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 。

 1/7    1 2 3 4 5 6 下一页 尾页