基于深度學(xué)習(xí)的智能分類垃圾桶設(shè)計

楊斌

摘?要：文章使用MobileNet V2神經(jīng)網(wǎng)絡(luò)來對垃圾進(jìn)行圖像識別分類，再用電機(jī)將分類后的垃圾放置到指定的垃圾桶中。采用Jetson Nano嵌入式平臺進(jìn)行圖像識別，再使用STM32對電機(jī)進(jìn)行控制。經(jīng)過實(shí)際測試，從攝像頭采集圖片到識別圖片一次僅需0.4秒。該垃圾桶可以自動對垃圾進(jìn)行分類處理，是一種對垃圾分類活動提供智能高效的解決方案。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò);MobileNet V2;智能垃圾桶

深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的重要分支日益得到普及。在智能制造行業(yè)里面有著非常光明的前景，而其中的圖像分類與檢測領(lǐng)域更是出類拔萃。本文所設(shè)計的基于深度學(xué)習(xí)的智能分類垃圾桶，通過深度學(xué)習(xí)算法去分類垃圾類別，并且能根據(jù)不同地區(qū)的要求進(jìn)行不同種類劃分，從而在源頭處自動對垃圾進(jìn)行分類和處理。

1 總體設(shè)計

本項目采用的是本地進(jìn)行處理的方式。由于有Google公司提出的MobileNetV2算法跟NVIDIA公司開發(fā)的Jetson Nano平臺，使得在本地進(jìn)行高效的圖像檢測分類成為了可能。這種方法避免了因為網(wǎng)絡(luò)波動而造成的識別時間過久甚至是無法識別的問題。

為了整體系統(tǒng)運(yùn)行的穩(wěn)定性，采用的是模塊化設(shè)計的思路。系統(tǒng)分為識別分類模塊和控制模塊。這樣分類的主要原因是Jetson Nano平臺是帶操作系統(tǒng)的，雖然本身有PWM輸出，但是其精準(zhǔn)度依舊比不上MCU。因此在控制部分中采用STM32F作為主控芯片，在接收到Jetson Nano的分類信號后，控制步進(jìn)電機(jī)去投放垃圾到對應(yīng)的垃圾桶。同時，由于Jetson Nano和STM32之間距離近，所以直接采用串口通信方式進(jìn)行，避免了無線信號會出現(xiàn)的干擾問題。系統(tǒng)總體框架如圖1。

2?圖像識別算法

本文選取的是MobileNet V2網(wǎng)絡(luò)，它是基于MobileNet V1網(wǎng)絡(luò)改進(jìn)而來。

MobileNetV2主要是基于MobileNetV1進(jìn)行改進(jìn)的。為了提升梯度的跨層傳播能力，因此將殘差結(jié)構(gòu)添加到了MobileNetV2網(wǎng)絡(luò)中，提出了一種新的結(jié)構(gòu)——倒殘差結(jié)構(gòu)（如圖2）。

3?硬件系統(tǒng)設(shè)計

硬件系統(tǒng)的主控模塊采用STM32系統(tǒng)，其框架如圖3所示。

STM32在接收J(rèn)etson Nano通過串口發(fā)送過來的垃圾分類信號后，判斷接收到的垃圾類別。然后根據(jù)垃圾類別去驅(qū)動57步進(jìn)電機(jī)轉(zhuǎn)動，從而帶動垃圾桶旋轉(zhuǎn)到對應(yīng)的分類垃圾桶體。接著驅(qū)動42步進(jìn)電機(jī)將暫時存放垃圾的托盤拉起，使垃圾下落到垃圾桶中。再將垃圾托盤收起，垃圾桶轉(zhuǎn)回原來位置。

AI應(yīng)用設(shè)計采用Jetson Nano開發(fā)板。采用1.4Ghz的ARM-A57芯片，128核Nvidia Maxwell GPU和4GB RAM。它運(yùn)行的官方系統(tǒng)是Ubuntu 18.04的一個定制版本，名稱為Linux4Tegra，主要設(shè)計在NVIDIA的硬件上運(yùn)行。該系統(tǒng)預(yù)配置了CUDA跟TensorRT組件，因此可以使用CUDA對卷積神經(jīng)網(wǎng)絡(luò)計算進(jìn)行加速。它本身也集成了UART、I2C等外設(shè)通信組件。

4?系統(tǒng)實(shí)現(xiàn)與運(yùn)行

4.1?MobileNet V2網(wǎng)絡(luò)訓(xùn)練

樣本數(shù)據(jù)集可分為訓(xùn)練集、驗證集和測試集。樣本數(shù)據(jù)集有4類樣本標(biāo)簽和一個背景標(biāo)簽，共2327張圖片，在本項目中，訓(xùn)練集和驗證集比例為8：2，測試集由預(yù)先挑選出的圖片進(jìn)行測試。圖4、圖5分別展示了訓(xùn)練集正確率和驗證集準(zhǔn)確率。

圖4、圖5是經(jīng)過多次訓(xùn)練后，選出的幾組效果相對較好的訓(xùn)練參數(shù)，通過上面圖像的比較，選出了最適合使用的一組模型，即訓(xùn)練集正確率98%，驗證集準(zhǔn)確率92%的這組模型。

4.2?實(shí)際垃圾分類測試

將控制模塊跟處理模塊連接后，實(shí)際投放垃圾到本產(chǎn)品中進(jìn)行測試。本次實(shí)際測試僅使用以下材料進(jìn)行測試。一次在垃圾托盤中只放入一個垃圾，然后Jetson Nano對垃圾進(jìn)行識別，識別完之后在屏幕上打印結(jié)果，并且將結(jié)果通過串口發(fā)送給STM32。而STM32在接收到信號之后，就轉(zhuǎn)動垃圾桶，從而使垃圾落入對應(yīng)的桶體中。

以下是上面測試材料的概率分布，顯示每個測試材料的類別都識別正確。

5?結(jié)束語

本文采用的基于圖像識別、Jetson Nano主處理器和STM32F作為主控芯片的智能垃圾桶模擬方案，主要負(fù)責(zé)將收集回來的垃圾物照片進(jìn)行分析處理，判定出垃圾物的回收種類。并將種類信息通過串口發(fā)送給 Jetson Nano主處理器，進(jìn)而控制舵機(jī)工作，實(shí)現(xiàn)分類效果。并結(jié)合其他傳感器，實(shí)現(xiàn)一些附加功能。通過對智能垃圾桶的研究和模擬智能垃圾桶的分類功能的實(shí)現(xiàn)，可以初步構(gòu)建智能垃圾桶的模型與理論基礎(chǔ)，為智能垃圾桶技術(shù)提供更多的可能。

參考文獻(xiàn)

[1]?劉建偉，何巖.餐廚垃圾兩相厭氧發(fā)酵技術(shù)研究和應(yīng)用進(jìn)展[J].科學(xué)技術(shù)與工程，2017，17（06）：188-196.

[2]?盧鋒長，歐陽玲惠，王晶，李海艷，曾凡.淺析我國垃圾分類工作目前存在的問題及解決方案[J].市場周刊，2019（09）：152-154.

[3]?張濤. 步進(jìn)電機(jī)快速定位方法研究[D].北方工業(yè)大學(xué)，2012.

[4]?李玲娟.多細(xì)分二相混合式步進(jìn)電機(jī)驅(qū)動器的研制[D].西北工業(yè)大學(xué)，2007

[5]?楊真真，匡楠，范露，康彬.基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法綜述[J].信號處理，2018，34（12）：1474-1489.

[6]?鐘梅，馬宇龍，楊謝澤華.集中分揀回收，解決垃圾圍城[J].北方環(huán)境，2013，25（01）：62-64.