邓银莹和徐勇来自安徽财经大学计算机科学与技术系，他们的研究论文《基于tensorflow的垃圾分类回收系统设计》发表于《computer knowledge and technology》第17卷第23期，2021年8月。这篇论文属于类型a，即单篇原创研究的报告。以下是对该研究的详细介绍。

研究背景与目的

随着中国城市化进程的加快，城市垃圾数量逐年增加，垃圾分类及回收成为亟待解决的问题。目前，大多数居民对垃圾分类了解不足，导致垃圾投放时无法正确分类，给后续处理带来困难。传统的填埋法和混合回收方式不仅浪费土地资源，还依赖人工分拣，处理过程复杂且效果不佳。因此，研究团队提出了一种基于tensorflow的垃圾分类回收系统，旨在通过智能化无人操作的方式提高垃圾分类效率，节省人力和物力投入，并为智能垃圾分类回收箱的构建提供新思路。

研究流程与方法

该研究主要分为以下几个步骤：

1. 系统设计
   研究团队设计了一个基于tensorflow的垃圾分类回收系统，系统由五个模块组成：图像识别分类、机械控制、用户使用、满溢监测和清理系统。系统通过摄像头捕捉垃圾图像信息，利用训练好的神经网络模型进行图像处理、识别与分类。机械控制模块包括机械臂、传送带、摄像头和红外传感器等硬件设施，负责将垃圾送至相应的内置垃圾桶中。用户使用模块通过液晶显示屏和二维码登录实现用户操作。满溢监测模块通过红外感应装置实时检测垃圾桶容量，并在垃圾达到80%时发出警报。清理系统模块通过紫光灯消毒装置和排气装置保持箱内清洁。

2. 神经网络模型构建
   研究团队使用tensorflow框架搭建卷积神经网络（Convolutional Neural Network, CNN）模型，包括三次卷积池化层、两次全连接层、一次ReLU层和一次Softmax层。模型通过训练数据集进行训练，并在每迭代1000次时统计损失值和准确率。研究团队还通过增加训练集数据和引入通道注意力机制（Channel Attention Mechanism）对模型进行改进，以提高分类准确性。

3. 数据预处理与模型训练
   研究团队通过网络爬虫和公开数据集获取了各类垃圾图片，包括塑料、易拉罐、废纸、玻璃和布料等。对图像进行旋转、裁剪、缩放和灰度处理，并设置标签。训练集数据被转化为tfrecord格式文件，作为神经网络的输入层进行训练。模型训练完成后，研究团队利用测试集对模型进行验证，测试集包含的图片数据不属于训练集的一部分。

4. 模型改进与验证
   针对初始模型测试准确率不高的问题，研究团队从两个方面进行改进：一是增加训练集数据量，从2574张图片增加到4000张；二是在神经网络模型中增加通道注意力机制模块。改进后的模型测试结果显示，分类准确率显著提高，其中硬纸板、玻璃、废纸、金属和塑料的分类准确率分别达到98.1%、99.4%、98.8%、99.3%和98.9%。

研究结果

研究团队通过实验验证了系统的有效性。初始模型的测试结果显示，硬纸板、玻璃、废纸、金属和塑料的分类准确率分别为87.3%、82.7%、84.9%、88.1%和80.9%。通过增加训练集数据和引入通道注意力机制，改进后的模型测试准确率显著提高，硬纸板、玻璃、废纸、金属和塑料的分类准确率分别达到98.1%、99.4%、98.8%、99.3%和98.9%。尽管改进后的模型准确率较高，但仍未达到100%，表明模型仍有进一步改进的空间。

结论与意义

该研究提出的基于tensorflow的垃圾分类回收系统能够快速有效地进行垃圾分类，减轻城市垃圾处理的压力。系统通过智能化无人操作的方式，节省了大量人力和物力投入，提高了可利用垃圾的回收效率。此外，系统提供了用户交互界面，方便人们操作，增加了就业机会，减少了资源浪费，绿色环保，加快了我国生态文明建设发展。该研究为后续垃圾回收智能化发展提供了新的思考方向。

研究亮点

1. 智能化垃圾分类：通过tensorflow框架和卷积神经网络模型，实现了垃圾的智能化分类，减少了人工干预。
2. 模块化设计：系统由五个模块组成，功能全面，涵盖了图像识别、机械控制、用户交互、满溢监测和清理系统。
3. 模型改进：通过增加训练集数据和引入通道注意力机制，显著提高了模型的分类准确率。
4. 环保与经济效益：系统不仅提高了垃圾分类效率，还减少了资源浪费，具有显著的环保和经济效益。

其他有价值的内容

研究团队在系统设计中考虑了用户操作的便利性，通过液晶显示屏和二维码登录实现用户交互。此外，系统还配备了GPS定位系统和防盗安全警报装置，确保回收箱的安全性和可追踪性。这些设计细节进一步提升了系统的实用性和可靠性。

邓银莹和徐勇的研究为城市垃圾分类回收提供了一种智能化的解决方案，具有重要的科学价值和应用前景。