---
tags: AINTUT
---

:::info
請按 `＋` -> `建立筆記`，把這個範例的內容複製到新的筆記，並且在新筆記上做修改。
在新筆記請記得把這個區塊的內容刪掉。

填寫完將連結請寄信給：[e-mail]

繳交期限：2022.06.01
:::

# 期末專題構想書：垃圾自動分類

## 隊伍資訊

隊名：咻咻咻我愛地球隊

成員（學號、姓名）：
- 12345678 邱威潔
- 87878787 達比修無
- 55662266 魯迪烏斯
- 02010708 米卡莎

## 動機與目的

便利的日常生活、蓬勃的商業活動，是我們在台灣習以為常的環境。在這樣的快速發展下，環境卻變成一個被犧牲的議題。2015 年的台灣，總共產出了 736 萬噸的垃圾，相當於 10.5 座 101 大樓[^garbage_analysis]。不論是政府、民間團體，近年來都致力於減少垃圾總量。對於民眾來說，除了平常做好垃圾減量之外，確實的做好垃圾分類與資源回收也是非常有幫助。然而，由於一般人對資源回收分類的認知不足，常常會有分類錯誤的問題產生（例如：將紙容器分類成紙類）[^recycle_wrong]，導致後端的處理需要導入大量的人力與物力，大幅增加回收的困難與成本。

本專題將發揮在課堂上的所學，藉由深度學習的技術，訓練一個影像辨識的模型，自動的將垃圾的圖片做分類。希望這次專題的成果，可以增加資源回收分類的正確率，減少回收成本與垃圾量，為台灣與地球的環境做一點貢獻。

## 方法與步驟簡述

### 資料來源

資料來自 Kaggle 上的 Garbage Classification Dataset[^garbage_classification_dataset]。此資料集的每筆資料包含一張圖片以及相對應的垃圾分類類別，類別以及數量如下：
1. 紙板 cardboard (393)
2. 玻璃 glass (491)
3. 金屬 metal (400)
4. 紙累 paper (584)
5. 塑膠 plastic (472)
6. 一般垃圾 trash (127)

以下為範例資料：

### 模型與方法

預期使用深度學習對於影像辨識做常使用的架構：Convolutional Neural Networks（卷積神經網路，簡稱 CNN ）[^CNN]。CNN 的輸入為一張圖片（RGB 彩色圖），透過好幾層 Convolutional Layer 的運算之後，取出重要的特徵值，並且輸出該圖片所屬的類別。

CNN 有許多衍生架構，例如 AlexNet[^AlexNet]、VGG[^VGG]、GoogLeNet[^GoogLeNet]、ResNet[^ResNet] 等，我們將嘗試在不同架構下訓練，並且選出最適合的架構。

由於資料集的數量有限，我們會使用 ImageNet[^ImageNet] 的預訓練模型來做 Transfer Learning[^transfer_learning]。如果時間允許，也會嘗試使用 Data Augmentation[^data_augmentation] 的技巧來增加訓練資料。

實做方面，我們將以 PyTorch[^PyTorch] 與 torchvision[^torchvision] 這兩個深度學習與影像辨識的套件為主，來實做上述的模型與方法。

## 預期成果

本專題預期在資料量不多的狀況下，垃圾分類準確率能夠超越人類的標準（人類的準確率為 30%[^recycle_accuracy]）。在政府與企業致力於 AI、IoT、自動化、數位轉型的趨勢下，環境議題如何與這個趨勢結合是相當重要的，期望本專題能成為其中一個重要的成果。

## 參考資料

[^garbage_analysis]: [垃圾之島- 我們的垃圾為何無處可去_______?](https://garbage-island.pts.org.tw/)
[^recycle_wrong]: [資源回收不利用](https://ourisland.pts.org.tw/content/3485)
[^garbage_classification_dataset]: [Garbage Classification Dataset](https://www.kaggle.com/asdasdasasdas/garbage-classification)
[^CNN]: [Convolutional neural network](https://en.wikipedia.org/wiki/Convolutional_neural_network)
[^AlexNet]: [ImageNet Classification with Deep Convolutional Neural Networks](https://en.wikipedia.org/wiki/AlexNet)
[^VGG]: [Very Deep Convolutional Networks for Large-Scale Image Recognition](https://arxiv.org/pdf/1409.1556.pdf)
[^GoogLeNet]: [Going Deeper with Convolutions](https://static.googleusercontent.com/media/research.google.com/en//pubs/archive/43022.pdf)
[^ResNet]: [Deep Residual Learning for Image Recognition](https://arxiv.org/pdf/1512.03385.pdf)
[^ImageNet]: [ImageNet](http://www.image-net.org/)
[^transfer_learning]: [Transfer learning from pre-trained models](https://towardsdatascience.com/transfer-learning-from-pre-trained-models-f2393f124751)
[^data_augmentation]: [Data Augmentation | How to use Deep Learning when you have Limited Data — Part 2](https://nanonets.com/blog/data-augmentation-how-to-use-deep-learning-when-you-have-limited-data-part-2/)
[^PyTorch]: [PyTorch](https://pytorch.org/)
[^torchvision]: [torchvision](https://pytorch.org/vision/stable/index.html)
[^recycle_accuracy]: [你回收丟對了嗎？「AI垃圾桶」做第一關守門員](https://ubrand.udn.com/ubrand/story/12117/4488084)