謝邀，我是從事AI演算法和IoT產品方面的研發工作，前幾天我們幾個演算法工程師討論過這個問題，AI是完全可以實現的。其實阿里已經在手機淘寶裡面推出垃圾分類的測試版。開啟手機淘寶，在“掃一掃”功能中，增加了垃圾分類的功能。點選螢幕識別，便可以透過攝像頭對準物體，得到結果的反饋。

1. 垃圾的分類

垃圾分類，指按一定規定或標準將垃圾分類儲存、分類投放和分類搬運，從而轉變成公共資源的一系列活動的總稱。分類的目的是提高垃圾的資源價值和經濟價值，力爭物盡其用。

目前垃圾分為四類：可回收物、有害垃圾、溼垃圾、幹垃圾。

其回收後的垃圾去處：

2. 用影象識別來實現垃圾分類

根據垃圾分類的標準，這些標準是確定的，有跡可循的，也就是說有標準的。那麼就可以利用影象分類的演算法來實現來及分類。目前常見的影象分類演算法有：KNN、SVM、BPNN、CNN和遷移學習。

影象分類顧名思義就是一個模式分類問題，它的目標是將不同的影象，劃分到不同的類別，實現最小的分類誤差。影象分類是計算機視覺中最基礎的一個任務，也是幾乎所有的基準模型進行比較的任務。從最開始比較簡單的10分類的灰度影象手寫數字識別任務mnist，到後來更大一點的10分類的 cifar10和100分類的cifar100 任務，到後來的imagenet 任務，影象分類模型伴隨著資料集的增長，一步一步提升到了今天的水平。現在，在imagenet 這樣的超過1000萬影象，超過2萬類的資料集中，計算機的影象分類水準已經超過了人類。

K最近鄰(kNN，k-NearestNeighbor)是一種基本分類與迴歸方法，其基本做法是：給定測試例項，基於某種距離度量找出訓練集中與其最靠近的k個例項點，然後基於這k個最近鄰的資訊來進行預測。通常，在分類任務中可使用“投票法”，即選擇這k個例項中出現最多的標記類別作為預測結果；在迴歸任務中可使用“平均法”，即將這k個例項的實值輸出標記的平均值作為預測結果；還可基於距離遠近進行加權平均或加權投票，距離越近的例項權重越大。

k近鄰法不具有顯式的學習過程，事實上，它是懶惰學習（lazy learning）的著名代表，此類學習技術在訓練階段僅僅是把樣本儲存起來，訓練時間開銷為零，待收到測試樣本後再進行處理。

支援向量機（Support Vector Machine, SVM）是一類按監督學習（supervised learning）方式對資料進行二元分類（binary classification）的廣義線性分類器（generalized linear classifier），其決策邊界是對學習樣本求解的最大邊距超平面（maximum-margin hyperplane）。

SVM使用鉸鏈損失函式（hinge loss）計算經驗風險（empirical risk）並在求解系統中加入了正則化項以最佳化結構風險（structural risk），是一個具有稀疏性和穩健性的分類器 。SVM可以透過核方法（kernel method）進行非線性分類，是常見的核學習（kernel learning）方法之一 。

BP神經網路是最基礎的神經網路，其輸出結果採用前向傳播，誤差採用反向（Back Propagation）傳播方式進行，BP神經網路是有監督學習。

BP神經網路具有任意複雜的模式分類能力和優良的多維函式對映能力，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。從結構上講，BP網路具有輸入層、隱藏層和輸出層；從本質上講，BP演算法就是以網路誤差平方為目標函式、採用梯度下降法來計算目標函式的最小值。

卷積神經網路（Convolutional Neural Networks, CNN）是一類包含卷積計算且具有深度結構的前饋神經網路（Feedforward Neural Networks），是深度學習（deep learning）的代表演算法之一 。卷積神經網路具有表徵學習（representation learning）能力，能夠按其階層結構對輸入資訊進行平移不變分類（shift-invariant classification），因此也被稱為“平移不變人工神經網路（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.

目標是將某個領域或任務上學習到的知識或模式應用到不同但相關的領域或問題中。

主要思想是從相關領域中遷移標註資料或者知識結構、完成或改進目標領域或任務的學習效果。

遷移學習是運用已存有的知識對不同但相關領域問題進行求解的新的一種機器學習方法。它放寬了傳統機器學習中的兩個基本假設，目的是遷移已有的知識來解決目標領域中僅有少量有標籤樣本資料甚至沒有的學習問題。遷移學習廣泛存在於人類的活動中，兩個不同的領域共享的因素越多，遷移學習就越容易，否則就越困難，甚至出現“負遷移”，產生副作用。比如：一個人要是學會了腳踏車，那他就很容易學會開摩托車；一個人要是熟悉五子棋，也可以輕鬆地將知識遷移到學習圍棋中。

不論採用以上哪種機器學習演算法，都是可以實現垃圾分類的，只是精度上的差異，哪種效果好。

那麼後續也許會出現垃圾分類的家用機器人，將垃圾往裝置裡面一丟，自動的給你分類到不同的垃圾箱裡面去，人徹底解放出來。

這個問題得分情況，放到個人端，單純只談對單個垃圾分類的話是可以的。放到垃圾場，對倒進垃圾桶的垃圾進行分類就比較難了。

針對單個垃圾分類，實際上就是影象分類問題。影象分類演算法現在能做到很高的準確率，資料集獲取也相對容易，整體來說，技術門檻不高。

所以，做一個App ，每個使用者對著準備丟棄的垃圾“咔嚓”拍一下，然後識別出這是哪一類垃圾，是有可實現性的。同時，用久了，大家對垃圾的認識也會更加深刻。

然而，現在最糾結的怕不是垃圾的類別，而是按類別整理和傾倒。比如，溼垃圾，的有個東西裝著，大家習慣用垃圾袋裝，丟溼垃圾的時候，你的把溼垃圾倒出來（得倒乾淨），然後把袋子都在幹垃圾裡面。或者有個專門的垃圾容器，倒完回去還得洗乾淨，想著就麻煩。

另外一種更加方便的辦法是在垃圾桶旁裝一個自動識別垃圾類別，並能將垃圾準確無誤地整理到不同類別的垃圾桶中的機器人。這種方式廣大人民群眾就可以解放出來啦，垃圾該怎麼丟還是怎麼丟。不過這就需要機器人拍設新丟的垃圾，並在這堆垃圾裡面做影象語義分割，將識別率最高的那塊垃圾定位，然後手臂溫柔而精確地撿起那塊垃圾，投入對的箱子中。接著再拍圖片、分割、定位、操作，如此迴圈，最後確定是否有液體需要倒掉。聽起來好像也不復雜，但工業應用估計暫時不太容易達到，首先，一堆黑乎乎的垃圾，拍出來的圖片背景很複雜，分割比較困難。再者，機械手臂定位並操作沒問題，但垃圾粘粘的，要保證只拿定位的那一樣，怕是也不簡單。最後，即便軟硬技術都ok,成本也不會低，哪有把壓力分到最邊緣的人民群眾省事呢。

完全可以。西班牙的城市生活垃圾在人工智慧分類和資源化處理走在了全球前例。城市生活垃圾處理典範----西班牙，它們對城市生活垃圾處理研究了近百年，西班牙的生活垃圾不分類或簡單分類，和我們現在相似，很人性化、現代化和環保，他們研究和生產的全封閉式人工智慧分類和資源化處理裝置，走在了歐洲和全球前列。它能自動分揀14種以上物品（全球最多種類），直接或稍加工回收利用；能將近一半的餐廚和有機物，經加工和堆肥處理，製成有機肥，最後剩下3%左右危廢垃圾被做大型水泥構件填充物或特殊處理後深埋。這種裝置已被美國、歐洲等國引進，有200多個成功案例。這種人性化、智慧化、不焚燒、全資源化處理生活垃圾的模式，引領了全新的城市生活垃圾處理發展方向，據說日本也引進了一套做研究。我們在學習日本模式的同時，要從國情出發，也應學習歐洲的先進模式。可以選擇發達地區或海南等地引進試驗，然後在全國推廣普及。因為焚燒發電是過度，全資源化處理是真正的迴圈利用，才是城市生活垃圾處理的發展方向。

可以的呀！

隨著城市建設的高速發展，最佳化環境管理與服務一直是關注的重點，也是一項民生重要工程。不斷改善市民的生活居住環境，將融入了新一代的資訊科技，打造智慧城市建設。首要是解決城市垃圾作為一大難題，而且對智慧城市發展充滿了諸多挑戰。重要的一點是，有資料顯示，我國生活垃圾產量超過4億噸。我國600多座大中城市中，三分之二陷入垃圾包圍之中，四分之一城市已沒有堆放垃圾的合適場所，對於垃圾環境的治理迫在眉睫，到2019年6月25日，生活垃圾分類制度將入法。對於新基建也在緊鑼密鼓地實施中，工業網際網路的運用同樣可以在垃圾分類的智慧管理上實現，透過自動化機械臂的實現，我們可以搭載出一套應用於工業物聯網的智慧一體化的垃圾分類機械臂。HT for Web 不止自主研發了強大的基於 HTML5 的 2D、3D 渲染引擎，為視覺化提供了豐富的展示效果。介於 2D 組態和 3D 組態上，Hightopo（以下簡稱 HT ）的 HT for Web 產品上的有著豐富的組態化可供選擇，本文將運用 HT 搭載出一個機械臂垃圾分類的案例以及垃圾分類知識趣味問答。

案例所體現的功能是，傳送帶上運輸的垃圾，透過機械臂的動作將其垃圾分類至對應的垃圾桶當中，起到垃圾分類演示的作用。其次，點選對應的垃圾桶，還可以視角轉移並鎖定該垃圾桶，彈出提示視窗來介紹這個垃圾桶所劃分的垃圾分類的範疇，起到解釋說明的作用。

垃圾分類，一般是指按一定規定或標準將垃圾分類儲存、分類投放和分類搬運，從而轉變成公共資源的一系列活動的總稱。分類的目的是提高垃圾的資源價值和經濟價值，力爭物盡其用。垃圾在分類儲存階段屬於公眾的私有品，垃圾經公眾分類投放後成為公眾所在小區或社群的區域性準公共資源，垃圾分類搬運到垃圾集中點或轉運站後成為沒有排除性的公共資源。從國內外各城市對生活垃圾分類的方法來看，大致都是根據垃圾的成分、產生量，結合本地垃圾的資源利用和處理方式來進行分類的。

分類的目的就是為了將廢棄物分流處理，利用現有生產製造能力，回收利用回收品，包括物質利用和能量利用，填埋處置暫時無法利用的無用垃圾。

圖撲軟體（Hightopo）是由廈門圖撲軟體科技有限公司獨立自主研發，基於HTML5標準技術的Web前端2D和3D圖形介面開發框架。非常適用於實時監控系統的介面呈現，廣泛應用於電信網路拓撲和裝置管理，以及電力、燃氣等工業自動化 (HMI/SCADA) 領域。

Hightopo 提供了一套獨特的 WebGL 層抽象，將 Model–View–Presenter (MVP) 的設計模型延伸應用到了 3D 圖形領域。使用 Hightopo 您可更關注於業務邏輯功能，不必將精力投入複雜 3D 渲染和數學等非業務核心的技術細節。

多年來數百個工業網際網路視覺化專案實施經驗形成了一整套實踐證明的高效開發流程和生態體系，可快速實現現代化的、高效能的、跨平臺桌面Mouse/移動Touch/虛擬現實VR圖形展示效果及互動體驗。