此開源項目由樹莓派愛好者基地人工智能部門謝遠倫、任劍杰、沈超，共同協作完成。在此感謝各位成員的付出與努力。正是有各位的付出，樹莓派生態才能越來越豐富！

代碼倉庫 1、碼云Gitee：https://gitee.com/yangkun_monster/raspberrypi-Garbage-classification 2、Github：https://github.com/pifan-open-source-community/garbage-Classification 視頻教程地址： 嗶哩嗶哩bilibili：樹莓派愛好者基地

一、項目概述

簡介：該垃圾分類項目主要在于對各種垃圾進行所屬歸類，本次項目采用keras深度學習框架搭建卷積神經網絡模型實現圖像分類，最終移植在樹莓派上進行實時視頻流的垃圾識別。

前期：主要考慮PC端性能，并盡可能優化模型大小，訓練可采用GPU，但調用模型測試的時候用CPU運行，測試幀率和準確性（測試10張左右圖像的運行時間取平均值或實時視頻流的幀率）。

后期：部署在樹莓派端，在本地進行USB攝像頭實時視頻流的垃圾分類（歸類）。

框架語言： keras+python。PC端：Keras: 2.2.0Opencv: 3.4Python: 3.6Numpy:1.16

二、數據集

data1: https://www.kaggle.com/asdasdasasdas/garbage-classification

數據集包含6個分類：cardboard (393), glass (491), metal (400), paper(584), plastic (472) andtrash(127).

data2: https://www.kesci.com/home/dataset/5d133d11708b90002c570588

該數據集是圖片數據，分為訓練集85%（Train）和測試集15%（Test）。其中O代表Organic（有機垃圾），R代表Recycle（可回收）。

data3 : https://copyfuture.com/blogs-details/2020083113423317484akwfwu4mzs89w

一共 56528 張圖片，214 類，總共 7.13 GB。

三、leNet5 模型搭建

本次項目采用深度學習來進行圖像識別，如今深度學習中最流行的無疑是卷積神經網絡，因此，我們搭建了包含5層卷積層的神經網絡來進行垃圾分類。

由于本次項目包含三個數據集，對應三個類別（6分類，2分類，214分類），但是設計的模型都是一樣的，因此，下面就以data1進行網絡搭建、訓練、測試講解。

卷積神經網絡實例

在正式訓練之前我們還使用了數據增廣技術（ImageDataGenerator）來對我們的小數據集進行數據增強（對數據集圖像進行隨機旋轉、移動、翻轉、剪切等），以加強模型的泛化能力。

1、模型構建

其中conv2d表示執行卷積，maxpooling2d表示執行最大池化，Activation表示特定的激活函數類型，Flatten層用來將輸入“壓平”，用于卷積層到全連接層的過渡，Dense表示全連接層（128-128-6，最后一位表示分類數目）。

參數設置：為訓練設置一些參數，比如訓練的epoches，batch_szie，learning rate等

在這里我們使用了SGD優化器，由于這個任務是一個多分類問題，可以使用類別交叉熵（categorical_crossentropy）。但如果執行的分類任務僅有兩類，那損失函數應更換為二進制交叉熵損失函數（binary cross-entropy）

2、模型保存

將神經網絡在data1數據集上訓練的結果（參數，權重文件）進行保存，方便后期調用訓練好的模型進行預測。

模型保存文件名為：trash_data1_AlexNet3.h5， 我們設置為保存模型效果最好的一次。

四、訓練并測試

首先是觀察數據，看看我們要識別的垃圾種類有多少，以及每一類的圖片有多少。

1、訓練結果

訓練代碼已經寫好了，接下來開始訓練（圖片歸一化尺寸為128，batch_size為32，epoches為5000，一般5k就已經算比較多的啦，效果好的話可以提前結束）。

進行訓練

訓練過程中的打印結果：

2、模型保存

3、預測單張圖片

現在我們已經得到了我們訓練好的模型trash_data1_AlexNet3.h5，然后我們編寫一個專門用于預測的腳本predict.py

預測腳本中的代碼編寫思路是：載入訓練好的模型-》讀入圖片信息-》預測-》展示預測效果

我們這里寫了一個循環測試，方便計算單張圖像的預測時間

4、測試結果

data1:

model size: 178M

acc accuracy(test) :86%

硬件：AMD R5 3600 內存：16G

測試100張圖像耗時：2.37s

單張圖像耗時：0.0237s

data2:

model size: 128M

acc accuracy(test) :94%

硬件：AMD R5 3600 內存：16G

測試1112張圖像耗時：90.52s

單張圖像耗時：0.0814

data3

model size: 128M

acc accuracy(test) :72%

硬件：AMD R5 3600 內存：16G

測試1112張圖像耗時：8.69s

單張圖像耗時：0.077

五、樹莓派端部署/配置深度學習環境

系統環境：2020-08-20-raspios-buster-armhf-full

**工程要求：Tensorflow 1.14.0+ Keras 2.2.4 + Python 3.7 **

1、配置好ssh和vnc之后，換源：

第一步，先備份源文件

sudo cp/etc/apt/sources.list /etc/apt/sources.list.baksudo cp/etc/apt/sources.list.d/raspi.list /etc/apt/sources.list.d/raspi.list.bak

第二步，編輯系統源文件

sudo nano/etc/apt/sources.list

第三步，將初始的源使用#注釋掉，添加如下兩行清華的鏡像源。Ctrl+O ++ Ctrl+X

【注意】這里的樹莓派系統是Raspbian-buster系統，在寫系統源鏈接時要注意是buster，網上很多教程都是之前stretch版本，容易出錯！

debhttp://mirrors.tuna.tsinghua.edu.cn/raspbian/raspbian/ buster main contribnon-free rpideb-srchttp://mirrors.tuna.tsinghua.edu.cn/raspbian/raspbian/ buster main contribnon-free rpi

第四步，保存執行如下命令sudo apt-get update，完成源的更新軟件包索引。

sudo apt-get update&&upgrade

第五步，還需要更改系統源

sudo nano/etc/apt/sources.list.d/raspi.list

用#注釋掉原文件內容，用以下內容取代：用#注釋掉原文件內容，用以下內容取代：

debhttp://mirrors.tuna.tsinghua.edu.cn/raspberrypi/ buster main uideb-srchttp://mirrors.tuna.tsinghua.edu.cn/raspberrypi/ buster main ui

第六步，配置換源腳本，更改pip源

新建文件夾：

mkdir ~/.pipsudo nano~/.pip/pip.conf

在pip.conf文件中輸入以下內容：

[global]timeout=100index-url=https://pypi.tuna.tsinghua.edu.cn/simple/extra-index-url=http://mirrors.aliyun.com/pypi/simple/[install]trusted-host=pypi.tuna.tsinghua.edu.cnmirrors.aliyun.com

2、python虛擬環境配置

首先進行系統軟件包更新

sudo apt-getupdate sudo apt-getupgradesudorpi-update

然后更新自帶的pip，由于Raspbian自帶的pip3為9.0.1版本，較為老舊，我們使用以下命令來更新pip3：

python3 -mpip install --upgrade pip

嘗試在更新完pip3后，鍵入命令：

pip3 list

新建個文件夾（虛擬環境用）

cd Desktopmkdir tf_picd tf_pi

安裝虛擬環境這個好東西

python3 -mpip install virtualenv

增加環境變量，使得該好東西可以用起來

sudo chmod -R777 /root/.bashrcsudo nano ~/.bashrc

把exportPATH=/home/pi/.local/bin/:$PATH 放到最后,添加環境變量

source ~/.bashrc

成功了之后：整一個虛擬環境

virtualenvenvsourceenv/bin/activate

3、安裝tensorflow1.14.0

用電腦下載：（鏈接）python3.7版本只能安裝1.14.0-Buster版本的TensorFlow

https://github.com/lhelontra/tensorflow-on-arm/releases/tag/v1.14.0-buster

用U盤將這個文件拷到樹莓派上，建一個bag文件夾存放

安裝依賴包：

sudo aptinstall libatlas-base-dev

安裝一些環境

sudo apt-getinstall -y libhdf5-dev libc-ares-dev libeigen3-devpython3 -mpip install keras_applications==1.0.8 --no-depspython3 -mpip install keras_preprocessing==1.1.0 --no-depspython3 -mpip install h5py==2.9.0sudo apt-getinstall -y openmpi-bin libopenmpi-devsudo apt-getinstall -y libatlas-base-devpython3 -mpip install -U six wheel mock

安裝tensorflow

cd envcd bagpip3 install tensorflow-1.14.0-cp37-none-linux_armv7l.whl

這里要安裝二十分鐘。。。出錯了再來一遍就好了。。

測試是否成功并查看版本：

pythonimport tensorflow as tftf.version

4、安裝keras

安裝一些依賴

sudo apt-getinstall libhdf5-serial-devpip3 installh5pysudo apt-getinstall gfortransudo aptinstall libopenblas-devpip3 install-i https://pypi.tuna.tsinghua.edu.cn/simple/ pillowsudo pip3install pybind11

第一個下載numpy：第一次的時候發現安裝成功但調用失敗了，我覺得是numpy版本過高導致出錯了

下載keras還是tensorflow的時候會自動下載numpy(之前已存在，它會先卸載再安裝高版本的numpy，之前不存在，它會直接安裝高版本的numpy),所以要先下載keras,再卸載numpy,然后再安裝低版本的numpy

看一下子numpy版本，太高了

重新安裝

pip3uninstall numpypip3 installnumpy==1.16.0

第二個下載scipy【直接pip安裝百分之九十九的可能都會失敗。所以先下載再安裝。。。先下載這個鏈接復制到樹莓派上，然后解壓到指定文件夾/home/pi/Desktop/tf_pi/env/lib/python3.7/site-packages下】

https://mirrors.tuna.tsinghua.edu.cn/pypi/web/packages/aa/d5/dd06fe0e274e579e1dff21aa021219c039df40e39709fabe559faed072a5/scipy-1.5.4.tar.gz

cd/home/pi/Desktop/tf_pi/env/bag

tar -zxvf scipy-1.5.4.tar.gz-C /home/pi/Desktop/tf_pi/env/lib/python3.7/site-packages

然后進到這個文件夾里開啟安裝：【花里胡哨的各種代碼配置呀啥的，會安裝三十分鐘左右】

cd /home/pi/Desktop/tf_pi/env/lib/python3.7/site-packages/scipy-1.5.4pythonsetup.py install

pip3 list看一看：【太六了，終于成功了】

再使用這個命令安裝keras：

pip3 install keras==2.2.4

請注意；由于在virtualenv里面，一定一定要避免sudo pip3 install，否則會安裝到默認路徑下！發現keras安裝到默認環境了，所以調用不成功，pip list沒有

解決辦法重新安裝

pip3install keras==2.2.4

安裝好了之后記得reboot重啟一下子。

5、開始測試；import keras前面加import os就能忽略提示

因為keras可以配合很多框架，我們用的tf所以會有backend的提示

進入虛擬環境：

cd ~/Desktop/tf_pisourceenv/bin/activate pythonimport tensorflowas tftf.__version__import kerasprint(keras.__version__)

六、用樹莓派跑分類識別的代碼

系統環境：2020-08-20-raspios-buster-armhf-full

**工程要求：Tensorflow 1.14.0+ Keras 2.2.4 + Python 3.7 **

1、把代碼還有圖片集，拷到樹莓派上

其實Filezilla這個FTP傳輸就很方便

2、激活虛擬環境

cd ~/Desktop/tf_pisourceenv/bin/activate

3、克隆代碼并進入代碼目錄

克隆代碼

cd ~/Desktop/tf_pi/envgit clone https://gitee.com/yangkun_monster/raspberrypi-Garbage-classification.git

若提示git命令未找到：

sudo apt-get install git

進入代碼目錄：

cd ~/Desktop/tf_pi/env/Garbage-Classification/code1

這里更改test.py的測試集路徑

pythontest.py

發現有個文件解碼有問題，于是根據錯誤的消息的路徑，去這里：

/home/pi/Desktop/tf_pi/env/lib/python3.7/site-packages/keras/engine

在.decode(‘utf-8’)前面加.encode(‘utf8’)

再次到測試這里運行python test.py，解決了!

測試AlexNet需要把test.py文件里的權重文件路徑改了，把輸入圖片維度由(150,150) 改為(128,128)

Code1測試結果：test100張玻璃

網絡VGG16AlexNet

精度	89%	87%
時間	307秒	80秒

Code2測試結果：test100張窗簾（兩種，R可回收，O不可回收）

網絡VGG16AlexNet

精度	98%	98%
時間	309秒	46秒

七、樹莓派安裝opencv并測試視頻接口

系統環境：2020-08-20-raspios-buster-armhf-full

工程要求：opencv 3.4.6.27

cd ~/Desktop/tf_pisource env/bin/activate cd ~/Desktop/tf_pi/env/laji/code1python data1_video_test.py

1、安裝必要的庫

pip3 install numpysudo apt-get install libhdf5-dev -y build-dep libhdf5-devsudo apt-get install libatlas-base-dev -ysudo apt-get install libjasper-dev -ysudo apt-get install libqt4-test -ysudo apt-get install libqtgui4 -ysudo apt install libqt4-testpip3 install libqtgui4sudo apt-get install cmakesudo apt installcmake-qt-guisudo apt-get install libgtk2.0-devsudo apt-get install pkg-configpip3 install boostpip3 install dlib

2、電腦瀏覽器下載以下兩個文件

https://www.piwheels.org/simple/opencv-contrib-python/opencv_contrib_python-3.4.6.27-cp37-cp37m-linux_armv7l.whl

https://www.piwheels.org/simple/opencv-python/opencv_python-3.4.6.27-cp37-cp37m-linux_armv7l.whl

3、將兩個文件拷貝到樹莓派上去

4、安裝這兩個文件，先更新pip

pip install --upgrade pippip3 install 文件位置

注意，由于是虛擬環境，就不能做sudo，會安裝到默認路徑

cd env/bagpip3 installopencv_contrib_python-3.4.6.27-cp37-cp37m-linux_armv7l.whlpip3 install opencv_python-3.4.6.27-cp37-cp37m-linux_armv7l.whl

5、測試

先打開攝像頭設置

sudo raspi-config

然后運行攝像頭程序

總結

以上是生活随笔為你收集整理的用树莓派做一个实时垃圾分类器｜超实用！！的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。