计算机视觉的智能废料瓶分类系统设计研究

摘要

　　随着世界人口的飞速增长和全球经济的高速发展，资源的有限性成为了限制人类生存和发展的重要因素，而做好垃圾分类是资源回收的重要前？.废料瓶是一种重要的可回收资源，其具有以下特点：

　　（1）数量庞大：据英国卫生局统计2016年全球塑料瓶消费量达到4800亿个，预计2020年将达到5000亿个，相当于每秒消费2万个塑料瓶[1].

　　（2）回收价值高：废料瓶可以分为塑料、铁铝、玻璃三类，而废塑料、废金属、废玻璃属于我国十大重要再生资源种类。

　　（3）不同种类废料瓶后续处理方式不同：塑料瓶的处理方式有压塑、挤塑、注塑等，而铁、铝等金属材质的废料瓶处理方式有压缩、打磨、抛光等。因此废料瓶分类系统有很高的研究价值。

　　目前关于废料瓶分类系统的相关研究较少，其应用主要分为传统垃圾桶和智能垃圾桶，两者仍存在一些不足之处：

　　（1）传统垃圾桶前期只是简单的摆设两个或多个桶并标识可回收和不可回收等，主要依靠后期人工收集、分类，这样虽然能够实现较高的准确率，但是存在分类效率低、分类周期长、人工取样繁琐且劳动强度大等问题。

　　（2）智能垃圾桶通过自动称重、语音识别、移动扫码等技术将垃圾与相关责任人绑定在一起，通过前期监督用户进行分类的方式？高了垃圾分类效率，但是存在传感器种类多，价格昂贵，对操作、运行、维护人员技术要求高等问题。

　　本文主要？出了一个基于计算机视觉的智能废料瓶分类系统，针对当前废料瓶分类系统的不足进行了以下研究：

　　（1）设计轻量级的硬件装置：使用摄像头、舵机、灯带等尽可能少的传感器模块来为系统供硬件支持，减少硬件成本和维护成本。使用树莓派、Arduino开发板和AndroidThings操作系统实现系统整体流程控制，保证系统运行的高效、流畅、稳定。

　　（2）设计功能多样的软件系统：分为移动端APP和Web端后台管理系统。移动端APP基于Android系统，分为移动端用户APP和移动端商家APP,分别为用户？供丰富的积分兑换功能和为商家？供商品销售平台，？高用户参与度，促进商品贸易。Web端后台管理系统使用SSM（Spring+SpringMVC+MyBatis）框架进行开发，为管理员？供功能完善的数据管理平台。

　　（3）设计准确高效的识别算法：分为两种识别模式：条形码识别和神经网络识别，高识别效率、准确率，？高识别模式的多样性。条形码识别主要使用OpenCV库检测废料瓶图像中是否含有条形码并使用ZBar库来识别条形码中的内容。神经网络识别使用TensorFlow框架，以InceptionV3模型为基础网络使用迁移学习技术进行识别，达到了97%左右的识别率。

　　关键字：废料瓶分类；开源硬件；软件开发；图像识别；深度学习

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 录
 

　　第 1 章 绪论

　　1.1 研究背景及意义

　　目前再生资源回收已经成为全球潮流，其物资不断循环利用的经济发展模式满足我国可持续发展的战略，其主要标志是资源能够循环利用、保持良好的生态环境。据国家统计局公布的数据显示："十一五"期间我国回收利用再生资源总量为 4 亿多吨，主要再生资源回收利用总值超过了 6500 亿元，年平均增长率超过了 20%[2].

　　做好垃圾分类是保障资源回收效率的重要前？.垃圾分类一般是指按一定规定或标准将垃圾分类储存、分类投放和分类搬运，从而转变成公共资源的一系列活动的总称。垃圾分类的目的是？高垃圾的资源价值和经济价值，力争物尽其用。据中国城市环境卫生协会统计 2014 年我国垃圾年产近 10 亿吨，城镇生活垃圾每年增长 5%至8%[3].

　　如今人们的环保意识越来越强，国家也出台了一系列相关政策。国家领导人从国家高度对垃圾分类工作做出了重要指示，明确推行垃圾分类的重要性和必要性。2019年 6 月 6 日，住建部等 9 部门联合发布《关于在全国地级及以上城市全面开展生活垃圾分类工作的通知》，明确到 2020 年，46 个重点城市基本建成生活垃圾分类处理系统，到 2025 年，全国地级及以上城市基本建成生活垃圾分类处理系统。目前，北京、上海、深圳等超大城市先后就生活垃圾管理进行修法或立法，通过督促引导、强化全流程分类、严格执法监管，让更多人行动起来[4].

　　废料瓶是一种重要的可回收利用资源，其具有以下特点：

　　（1）数量庞大：废料瓶是我们生活中常见的可回收利用资源。据统计，我国每年生产的饮料瓶数量在 2000 亿个左右，总重量超过 500 万吨[4,5].

　　（2）回收价值高：废料瓶可以分为塑料、铁铝、玻璃三类，而废塑料、废金属、废玻璃都属于我国十大再生资源范围之中。据国家前瞻产业研究院整理：2016 年我国主要再生资源类别回收数量达到 25642.1 万吨，其中废塑料为 1878 万吨，废金属为 937 万吨，废玻璃为 860 万吨；2016 年我国主要再生资源类别价值达到 5902.8 亿元，其中废塑料为 957.8 亿元，废金属为 1829 亿元，废玻璃为 22.4 亿元[5,6].

　　（3）不同种类废料瓶后续处理方式不同：通过前期对废料瓶进行分类可以简化废料瓶回收流程，？升回收效率。塑料瓶的处理方式有压塑、挤塑、注塑等，铁、铝等金属材质的废料瓶的处理方式有压缩、打磨、抛光等，废玻璃的处理步骤为筛选、熔铸、振动、固化、起模等。

　　因此废料瓶分类系统具有很高的研究价值。目前关于废料瓶分类系统的相关研究较少，其应用主要分为传统垃圾桶和智能垃圾桶。

　　（1）传统垃圾桶：传统垃圾桶只是简单的摆设两个或多个桶并标识可回收和不可回收等，这样做存在垃圾分类效率低、垃圾分类成果与再生资源回收效益联系不够紧密、用户垃圾分类的责任感和获得感低等问题。

　　（2）智能垃圾桶：智能垃圾桶一方面通过前端精细分类减少后续垃圾分类处理难度，例如在垃圾焚烧处理时，将废料瓶单独分类出来不进行焚烧可以减少有害物质的释放；另一方面通过积分兑换等方式？高公众的垃圾分类参与度，将资源回收成果和效益结合起来，？高资源回收的效率。智能垃圾分类回收作为再生资源利用产业链中获得突破的一环，正逐步迈进上升通道，2014 年到 2017 年间掀起了一股垃圾回收企业注册的热潮。智能垃圾桶通过自动称重、定位识别、移动扫码、智能估值、生物特征识别以及交互联网等功能增加了用户的参与度。然而目前的智能垃圾桶用于废料瓶分类存在传感器种类多，价格昂贵，对操作、运行、维护人员技术要求高等问题。

　　因此，目前的废料瓶分类系统无法实现低成本、高效率、可普及的效果。本论文便基于这样的背景环境，设计了计算机视觉的智能废料瓶分类系统，在硬件装置上满足体积轻巧、成本低廉、性价比高、运行流畅、可广泛布点的需求；在软件系统上，开发了面向用户的移动端用户 APP、面向商家的移动端商家 APP 和面向管理员的 Web 端后台管理系统，为用户？供积分兑换的功能，为商家？供销售商品的平台，为管理员？供完善的后台管理系统。此外，本系统的识别算法设计了多样的识别模式，结合条形码识别以 及神经网络识别，？高识别的效率及准确率。

　　1.2 相关研究与应用

　　1.2.1 国外垃圾分类现状

　　随着世界文明的飞速发展，垃圾分类问题越来越受到重视，垃圾分类制度的完善程度成为了衡量一个国家文明程度的重要标准。国外发达国家关于垃圾分类的实施较早，法律法规较为完善，垃圾分类的管理和理念较为成熟且深入人心。下面将从垃圾分类的分类方法、国家政策、教育普及三个方面来分析国外发达国家垃圾分类现状。

　　（1）分类方法日本在垃圾分类的分类方法方面可以说是世界上最细致的国家之一，其最大的特点就是分类精细，回收及时。最大分类有可燃物、不可燃物、资源类、粗大类，有害类 5大类，这几类再细分为若干子项目，每个子项目又可分为孙项目，以此类推。可燃类：

　　指可以燃烧的但不包括塑料、橡胶制片、一般剩菜剩饭和一些可燃的生活垃圾都属于可燃垃圾。资源类：报纸、书籍、塑料饮料瓶、玻璃饮料瓶等。不可燃类：废旧小家电（收录音机等）、衣物、玩具、陶瓷制品、铁质容器等。粗大类：大的家具、大型电器（电视机、空调）、自行车等。有害类：电池、医用垃圾、对人身体有害的物质[7].

　　（2）国家政策德国拥有目前世界上最完善、最健全的环境保护法律体系。截止目前，德国联邦政府和各州有关环保的法律、法规多达 8000 余部。德国同时还执行欧盟的 400 多部有关环境保护的法律法规。2000 年，德国政府颁布了《可再生资源法》，该法规定了从事资源再生的企业可获得政府财政支持，进一步促进了德国生活垃圾的回收利用。2016 年，德国出台了一项新的电器回收法案，该法案规定电器零售商有义务？供电器回收服务。

　　20 世纪 90 年代初，德国人还将条形码技术引入到垃圾分类管理中，实现了城市综合性区域垃圾分类的精准溯源[7,8].

　　（3）教育普及美国作为垃圾生产大国同时也是垃圾分类实施最早的一批国家之一，早已把环境保护和生活垃圾纳入教育的基本课程内容，小学生自入学时的第一天就要接受生活垃圾分类教育，且这种教育与日常生活的耳濡目染将伴随其一生，逐步形成良好的家庭氛围和社会氛围。目前生活垃圾要分类，要定时定点投放，早已是社会普遍共识[9].

　　1.2.2 国内垃圾分类现状

　　我国垃圾分类工作开始于 20 世纪 90 年代，当时主要通过废品回收行业回收有价值的废弃物，如：玻璃、塑料制品、电池等，其他废弃物直接打包进入终端处置。由于我国当时垃圾末端处置的产能严重不足，垃圾分类并未发展起来。21 世纪初，国家建设部？出在当前经济快速发展、公众环境意识普遍？高的情况下，适时启动城市生活垃圾分类收集试点工作非常必要，并将北京、上海、广州、深圳、杭州、南京、厦门、桂林等8 个城市确定为全国首批生活垃圾分类收集试点城市[5],取得一定成果，但生活垃圾分类总体还未取得实质性突破。2015 年至今，垃圾分类工作得到中央领导高度关注，政策不断加码，垃圾分类工作开始实质性启动。

　　我国垃圾分类的主要分类方法将垃圾分为四类[4,5,6]:（1）可回收物：可回收物主要包括废纸、塑料、玻璃、金属和布料五大类。废纸：

　　主要包括报纸、期刊、图书、各种包装纸等，但是不包括纸巾和厕所纸等水溶性太强不可回收的纸质。塑料：各种塑料袋、塑料泡沫、塑料包装、一次性塑料餐盒餐具、硬塑料、塑料牙刷、塑料杯子、矿泉水瓶等。玻璃：主要包括各种玻璃瓶、碎玻璃片、镜子、暖瓶等。金属物：主要包括易拉罐、罐头盒等。布料：主要包括废弃衣服、桌布、洗脸巾、书包、鞋等。

　　（2）其它垃圾：其他垃圾（上海称干垃圾）包括除上述几类垃圾之外的砖瓦陶瓷、渣土、卫生间废纸、纸巾等难以回收的废弃物及尘土、食品袋（盒）。

　　（3）厨余垃圾：厨余垃圾（上海称湿垃圾）包括剩菜剩饭、骨头、果皮等食品类废物。

　　（4）有害垃圾：有害垃圾含有对人体健康有害的重金属、有毒的物质或者对环境造成现实危害或者潜在危害的废弃物。包括电池、荧光灯管、灯泡、水银温度计、油漆桶、部分家电、过期药品、过期化妆品等。

　　表 1-1 对我国上海、杭州、厦门三市垃圾分类现状进行了对比。

　　1.2.3 智能垃圾桶应用

　　随着国家对于垃圾分类的愈加重视，全国各地陆续出台关于垃圾分类的强制性政策，垃圾分类成为热潮。而近年来互联网产业飞速发展，"互联网+垃圾分类"的模式正在迎来一个发展黄金期，智能垃圾分类产业正在崛起。

　　目前智能垃圾桶所使用的识别技术、软件系统以及功能模块等各方面较为相同，其工作流程基本上可以分为三步：绑定用户与机器，识别用户投入的可回收资源种类，返回现金、积分等奖励。表 1-2 所示为国内外智能垃圾桶对比。

　　1.3 论文主要内容与结构

　　1.3.1 论文主要研究内容

　　本论文设计实现了基于计算机视觉的智能废料瓶分类系统，分为硬件装置、软件系统、识别算法三部分。用户向硬件装置中的智能垃圾桶投入废料瓶，识别算法进行识别，识别完成后可以在软件系统中的移动端用户 APP 查看积分并使用积分兑换商品；商家可以在软件系统中的移动端商家 APP 对所有商品进行管理；管理员可以在软件系统中的Web 端后台管理系统中查看、分析、处理系统所有的相关数据。

　　本论文的主要研究工作如下：

　　（1）实现系统硬件装置，包括：设计简洁合理的硬件装置结构，选择树莓派和Arduino 作为硬件装置的控制核心，在满足系统需求的基础上减少传感器模块的数量，选择 Android Things 作为硬件装置操作系统实现对传感器模块和系统流程的高效控制，使用 OkHttp 框架来保证硬件装置与云端服务器之间的高效通信。

　　（2）实现软件系统中的移动端用户 APP 和移动端商家 APP,包括通过选择 Android作为操作系统保障系统应用软件高效、稳定、安全的运行，设计友好的人机交互界面，设计合理的系统工作流程，对用户和商家进行充分的需求分析，？供完善的系统功能，设计合理的数据库表结构。

　　（3）实现软件系统中的 web 端后台管理系统，使用 SSM 框架开发基于 MVC 设计模式的 Web 网站，满足管理员的使用需求，实现登陆、用户管理、商家管理、商品管理、投递记录管理、投诉处理六大功能模块。

　　（4）结合废料瓶的常见种类和重要可回收利用资源的种类，确定废料瓶的分类：塑料、铁铝、玻璃。

　　（5）实现包含两种识别模式、高效、精准的识别算法，包括：设计合理的识别算法工作流程，设计高效的条形码检测算法，选择条形码识别库，废料瓶图像的采集，模型的选择、训练、测试。

　　1.3.2 论文结构

　　论文分为六章，主要内容如下：

　　第一章是绪论，主要介绍智能废料瓶分类系统研究的背景及意义，对比当前废料瓶分类系统的相关研究与应用现状，以及介绍本文的主要研究内容与文章结构。

　　第二章是系统概述，分析系统的整体需求，并从系统组成部分、各部分的功能以及各部分之间的联系来介绍系统的整体框架。

　　第三章是系统硬件装置设计，主要包括开发板和传感器模块的选择与使用，硬件装置的结构设计、工作流程以及实现方法。

　　第四章是系统软件系统设计，主要包括云端服务器、数据库、移动端用户 APP、移动端商家 APP、Web 端管理系统的设计与实现。

　　第五章是系统识别算法设计，主要介绍识别算法的工作流程，条形码的检测与识别，废料瓶图像的采集和预处理，神经网络模型的选择、训练与测试。

　　第六章是总结与展望，总结本课题的研究工作和展望后续的扩展？升。

　　第 2 章 系统概述
　　2.1 系统简介
　　2.2 系统需求分析
　　2.3 系统整体框架

　　第 3 章 系统硬件装置设计
　　3.1 硬件装置开发板与操作系统
　　3.1.1 开源硬件与传统开发板
　　3.1.2 树莓派
　　3.1.3 Arduino 开发板
　　3.1.4 Android Things 操作系统

　　3.2 硬件装置传感器模块
　　3.2.1 摄像头模块
　　3.2.2 显示屏模块
　　3.2.3 SG90 舵机模块
　　3.2.4 WS2812b 灯带模块

　　3.3 硬件装置智能垃圾桶设计
　　3.4 硬件装置工作流程
　　3.5 硬件装置实现方法
　　3.5.1 树莓派与 Arduino 之间的通信
　　3.5.2 树莓派与云端服务器的通信
　　3.5.3 Arduino 控制各个传感器模块的工作

　　3.5.4 各个传感器模块独立工作
　　3.6 硬件装置用户屏页面设计
　　3.6.1 用户屏页面需求分析
　　3.6.2 用户屏页面设计与实现

　　第 4 章 系统软件系统设计
　　4.1 软件系统移动端与 Web 端开发技术
　　4.1.1 Android 操作系统
　　4.1.2 SSM 开发框架
　　基于计算机视觉的智能废料瓶分类系统
　　4.2 软件系统云端服务器设计
　　4.2.1 云端服务器需求分析
　　4.2.2 云端服务器工作流程
　　4.3 软件系统数据库设计
　　4.3.1 数据库概念模型设计
　　4.3.2 数据库表结构

　　4.4 软件系统移动端用户 APP 设计
　　4.4.1 移动端用户 APP 需求分析
　　4.4.2 移动端用户 APP 页面设计
　　4.4.3 移动端用户 APP 工作流程
　　4.5 软件系统移动端商家 APP 设计
　　4.5.1 移动端商家 APP 需求分析
　　4.5.2 移动端商家 APP 页面设计
　　4.5.3 移动端商家 APP 工作流程
　　4.6 软件系统 Web 端后台管理系统
　　4.6.1 Web 端后台管理系统需求分析
　　4.6.2 Web 端后台管理系统页面设计
　　4.6.3 Web 端后台管理系统工作流程

　　第 5 章 系统识别算法设计
　　5.1 识别算法相关技术
　　5.1.1 OpenCV 计算机视觉库
　　5.1.2 TensorFlow 深度学习框架
　　5.1.3 卷积神经网络
　　5.2 识别算法工作流程

　　5.3 识别算法：条形码检测与识别
　　5.3.1 条形码检测算法
　　5.3.2 条形码识别开源库
　　5.3.3 条形码识别算法测试
　　5.4 识别算法：神经网络识别
　　5.4.1 废料瓶图像收集
　　5.4.2 废料瓶图像预处理
　　5.4.3 LeNet-5 与 InceptionV3 网络模型
　　5.4.4 训练与测试

第6 章 总结与展望

　　6.1 总结

　　目前政府社会都对资源回收和垃圾分类的状况愈加关注，做好垃圾分类是？高资源回收效率的重要前？.废料瓶是一种重要的可回收资源，其具有数量庞大、回收价值高、不同种类后续处理方式不同三大特点，因而废料瓶分类系统具有很高的研究价值。本论文设计开发了一套基于计算机视觉的智能废料瓶分类系统，根据实际应用需求设计开发了硬件装置、软件系统和识别算法。在硬件装置上满足体积轻巧、成本低廉、性价比高、运行流畅、可广泛布点的需求；在软件系统上，开发了面向用户的移动端用户 APP、面向商家的移动端商家 APP 和面向管理员的 Web 端后台管理系统，为用户？供积分兑换的功能、为商家？供销售商品的平台、为管理员？供完善的后台管理系统。此外，本系统的识别算法设计了两种的识别模式：条形码识别和神经网络识别，两种识别模式配合工作，？高了识别的效率及准确率。

　　本论文的主要工作如下：

　　（1）实现系统硬件装置：设计简洁合理的硬件装置结构，选择树莓派和 Arduino 作为硬件装置的控制核心，尽量减少传感器模块的数量，选择 Android Things 操作系统实现对传感器模块和系统流程的高效控制，使用 OkHttp 框架来保证硬件装置与云端服务器之间的高效通信。

　　（2）实现软件系统中的云服务器设计：充分分析云服务器的功能需求，设计云服务器合理高效的工作流程，保障云服务器与系统其他组成部分通信的稳定、快速、可靠。

　　（3）实现软件系统中的移动端用户 APP 和移动端商家 APP:选择 Android 操作系统保障系统应用软件高效、稳定、安全的运行，对用户和商家进行充分的需求分析，设计合理的数据库表结构，？供完善的系统功能，设计友好的人机交互界面，设计合理的系统工作流程。

　　（4）实现软件系统中的 web 端后台管理系统：使用 SSM 框架开发基于 MVC 设计模式的 Web 网站，对管理员进行充分的需求分析，设计友好的人机交互界面，满足管理员的使用需求，实现登陆、用户管理、商家管理、商品管理、投递记录管理、投诉处理六大功能模块。

　　（5）实现系统识别算法：结合废料瓶的常见种类和重要可回收利用资源的种类确定废料瓶的分类：塑料、铁铝、玻璃，实现两种识别模式：条形码识别和神经网络识别，设计合理的识别算法工作流程，设计高效的条形码检测算法，选择条形码识别库，废料瓶图像的收集，神经网络模型的选择、训练、测试。

　　6.2 研究展望

　　在基于计算机视觉的智能废料瓶分类系统的设计与开发实现中，结合了计算机视觉、软件开发、网络通信、数据库等一系列相关技术，完成了系统的预期目标，证实了本套系统的可行性。但与此同时，本套系统依然有一些不足之处，可供后期完善改进。

　　（1）在硬件装置上：硬件装置的机械结构还可以进一步改进，入仓控制模块目前使用滑轮等老旧的机械结构，长期使用可能出现问题；可以增加溢满检测，在废料瓶装满硬件装置的废料瓶收集区时发出？醒；可以增加自动称重技术，验证废料瓶的分类结果。

　　（2）在软件系统上：可以继续完善丰富软件系统移动端用户 APP、移动端商家 APP、Web 端后台管理系统的功能，弥补现有的软件系统缺陷，例如可以使用更高效的物联网通信协议 MQTT 协议来取代目前的 HTTP 通信协议等。

　　（3）在识别算法上：条形码检测的算法还可以进一步优化，将拍摄得到的废料瓶图像分别旋转不同的角度后再进行检测识别，以？高条形码识别的准确率；可以通过收集更多的废料瓶增加训练集的数量，优化模型训练参数，使用 ResNet 等其他网络模型等方式来？高神经网络识别的准确率；根据现有技术实现其他可回收资源的分类。

　　参考文献
　　[1] 郑骥。 废塑料回收再生工艺及环保要求[J]. 环境与发展。 2019（4）： 25-42.
　　[2] 杨舒琰， 刘丽丽， 李金惠。 加强废塑料回收，减少环境污染[J]. 世界环境。 2018（5）： 122-145.
　　[3] 秦梓奕， 马姚姚。 "塑料王国"过冬[J]. 财新周刊。 2019（4）： 23-34.
　　[4] 孙正伟， 陈静， 庞新跃。 我国垃圾分类的现状及对策[J]. 城市管理与科技。 2018（1）： 6-12.
　　[5] 娄子孟。 我国垃圾分类现状及对策探究[J]. 中国市场。 2018（13）： 12-22.
　　[6] 李航， 徐园园。 国内分类垃圾桶发展现状与分析[J]. 安阳工学院学报。 2019（2）： 5-12.
　　[7] 陈玺撼， 胡敏。 国外垃圾分类，"软引导"与"硬约束"并重[J]. 领导月读。 2018（8）： 23-32.
　　[8] 大军。 国外是如何推行垃圾分类的[J]. 科海故事博览。 2019（6）： 22-30.
　　[9] 李博洋。 借鉴国外经验推进我国生活垃圾分类的建议[J]. 中国科技投资。 2018（30）： 12-34.
　　[10]刘继元。 基于树莓派的物联网应用[J]. 电子世界。 2016（8）： 67-82.
　　[11]望雪。 树莓派 vs Arduino vs 传统单片机开发板，用谁好？[J]. 无线电。 2015（2）： 15-23.
　　[12]杨梓谦， 李彤， 彭智敏。 基于 Arduino 与树莓派平台的分布式数据采集处理系统设计[J]. 农业技术与装备。 2019（3）：13-35.
　　[13]朱贺新， 王巍。 基于 Android Things 的智能门禁系统设计[J]. 北京工业职业技术学院学报。2019（2）： 17-26.
　　[14]李华洲， 张青， 王文静。 基于 Android Things 和 Google Weave 技术的高职 Android 物联网应用开发课程建设探讨[J]. 中国科技博览。 2017（31）： 45-56.
　　[15]张义红， 李永乐。 Android 物联网创新型实验研究与应用[J]. 实验室研究与探索。 2018（1）：16-32.
　　[16]杨国立， 李虎。 基于 Android 的物联网视频和数据监控系统[J]. 智库时代。 2018（49）： 10-23.
　　[17]贺雪梅。 web 应用开发中的 SSM 框架设计[J]. 电子世界。 2019（1）。
　　[18]朱珍元， 王鹤琴， 郭标。 基于 HTML5 和 SSM 的移动 Web App 开发[J]. 电脑知识与技术。2017（21）： 21-24.
　　[19]吴倩， 应捷， 韩旭。 基于 SSM 框架的高并发电子商务平台设计与实现[J]. 电子商务。2019（3）：34-52
　　[20]李越。 OpenCV 应用现状综述[J]. 工业控制计算机。 2017（7）： 24-32.
　　[21]刘培军， 马明栋， 王得玉。 基于 OpenCV 图像处理系统的开发与实现[J]. 计算机技术与发展。2019（3）： 56-62.
　　[22]吴兆林。 基于 Zbar 条形码图像识别的实现[J]. 数字技术与应用。 2016（8）： 33-56.
　　[23]王凌霞，王哲。 迁移学习[J]. 中国计算机报。 2018（45）： 23-40.
　　[24]柯研，王希龙，郑钰辉。 深度迁移学习简介[J]. 数码世界。 2018（11）： 15-34.
　　[25]杨强，童咏昕。 迁移学习：回顾与进展[J]. 中国计算机学会通讯。 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-.

致谢

　　在即将完成我的硕士论文的时候，猛然间发觉自己即将离开校园，离开亲爱的老师和同学，背上自己重重的行囊，重新开始人生的又一段旅途。回味过去的两年半，我努力了，奋斗了，并且收获良多。

　　师恩重如山，永刻于心。首先，我要感谢我敬爱的傅均导师。在学习上，导师严谨治学的作风和诲人不倦的态度是我学习的楷模；在生活上，导师美丽的心灵和身影一直关爱着我；在论文写作上，不论是选题、开题、文章框架的构筑，到最后的定稿，都得到吴老师的细心指导与？携。感谢一直以来您对我的谆谆教导和严格要求。涓涓师恩，情深意切，铭记于心，只愿师生情谊一生延续。

　　感谢所有给过我指导的老师，特别是傅均老师。在杭州的冬天最寒冷的时候，在我论文写作最迷茫和无助的时刻，您的悉心指点如雾霭中的明灯，帮助我冲破重重困难，不断前进，终于守得云开见月明。在此对您致以最诚挚的敬意！

　　感谢室友同窗，在论文写作和修改的过程中，你们总是热情地向我伸出无私的援手，让我的求学之路变得充实而又愉快。虽然即将别离，但愿友谊地久天长。

　　感谢答辩委员会的成员，感谢你们在百忙之中挤出周末本该好好休息的时间，来指导我完成论文的答辩工作。

　　由于本人学识有限，文中不免有错误和待改进之处，真诚欢迎各位师长、同行？出宝贵意见。

　　最后，在此，我感谢各位的帮助。

（如您需要查看本篇毕业设计全文，请您联系客服索取）