分析
  4.4.2 移動端用戶 APP 頁面設計
  4.4.3 移動端用戶 APP 工作流程
  4.5 軟件系統移動端商家 APP 設計
  4.5.1 移動端商家 APP 需求分析
  4.5.2 移動端商家 APP 頁面設計
  4.5.3 移動端商家 APP 工作流程
  4.6 軟件系統 Web 端后臺管理系統
  4.6.1 Web 端后臺管理系統需求分析
  4.6.2 Web 端后臺管理系統頁面設計
  4.6.3 Web 端后臺管理系統工作流程

  第 5 章 系統識別算法設計
  5.1 識別算法相關技術
  5.1.1 OpenCV 計算機視覺庫
  5.1.2 TensorFlow 深度學習框架
  5.1.3 卷積神經網絡
  5.2 識別算法工作流程

  5.3 識別算法:條形碼檢測與識別
  5.3.1 條形碼檢測算法
  5.3.2 條形碼識別開源庫
  5.3.3 條形碼識別算法測試
  5.4 識別算法:神經網絡識別
  5.4.1 廢料瓶圖像收集
  5.4.2 廢料瓶圖像預處理
  5.4.3 LeNet-5 與 InceptionV3 網絡模型
  5.4.4 訓練與測試

6 章 總結與展望

  6.1 總結

  目前政府社會都對資源回收和垃圾分類的狀況愈加關注,做好垃圾分類是?高資源回收效率的重要前?.廢料瓶是一種重要的可回收資源,其具有數量龐大、回收價值高、不同種類后續處理方式不同三大特點,因而廢料瓶分類系統具有很高的研究價值。本論文設計開發了一套基于計算機視覺的智能廢料瓶分類系統,根據實際應用需求設計開發了硬件裝置、軟件系統和識別算法。在硬件裝置上滿足體積輕巧、成本低廉、性價比高、運行流暢、可廣泛布點的需求;在軟件系統上,開發了面向用戶的移動端用戶 APP、面向商家的移動端商家 APP 和面向管理員的 Web 端后臺管理系統,為用戶?供積分兌換的功能、為商家?供銷售商品的平臺、為管理員?供完善的后臺管理系統。此外,本系統的識別算法設計了兩種的識別模式:條形碼識別和神經網絡識別,兩種識別模式配合工作,?高了識別的效率及準確率。

  本論文的主要工作如下:

 。1)實現系統硬件裝置:設計簡潔合理的硬件裝置結構,選擇樹莓派和 Arduino 作為硬件裝置的控制核心,盡量減少傳感器模塊的數量,選擇 Android Things 操作系統實現對傳感器模塊和系統流程的高效控制,使用 OkHttp 框架來保證硬件裝置與云端服務器之間的高效通信。

 。2)實現軟件系統中的云服務器設計:充分分析云服務器的功能需求,設計云服務器合理高效的工作流程,保障云服務器與系統其他組成部分通信的穩定、快速、可靠。

 。3)實現軟件系統中的移動端用戶 APP 和移動端商家 APP:選擇 Android 操作系統保障系統應用軟件高效、穩定、安全的運行,對用戶和商家進行充分的需求分析,設計合理的數據庫表結構,?供完善的系統功能,設計友好的人機交互界面,設計合理的系統工作流程。

 。4)實現軟件系統中的 web 端后臺管理系統:使用 SSM 框架開發基于 MVC 設計模式的 Web 網站,對管理員進行充分的需求分析,設計友好的人機交互界面,滿足管理員的使用需求,實現登陸、用戶管理、商家管理、商品管理、投遞記錄管理、投訴處理六大功能模塊。

 。5)實現系統識別算法:結合廢料瓶的常見種類和重要可回收利用資源的種類確定廢料瓶的分類:塑料、鐵鋁、玻璃,實現兩種識別模式:條形碼識別和神經網絡識別,設計合理的識別算法工作流程,設計高效的條形碼檢測算法,選擇條形碼識別庫,廢料瓶圖像的收集,神經網絡模型的選擇、訓練、測試。

  6.2 研究展望

  在基于計算機視覺的智能廢料瓶分類系統的設計與開發實現中,結合了計算機視覺、軟件開發、網絡通信、數據庫等一系列相關技術,完成了系統的預期目標,證實了本套系統的可行性。但與此同時,本套系統依然有一些不足之處,可供后期完善改進。

 。1)在硬件裝置上:硬件裝置的機械結構還可以進一步改進,入倉控制模塊目前使用滑輪等老舊的機械結構,長期使用可能出現問題;可以增加溢滿檢測,在廢料瓶裝滿硬件裝置的廢料瓶收集區時發出?醒;可以增加自動稱重技術,驗證廢料瓶的分類結果。

 。2)在軟件系統上:可以繼續完善豐富軟件系統移動端用戶 APP、移動端商家 APP、Web 端后臺管理系統的功能,彌補現有的軟件系統缺陷,例如可以使用更高效的物聯網通信協議 MQTT 協議來取代目前的 HTTP 通信協議等。

 。3)在識別算法上:條形碼檢測的算法還可以進一步優化,將拍攝得到的廢料瓶圖像分別旋轉不同的角度后再進行檢測識別,以?高條形碼識別的準確率;可以通過收集更多的廢料瓶增加訓練集的數量,優化模型訓練參數,使用 ResNet 等其他網絡模型等方式來?高神經網絡識別的準確率;根據現有技術實現其他可回收資源的分類。

  參考文獻
  [1] 鄭驥。 廢塑料回收再生工藝及環保要求[J]. 環境與發展。 2019(4): 25-42.
  [2] 楊舒琰, 劉麗麗, 李金惠。 加強廢塑料回收,減少環境污染[J]. 世界環境。 2018(5): 122-145.
  [3] 秦梓奕, 馬姚姚。 "塑料王國"過冬[J]. 財新周刊。 2019(4): 23-34.
  [4] 孫正偉, 陳靜, 龐新躍。 我國垃圾分類的現狀及對策[J]. 城市管理與科技。 2018(1): 6-12.
  [5] 婁子孟。 我國垃圾分類現狀及對策探究[J]. 中國市場。 2018(13): 12-22.
  [6] 李航, 徐園園。 國內分類垃圾桶發展現狀與分析[J]. 安陽工學院學報。 2019(2): 5-12.
  [7] 陳璽撼, 胡敏。 國外垃圾分類,"軟引導"與"硬約束"并重[J]. 領導月讀。 2018(8): 23-32.
  [8] 大軍。 國外是如何推行垃圾分類的[J]. 科海故事博覽。 2019(6): 22-30.
  [9] 李博洋。 借鑒國外經驗推進我國生活垃圾分類的建議[J]. 中國科技投資。 2018(30): 12-34.
  [10]劉繼元。 基于樹莓派的物聯網應用[J]. 電子世界。 2016(8): 67-82.
  [11]望雪。 樹莓派 vs Arduino vs 傳統單片機開發板,用誰好?[J]. 無線電。 2015(2): 15-23.
  [12]楊梓謙, 李彤, 彭智敏。 基于 Arduino 與樹莓派平臺的分布式數據采集處理系統設計[J]. 農業技術與裝備。 2019(3):13-35.
  [13]朱賀新, 王巍。 基于 Android Things 的智能門禁系統設計[J]. 北京工業職業技術學院學報。2019(2): 17-26.
  [14]李華洲, 張青, 王文靜。 基于 Android Things 和 Google Weave 技術的高職 Android 物聯網應用開發課程建設探討[J]. 中國科技博覽。 2017(31): 45-56.
  [15]張義紅, 李永樂。 Android 物聯網創新型實驗研究與應用[J]. 實驗室研究與探索。 2018(1):16-32.
  [16]楊國立, 李虎。 基于 Android 的物聯網視頻和數據監控系統[J]. 智庫時代。 2018(49): 10-23.
  [17]賀雪梅。 web 應用開發中的 SSM 框架設計[J]. 電子世界。 2019(1)。
  [18]朱珍元, 王鶴琴, 郭標。 基于 HTML5 和 SSM 的移動 Web App 開發[J]. 電腦知識與技術。2017(21): 21-24.
  [19]吳倩, 應捷, 韓旭。 基于 SSM 框架的高并發電子商務平臺設計與實現[J]. 電子商務。2019(3):34-52
  [20]李越。 OpenCV 應用現狀綜述[J]. 工業控制計算機。 2017(7): 24-32.
  [21]劉培軍, 馬明棟, 王得玉。 基于 OpenCV 圖像處理系統的開發與實現[J]. 計算機技術與發展。2019(3): 56-62.
  [22]吳兆林。 基于 Zbar 條形碼圖像識別的實現[J]. 數字技術與應用。 2016(8): 33-56.
  [23]王凌霞,王哲。 遷移學習[J]. 中國計算機報。 2018(45): 23-40.
  [24]柯研,王希龍,鄭鈺輝。 深度遷移學習簡介[J]. 數碼世界。 2018(11): 15-34.
  [25]楊強,童詠昕。 遷移學習:回顧與進展[J]. 中國計算機學會通訊。 2018(9): 26-37.
  [26] Jinbo Qin, Ji Liang, Tao Chen, et al. Simulating and Predicting of Hydrological Time Series Based onTensorFlow Deep Learning[J]. Polish Journal of Environmental Studies. 2019, 28(2): 795-802.
  [27] Abhineet Saxena. Convolutional neural networks: an illustration in TensorFlow[J]. XRDS:
  Crossroads, The ACM Magazine for Students. 2016,22(4): 56-58.
  [28] Vijayan, Jaikumar. Distributed Computing Version of Google TensorFlow Debuts[J]. eWeek. 2016,3(2): 1-20.
  [29] Vazquez-Canteli, Jose R, Ulyanin, et al. Fusing TensorFlow with building energy simulation forintelligent energy management in smart cities[J]. Sustainable Cities And Society. 2019, 1(3): 243-257.
  [30] Rampasek, L, Goldenberg A. TensorFlow: Biology's Gateway to Deep Learning?[J]. Cell Systems.2016,2(1): 12-14.
  [31] Zhang C, Yue X, Wang R, et al. Study on Traffic Sign Recognition by Optimized Lenet-5 Algorithm[J].International Journal of Pattern Recognition and Artificial Intelligence. 2019,10(3): 1340-1358.
  [32] Yong L I, Xiao-Zhu L, Meng-Ying J. Facial Expression Recognition with Cross-connect LeNet-5Network[J]. Acta Automatica Sinica. 2018,2(4):230-245.
  [33] Yu N, Jiao P, Zheng Y. Handwritten digits recognition base on improved LeNet5[C]. Control & DecisionConference. 2015.
  [34] Zhang C, Yue X, Wang R, et al. Study on Traffic Sign Recognition by Optimized Lenet-5Algorithm[J]. International Journal of Pattern Recognition and Artificial Intelligence, 2019.
  [35] Yuan A, Bai G, Jiao L, et al. Offline Handwritten English Character Recognition Based onConvolutional Neural Network[C]. Iapr International Workshop on Document Analysis Systems. IEEE.2012,3(10):12-34.
  [36] Xia X, Xu C, Nan B. Inception-v3 for flower classification[C]. 2017 2nd International Conference onImage, Vision and Computing (ICIVC)。 IEEE. 2017: 120-135.
  [37] Sinha R, Clarke J. When technology meets technology: Retrained 'Inception V3' classifier for NGSbased pathogen detection[C]. 2017 IEEE International Conference on Bioinformatics andBiomedicine (BIBM)。 IEEE Computer Society. 2017: 50-63.
  [38] Szegedy C, Ioffe S, Vanhoucke V, et al. Inception-v4, Inception-ResNet and the Impact of ResidualConnections on Learning[J]. 2016.
  [39] Bodo R, Iulia-Alexandra L, Yuhuang H, et al. Conversion of Continuous-Valued Deep Networks toEfficient Event-Driven Networks for Image Classification[J]. Frontiers in Neuroscience. 2017, 11:682-.
  [40] Mccool C, Perez T, Upcroft B. Mixtures of Lightweight Deep Convolutional Neural Networks:Applied to Agricultural Robotics[J]. IEEE Robotics and Automation Letters. 2017, 2(3): 1344-1351.
  [41] Chen-Mccaig Z, Hoseinnezhad R, Bab-Hadiashar A. Convolutional neural networks for texturerecognition using transfer learning[C]. International Conference on Control. IEEE, 2017,2(6): 240-263.
  [42] Weng T W, Zhang H, Chen P Y, et al. Evaluating the Robustness of Neural Networks: An ExtremeValue Theory Approach[J]. 2018,3(6): 33-45.
  [43] Chen C, Qi F. Single Image Super-Resolution Using Deep CNN with Dense Skip Connections andInception-ResNet[C]. International Conference on Information Technology in Medicine and Education(ITME)。 IEEE Computer Society. 2018,9(2): 233-256.
  [44] Chen-Mccaig Z, Hoseinnezhad R, Bab-Hadiashar A. Convolutional neural networks for texturerecognition using transfer learning[C]. International Conference on Control. IEEE. 2017,2(3): 134-162.
  [45] Lee H Y, Lee B T. Selective inference for accelerating deep learning-based image classification[C].International Conference on Information & Communication Technology Convergence. IEEE,2016:135-137.
  [46] Matos J D, Britto A D S, Oliveira L E S, et al. Double Transfer Learning for Breast CancerHistopathologic Image Classification[C]. International Joint Conference on Neural Networks(IJCNN)。 2019,3(22): 120-143.
  [47] Amanda R, Kelsee B, Peter M C, et al. Deep Learning for Image-Based Cassava Disease Detection[J].Frontiers in Plant Science. 2017,8: 1852-.
  [48] Filonenko A, Kurnianggoro L, Jo K H. Comparative study of modern convolutional neural networksfor smoke detection on image data[C]. International Conference on Human System Interactions (HSI)。IEEE, 2017,10(2): 1237-1246.
  [49] Ting X, Lei L, Kai L, et al. Comparison of Transferred Deep Neural Networks in Ultrasonic BreastMasses Discrimination[J]. BioMed Research International. 2018,1(9): 145-170.
  [50] Guanci Y, Jing Y, Weihua S, et al. Convolutional Neural Network-Based Embarrassing SituationDetection under Camera for Social Robot in Smart Homes[J]. Sensors. 2018,18(5): 1530-.

致謝

  在即將完成我的碩士論文的時候,猛然間發覺自己即將離開校園,離開親愛的老師和同學,背上自己重重的行囊,重新開始人生的又一段旅途;匚哆^去的兩年半,我努力了,奮斗了,并且收獲良多。

  師恩重如山,永刻于心。首先,我要感謝我敬愛的傅均導師。在學習上,導師嚴謹治學的作風和誨人不倦的態度是我學習的楷模;在生活上,導師美麗的心靈和身影一直關愛著我;在論文寫作上,不論是選題、開題、文章框架的構筑,到最后的定稿,都得到吳老師的細心指導與?攜。感謝一直以來您對我的諄諄教導和嚴格要求。涓涓師恩,情深意切,銘記于心,只愿師生情誼一生延續。

  感謝所有給過我指導的老師,特別是傅均老師。在杭州的冬天最寒冷的時候,在我論文寫作最迷茫和無助的時刻,您的悉心指點如霧靄中的明燈,幫助我沖破重重困難,不斷前進,終于守得云開見月明。在此對您致以最誠摯的敬意!

  感謝室友同窗,在論文寫作和修改的過程中,你們總是熱情地向我伸出無私的援手,讓我的求學之路變得充實而又愉快。雖然即將別離,但愿友誼地久天長。

  感謝答辯委員會的成員,感謝你們在百忙之中擠出周末本該好好休息的時間,來指導我完成論文的答辯工作。

  由于本人學識有限,文中不免有錯誤和待改進之處,真誠歡迎各位師長、同行?出寶貴意見。

  最后,在此,我感謝各位的幫助。

(如您需要查看本篇畢業設計全文,請您聯系客服索。

相關內容
相關標簽:計算機畢業設計
好優論文定制中心主要為您提供代做畢業設計及各專業畢業論文寫作輔導服務。 網站地圖
所有論文、資料均源于網上的共享資源以及一些期刊雜志,所有論文僅免費供網友間相互學習交流之用,請特別注意勿做其他非法用途。
如有侵犯您的版權或其他有損您利益的行為,請聯系指出,論文定制中心會立即進行改正或刪除有關內容!
欧美日本精品一区二区三区,米奇影视第四色,99久久精品国产免费看,久久精品国产一区二区无码
<蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <文本链> <文本链> <文本链> <文本链> <文本链> <文本链>