您现在的位置: 首页 > 网站导航收录 > 百科知识百科知识
AI人工智能能够解决垃圾分类的问题吗?
垃圾,人工智能,智能AI人工智能能够解决垃圾分类的问题吗?
发布时间:2020-12-06加入收藏来源:互联网点击:
AI人工智能能够解决垃圾分类的问题吗?
回答于 2019-09-11 08:43:50
回答于 2019-09-11 08:43:50
能是能,肯定是有缺陷的,垃圾分类并不容易,还需要人类的长期习惯培养,人工智能也只是辅助功能
回答于 2019-09-11 08:43:50
政策支持大背景下 智能垃圾分类行业得到快速发展
2021-04-24
垃圾分类指按一定规定或标准将垃圾分类储存、投放或搬运,从而转变成公共资源的一系列活动。智能垃圾分类指的是在垃圾分类设备上应用AI、物联网、人脸识别、人机触摸等现代高科技技术,形成“互联网+”智能垃圾分类终端,帮助居民实现垃圾分类、投放、存储、搬运等工作,是垃圾分类行业发展的趋势。
随着经济快速发展,中国居民生活水平的提升,以及城镇化建设速度的加快,我国生活垃圾产量持续攀升,在2019年增长到2.5亿吨左右,近五年的复合增长率为8%。自2019年我国政府发布多项垃圾分类政策,促使垃圾分类需求增长,也催生智能化、高效垃圾分类处理方式需求攀升,从而的推动智能垃圾分类的市场需求攀升。
从近几年垃圾分类相关政策来看,其政策主要围绕加快中国全范围垃圾分类系统、垃圾分类制度的建设,在智能垃圾分类技术可提高垃圾分类效率、节约人力成本的优势下,垃圾分类政策可助力垃圾分类、收集、回收的智能化需求,推动智能垃圾分类设备市场的持续发展。
根据新思界产业研究中心发布的《2021-2025年中国智能垃圾分类行业市场供需现状及发展趋势预测报告》显示,智能垃圾分类涉及领域较广,其中游主要为智能垃圾分类设备、机械厂商,下游为垃圾回收终端以及应用端。受终端需求刺激,我国智能垃圾分类市场需求攀升,市场规模不断扩大,在2020年达到92亿元左右,预计未来五年受城市生活垃圾产量增长,以及垃圾分类政策的推进,智能垃圾分类行业将得到快速发展,市场规模仍将不断扩大,预计到2025年市场规模有望达到190亿元。
在政策支持下,我国垃圾分类企业持续攀升,在2020年达到150万家,目前该领域代表性企业有CNTY、瀚海环境、启迪环境、维尔利、猫先生、德立信、弓叶科技等企业,市场竞争较为激烈。下游需求方面,智能垃圾分类的应用场景较为丰富,主要集中在城市社区、医院、学校等领域。而垃圾回收终端,目前垃圾焚烧市场集中度较低,CR8占比仅为40%,因此智能垃圾分类设备需求相对分散。
新思界产业分析人士表示,受政策支持,我国垃圾分类行业快速发展,在城镇化建设加快、生活水平提升,以及互联网技术逐渐成熟的大背景下,智能垃圾分类应运而生,成为垃圾分类行业发展趋势。在当前市场中,较多企业布局在智能垃圾分类领域,市场格局较为散乱,尚未有龙头企业形成。
回答于 2019-09-11 08:43:50
谢邀,我是从事AI算法和IoT产品方面的研发工作,前几天我们几个算法工程师讨论过这个问题,AI是完全可以实现的。其实阿里已经在手机淘宝里面推出垃圾分类的测试版。打开手机淘宝,在“扫一扫”功能中,增加了垃圾分类的功能。点击屏幕识别,便可以通过摄像头对准物体,得到结果的反馈。
1. 垃圾的分类
垃圾分类,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。分类的目的是提高垃圾的资源价值和经济价值,力争物尽其用。
目前垃圾分为四类:可回收物、有害垃圾、湿垃圾、干垃圾。
其回收后的垃圾去处:
2. 用图像识别来实现垃圾分类
根据垃圾分类的标准,这些标准是确定的,有迹可循的,也就是说有标准的。那么就可以利用图像分类的算法来实现来及分类。目前常见的图像分类算法有:KNN、SVM、BPNN、CNN和迁移学习。
图像分类顾名思义就是一个模式分类问题,它的目标是将不同的图像,划分到不同的类别,实现最小的分类误差。图像分类是计算机视觉中最基础的一个任务,也是几乎所有的基准模型进行比较的任务。从最开始比较简单的10分类的灰度图像手写数字识别任务mnist,到后来更大一点的10分类的 cifar10和100分类的cifar100 任务,到后来的imagenet 任务,图像分类模型伴随着数据集的增长,一步一步提升到了今天的水平。现在,在imagenet 这样的超过1000万图像,超过2万类的数据集中,计算机的图像分类水准已经超过了人类。
KNN
K最近邻(kNN,k-NearestNeighbor)是一种基本分类与回归方法,其基本做法是:给定测试实例,基于某种距离度量找出训练集中与其最靠近的k个实例点,然后基于这k个最近邻的信息来进行预测。通常,在分类任务中可使用“投票法”,即选择这k个实例中出现最多的标记类别作为预测结果;在回归任务中可使用“平均法”,即将这k个实例的实值输出标记的平均值作为预测结果;还可基于距离远近进行加权平均或加权投票,距离越近的实例权重越大。
k近邻法不具有显式的学习过程,事实上,它是懒惰学习(lazy learning)的著名代表,此类学习技术在训练阶段仅仅是把样本保存起来,训练时间开销为零,待收到测试样本后再进行处理。
支持向量机SVM
支持向量机(Support Vector Machine, SVM)是一类按监督学习(supervised learning)方式对数据进行二元分类(binary classification)的广义线性分类器(generalized linear classifier),其决策边界是对学习样本求解的最大边距超平面(maximum-margin hyperplane)。
SVM使用铰链损失函数(hinge loss)计算经验风险(empirical risk)并在求解系统中加入了正则化项以优化结构风险(structural risk),是一个具有稀疏性和稳健性的分类器 。SVM可以通过核方法(kernel method)进行非线性分类,是常见的核学习(kernel learning)方法之一 。
上一篇:读研期间向家里要钱是正常现象吗?
下一篇:返回列表
相关链接 |
||
网友回复(共有 0 条回复) |