目录
摘 要 II
关键词 II
ABSTRACT III
KEY WORDS III
1 绪论 1
1．1选题背景 1
1．2国内外研究现状 1
1．2．1垃圾分类研究 1
1．2．2图像分类器 2
1．3主要研究内容 4
2 深度学习原理和相关技术框架 4
2．1卷积层概念 4
2．2卷积层计算 5
2．3卷积层优化 5
2．3．1分组卷积 5
2．3．2扩张卷积 6
2．3．3空洞卷积 7
2．3．4可分离卷积 7
2．4 深度可分离卷积网络 8
3 基于深度学习的垃圾分类模型原理 9
3．1 Inception 9
3．2 Xception 11
4 java web拍照垃圾分类系统设计与实现 12
4．1系统流程图 13
4．2输入处理 13
4．3模型系统 14
4．4输出处理 16
5 实验模块 17
5．1实验环境 17
5．2数据处理结果 17
5．3预测结果 18
5．4系统的不足和可行性改进建议 19
总结 21
致谢 22
参考文献 23
基于深度学习的垃圾分类系统的设计与实现
摘 要
为了减少土地资源的消耗，进行的垃圾分类具有社会效益、经济效益和生态效益，近期得到了社会各界的高度重视。其中最关键的环节就是垃圾图像分类。
以往的垃圾图像分类在人工领域通常采用人工分类的方法，在计算机科学领域通
常采用贝叶斯等概率模型分类器，严重依赖分类参数的先验分布等信息，或者采用效果较为一般的原始深度学习模型。随着深度学习的广泛应用和发展，深度学习在处理图像数据分类方面取得了惊人的成果，尤其是卷积神经网络在图像领域的迅速发展，产生了令人惊异的精度和效率。因此，本文采用深度学习之卷积神 *51今日免费论文网|www.51jrft.com +Q: *351916072* 
经网络分类器对垃圾图像进行分类。
因为Xception网络易迁移、计算量小、能适应不同任务，并且具有精度较高等特点。
本文主要选取Xception网络进行垃圾图像识别分类，在训练数据集上进行训练之后保存模型权重，通过拍照获取预测集，进行垃圾图像识别。
在实际的系统构建过程中，根据实现架构，系统主要分为三个模块：输入模块，模型预测模块和输出模块。通过调用摄像头，获取垃圾图像的预测图像数据，传输至模型预测模块中，加载已经训练好的Xception模型，调用的prediction函数，完成对图像的预测。最终将预测结果输出至输出模块，完成对垃圾图像的识别与分类。

原文链接：http://www.jxszl.com/jsj/jsjkxyjs/605736.html