首先可以非常明確的告訴你的一點是，傳統的影象處理演算法肯定是很難處理這類問題的。

下面我們結合kaggle上面的一個垃圾分類來說明一下如何處理這類問題，資料一共分為六類：cardboard、glass、metal、paper、plastic、trash。

kaggle比賽地址：https://www.kaggle.com/asdasdasasdas/garbage-classification

其實傳統的影象處理演算法在解決這類問題的思路是，首先透過找出資料之間的特徵，然後利用圖片的SIFT、LBP、顏色、紋理等特徵人工設計組合特徵，這一步被稱為特徵工程，也是最難的一步，最終分類效果的好壞這步起到了決定性的作用。在沒有深度學習之前，比賽結果的最終排名就看你的特徵工程做的怎麼樣。

透過設計好的特徵工程提取出來的影象特徵，利用SVM、XGBOOST、決策樹、隨機森林等機器學習演算法來訓練一個模型。

我們就以glass這類資料為例，看看如何使用傳統影象處理演算法來處理

看了上面的資料之後，glass的形狀、顏色、紋理等特徵複雜多樣很難設計出一個統一的特徵來判斷它們屬於glass這類，這也是為什麼說傳統影象處理演算法的特徵工程難的原因。

深度學習處理這類問題相對傳統影象處理演算法來說就要簡單些了，透過設計神經網路利用CNN來提取影象的特徵進行分類就可以了，避免了手工設計特徵，這也是深度學習的優勢所在。在使用神經網路構建分類模型的時候，不用去考慮一個大類資料中涵蓋了多少類小類的問題，只要你的資料足夠就行。

比如上面的glass類別中，包含了酒杯、酒瓶、水果罐頭瓶等，我們只需要將它們統一為glass類就行，只要你的訓練資料中包含了這型別的資料，在預測的時候也會將它們分為一個類別。

針對你上面的問題，垃圾可能是塑膠袋、剩菜剩飯或是建築垃圾等問題。首先，你需要明確的目的是什麼，是做一個區分垃圾和不是垃圾的模型嗎？還是做一個垃圾的細分類模型用來區分塑膠袋、剩菜剩飯、建築垃圾的模型呢？

如果是前者，你需要收集包含垃圾的圖片和不包含垃圾的圖片，不用去細分。如果是後面，你就要分三大類去收集圖片，把包含塑膠袋的分為一類，包含剩菜剩飯的分為一類，包含建築垃圾的分為一類。

最後，決定深度學習模型效果的主要是資料，資料越多種類越全越豐富，效果越好。