謝邀，我是從事AI算法和IoT產(chǎn)品方面的研發(fā)工作，前幾天我們幾個(gè)算法工程師討論過這個(gè)問題，AI是完全可以實(shí)現(xiàn)的。其實(shí)阿里已經(jīng)在電銷機(jī)器人淘寶里面推出垃圾分類的測試版。打開電銷機(jī)器人淘寶，在“掃一掃”功能中，增加了垃圾分類的功能。點(diǎn)擊屏幕識別，便可以通過攝像頭對準(zhǔn)物體人工智能，得到結(jié)果的反饋。

1. 垃圾的分類

垃圾分類，指按一定規(guī)定或標(biāo)準(zhǔn)將垃圾分類儲存、分類投放和分類搬運(yùn)，從而轉(zhuǎn)變成公共資源的一系列活動(dòng)的總稱。分類的目的是提高垃圾的資源價(jià)值和經(jīng)濟(jì)價(jià)值，力爭物盡其用。

目前垃圾分為四類：可回收物、有害垃圾、濕垃圾、干垃圾。

其回收后的垃圾去處：

2. 用圖像識別來實(shí)現(xiàn)垃圾分類

根據(jù)垃圾分類的標(biāo)準(zhǔn)，這些標(biāo)準(zhǔn)是確定的，有跡可循的，也就是說有標(biāo)準(zhǔn)的。那么就可以利用圖像分類的算法來實(shí)現(xiàn)來及分類。目前常見的圖像分類算法有：KNN、SVM、BPNN、CNN和遷移學(xué)習(xí)。

圖像分類顧名思義就是一個(gè)模式分類問題，它的目標(biāo)是將不同的圖像，劃分到不同的類別，實(shí)現(xiàn)最小的分類誤差。圖像分類是計(jì)算機(jī)視覺中最基礎(chǔ)的一個(gè)任務(wù)，也是幾乎所有的基準(zhǔn)模型進(jìn)行比較的任務(wù)。從最開始比較簡單的10分類的灰度圖像手寫數(shù)字識別任務(wù)mnist，到后來更大一點(diǎn)的10分類的 cifar10和100分類的cifar100 任務(wù)，到后來的imagenet 任務(wù)，圖像分類模型伴隨著數(shù)據(jù)集的增長，一步一步提升到了今天的水平。現(xiàn)在，在imagenet 這樣的超過1000萬圖像，超過2萬類的數(shù)據(jù)集中，計(jì)算機(jī)的圖像分類水準(zhǔn)已經(jīng)超過了人類。

K最近鄰(kNN，k-NearestNeighbor)是一種基本分類與回歸方法，其基本做法是：給定測試實(shí)例，基于某種距離度量找出訓(xùn)練集中與其最靠近的k個(gè)實(shí)例點(diǎn)，然后基于這k個(gè)最近鄰的信息來進(jìn)行預(yù)測。通常，在分類任務(wù)中可使用“投票法”，即選擇這k個(gè)實(shí)例中出現(xiàn)最多的標(biāo)記類別作為預(yù)測結(jié)果；在回歸任務(wù)中可使用“平均法”，即將這k個(gè)實(shí)例的實(shí)值輸出標(biāo)記的平均值作為預(yù)測結(jié)果；還可基于距離遠(yuǎn)近進(jìn)行加權(quán)平均或加權(quán)投票，距離越近的實(shí)例權(quán)重越大。

k近鄰法不具有顯式的學(xué)習(xí)過程，事實(shí)上，它是懶惰學(xué)習(xí)（lazy learning）的著名代表，此類學(xué)習(xí)技術(shù)在訓(xùn)練階段僅僅是把樣本保存起來，訓(xùn)練時(shí)間開銷為零，待收到測試樣本后再進(jìn)行處理。

支持向量機(jī)（Support Vector 電銷機(jī)器人hine, SVM）是一類按監(jiān)督學(xué)習(xí)（supervised learning）方式對數(shù)據(jù)進(jìn)行二元分類（binary classification）的廣義線性分類器（generalized linear classifier），其決策邊界是對學(xué)習(xí)樣本求解的最大邊距超平面（maximum-margin hyperplane）。

SVM使用鉸鏈損失函數(shù)（hinge loss）計(jì)算經(jīng)驗(yàn)風(fēng)險(xiǎn)（empirical risk）并在求解系統(tǒng)中加入了正則化項(xiàng)以優(yōu)化結(jié)構(gòu)風(fēng)險(xiǎn)（structural risk），是一個(gè)具有稀疏性和穩(wěn)健性的分類器 。SVM可以通過核方法（kernel method）進(jìn)行非線性分類，是常見的核學(xué)習(xí)（kernel learning）方法之一 。

BP神經(jīng)網(wǎng)絡(luò)是最基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)，其輸出結(jié)果采用前向傳播，誤差采用反向（Back Propagation）傳播方式進(jìn)行，BP神經(jīng)網(wǎng)絡(luò)是有監(jiān)督學(xué)習(xí)。

BP神經(jīng)網(wǎng)絡(luò)具有任意復(fù)雜的模式分類能力和優(yōu)良的多維函數(shù)映射能力，解決了簡單感知器不能解決的異或(Exclusive OR，XOR)和一些其他問題。從結(jié)構(gòu)上講，BP網(wǎng)絡(luò)具有輸入層、隱藏層和輸出層；從本質(zhì)上講，BP算法就是以網(wǎng)絡(luò)誤差平方為目標(biāo)函數(shù)、采用梯度下降法來計(jì)算目標(biāo)函數(shù)的最小值。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks, CNN）是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)（Feedforward Neural Networks），是深度學(xué)習(xí)（deep learning）的代表算法之一 。卷積神經(jīng)網(wǎng)絡(luò)具有表征學(xué)習(xí)（representation learning）能力，能夠按其階層結(jié)構(gòu)對輸入信息進(jìn)行平移不變分類（shift-invariant classification），因此也被稱為“平移不變?nèi)斯ど窠?jīng)網(wǎng)絡(luò)（Shift-Invariant Artificial Neural Networks, SIANN）”。

Ability of a system to recognize and apply knowledge and skills learned in previous domains/tasks to novel domains/tasks.

目標(biāo)是將某個(gè)領(lǐng)域或任務(wù)上學(xué)習(xí)到的知識或模式應(yīng)用到不同但相關(guān)的領(lǐng)域或問題中。

主要思想是從相關(guān)領(lǐng)域中遷移標(biāo)注數(shù)據(jù)或者知識結(jié)構(gòu)、完成或改進(jìn)目標(biāo)領(lǐng)域或任務(wù)的學(xué)習(xí)效果。

遷移學(xué)習(xí)是運(yùn)用已存有的知識對不同但相關(guān)領(lǐng)域問題進(jìn)行求解的新的一種機(jī)器學(xué)習(xí)方法。它放寬了傳統(tǒng)機(jī)器學(xué)習(xí)中的兩個(gè)基本假設(shè)，目的是遷移已有的知識來解決目標(biāo)領(lǐng)域中僅有少量有標(biāo)簽樣本數(shù)據(jù)甚至沒有的學(xué)習(xí)問題。遷移學(xué)習(xí)廣泛存在于人類的活動(dòng)中，兩個(gè)不同的領(lǐng)域共享的因素越多，遷移學(xué)習(xí)就越容易，否則就越困難，甚至出現(xiàn)“負(fù)遷移”，產(chǎn)生副作用。比如：一個(gè)人要是學(xué)會了自行車人工智能，那他就很容易學(xué)會開摩托車；一個(gè)人要是熟悉五子棋，也可以輕松地將知識遷移到學(xué)習(xí)圍棋中。

3. 延伸討論

不論采用以上哪種機(jī)器學(xué)習(xí)算法，都是可以實(shí)現(xiàn)垃圾分類的，只是精度上的差異，哪種效果好。

那么后續(xù)也許會出現(xiàn)垃圾分類的家用機(jī)器人，將垃圾往設(shè)備里面一丟，自動(dòng)的給你分類到不同的垃圾箱里面去，人徹底解放出來。

大家記得關(guān)注我哦，給你好看的AI知識和IoT知識，同時(shí)歡迎大家在評論中發(fā)表不同意見進(jìn)行探討。