謝邀，我是從事AI算法和IoT產品方面的研發工作，前幾天我們幾個算法工程師討論過這個問題，AI是完全可以實現的。其實阿里已經在電銷機器人淘寶里面推出垃圾分類的測試版。打開電銷機器人淘寶，在“掃一掃”功能中，增加了垃圾分類的功能。點擊屏幕識別，便可以通過攝像頭對準物體人工智能，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、濕垃圾、干垃圾。

其回收后的垃圾去處：

2. 用圖像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。那么就可以利用圖像分類的算法來實現來及分類。目前常見的圖像分類算法有：KNN、SVM、BPNN、CNN和遷移學習。

圖像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圖像，劃分到不同的類別，實現最小的分類誤差。圖像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分類的灰度圖像手寫數字識別任務mnist，到后來更大一點的10分類的 cifar10和100分類的cifar100 任務，到后來的imagenet 任務，圖像分類模型伴隨著數據集的增長，一步一步提升到了今天的水平。現在，在imagenet 這樣的超過1000萬圖像，超過2萬類的數據集中，計算機的圖像分類水準已經超過了人類。

K最近鄰(kNN，k-NearestNeighbor)是一種基本分類與回歸方法，其基本做法是：給定測試實例，基于某種距離度量找出訓練集中與其最靠近的k個實例點，然后基于這k個最近鄰的信息來進行預測。通常，在分類任務中可使用“投票法”，即選擇這k個實例中出現最多的標記類別作為預測結果；在回歸任務中可使用“平均法”，即將這k個實例的實值輸出標記的平均值作為預測結果；還可基于距離遠近進行加權平均或加權投票，距離越近的實例權重越大。

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保存起來，訓練時間開銷為零，待收到測試樣本后再進行處理。

支持向量機（Support Vector 電銷機器人hine, SVM）是一類按監督學習（supervised learning）方式對數據進行二元分類（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使用鉸鏈損失函數（hinge loss）計算經驗風險（empirical risk）并在求解系統中加入了正則化項以優化結構風險（structural risk），是一個具有稀疏性和穩健性的分類器 。SVM可以通過核方法（kernel method）進行非線性分類，是常見的核學習（kernel learning）方法之一 。

BP神經網絡是最基礎的神經網絡，其輸出結果采用前向傳播，誤差采用反向（Back Propagation）傳播方式進行，BP神經網絡是有監督學習。

BP神經網絡具有任意復雜的模式分類能力和優良的多維函數映射能力，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。從結構上講，BP網絡具有輸入層、隱藏層和輸出層；從本質上講，BP算法就是以網絡誤差平方為目標函數、采用梯度下降法來計算目標函數的最小值。

卷積神經網絡（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絡（Feedforward Neural Networks），是深度學習（deep learning）的代表算法之一 。卷積神經網絡具有表征學習（representation learning）能力，能夠按其階層結構對輸入信息進行平移不變分類（shift-invariant classification），因此也被稱為“平移不變人工神經網絡（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注數據或者知識結構、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簽樣本數據甚至沒有的學習問題。遷移學習廣泛存在于人類的活動中，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：一個人要是學會了自行車人工智能，那他就很容易學會開摩托車；一個人要是熟悉五子棋，也可以輕松地將知識遷移到學習圍棋中。

3. 延伸討論

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

那么后續也許會出現垃圾分類的家用機器人，將垃圾往設備里面一丟，自動的給你分類到不同的垃圾箱里面去，人徹底解放出來。

大家記得關注我哦，給你好看的AI知識和IoT知識，同時歡迎大家在評論中發表不同意見進行探討。