基于卷積神經(jīng)網(wǎng)絡的簡易垃圾分類系統(tǒng)設計★

章 玲， 張 勇， 黃靈鈞

（閩南理工學院， 福建 石獅 362242）

0 引言

人類每天都會產(chǎn)生許多垃圾，在一些垃圾管理較好的地區(qū)，大部分垃圾會得到衛(wèi)生填埋、焚燒以及堆肥等無害化處理，而更多地方的垃圾則常常被簡易堆放或填埋，導致臭氣蔓延，并且污染土壤和地下水。垃圾分類的目的就是為了將廢棄物分流處理，通過現(xiàn)有的生產(chǎn)制造能力進行回收利用，包括物質利用和能量利用，以減少環(huán)境污染。傳統(tǒng)垃圾分類主要由人工進行分揀和分類，勞動強度大、分選效率低。為了提高垃圾分類的效率，保護生態(tài)環(huán)境，垃圾分揀的自動化勢在必行。

1 垃圾分類系統(tǒng)總體設計

基于深度神經(jīng)網(wǎng)絡的垃圾分類系統(tǒng)，可以實現(xiàn)垃圾自動分類[1-3]。該系統(tǒng)包括以下模塊：

1）以K210 為主控的圖像識別模塊。

2）最大供電功率為30 W 的太陽能板供電模塊。

3）以STM8 為主控的分揀模塊。

在垃圾分類系統(tǒng)中，圖像識別模塊通過串口與分揀模塊進行通訊，接收到指令的STM8 單片機通過紅外對管檢測，確認垃圾桶未滿。然后，用PWM信號控制由2 個舵機組成的二維分揀云臺，將垃圾倒入指定的垃圾桶。為方便部署，該系統(tǒng)的供電模塊采用太陽能板加電池的模式。為了提高太陽能的利用率，采用MPPT 算法讓太陽能電池板工作在最大功率點。

2 垃圾分類硬件設計

2.1 圖像處理模塊硬件設計

垃圾分類系統(tǒng)中的圖像識別模塊基于深度神經(jīng)網(wǎng)絡（DNN）實現(xiàn)垃圾分類，有大量卷積、批歸一化、激活以及池化的數(shù)學運算。K210 內(nèi)部搭載一個KPU（即通用的神經(jīng)網(wǎng)絡處理器），可以在低功耗情況下實現(xiàn)卷積神經(jīng)網(wǎng)絡計算，并且可計算加速。因此，該模塊的主控芯片采用K210。

2.2 垃圾分揀模塊硬件設計

該系統(tǒng)中的垃圾分揀模塊采用STM8S00K3T6C作為主控，垃圾桶主要結構采用亞克力板搭建而成，結構如圖1 所示。分揀云臺動力部分采用180°舵機驅動，控制方式則是通過STM8S00K3T6C 主控發(fā)出50 Hz 不同占空比的方波進行控制[4]。

圖1 垃圾分類系統(tǒng)結構

在垃圾分揀模塊中還集成了自動補光電路、降壓電路、垃圾桶防溢出檢測電路以及報警電路，電路結構如圖2 所示。

圖2 垃圾分類系統(tǒng)電路結構

1）在自動補光電路中可分為兩部分，一是LED驅動電路，該電路采用的是S8050 和AMC7135 的方案，AMC7135 為LED 提供一個350 mA 的恒流驅動電源，S8050 則用于放大STM8 的驅動電流。二是光強度傳感器電路，該電路采用光敏電阻實時監(jiān)測光強度，通過STM8 自帶的硬件ADC 讀取光敏電阻的電壓值，并轉換成光強度，進而在光線暗的時候打開補光燈，協(xié)助圖像識別系統(tǒng)完成垃圾的分類。

2）降壓電路則是采用線性穩(wěn)壓的形式為單片機等元器件提供穩(wěn)定的工作電壓。

3）垃圾桶防溢出檢測電路采用紅外對管檢測垃圾桶是否已裝滿垃圾，若滿，則停止垃圾分揀。

4）報警電路是由蜂鳴器和垃圾已滿指示燈組成，若紅外對管檢測到垃圾桶已滿，則指示燈亮起，并發(fā)出警報。

2.3 太陽能供電模塊硬件設計

該系統(tǒng)中的供電模塊使用的是一塊尺寸為600 mm×400 mm、峰值電壓為18 V、峰值電流為1.66 A的單晶太陽能發(fā)電板。電池采用的是能量密度大且較為安全的18650 鋰電池，將3 個容量為2 600 mAh、放電倍率為5C 的18650 鋰電池串聯(lián)成電池組，較大的電池容量確保了在連續(xù)陰雨天氣垃圾分類系統(tǒng)也能依靠電池正常工作。

當然，除了太陽能發(fā)電板和蓄能電池，給電池充電還必須由控制器將太陽能板發(fā)出的電能轉化成電池能接受的形式。在該垃圾分類系統(tǒng)中，采用的是MPPT 控制器。普通的控制器一般采用的是PWM控制方式，該方式與MPPT 控制器相比，明顯的缺點就是效率較低。原因就在于太陽能發(fā)電板在不同溫度下最大功率輸出點的電壓值是不一樣的（如圖3 所示），普通PWM 控制器無法追蹤太陽能發(fā)電板的最大功率點，而MPPT 控制器可以。本系統(tǒng)中采用MPPT 控制器的參數(shù)為輸入電壓，為20 V，最大恒流電流為3 A，輸出電壓為12.6 V（電池充滿時）。

圖3 光伏電池輸出特性隨溫度的變化曲線

3 垃圾分類軟件設計

3.1 圖像處理模塊軟件設計

采用MobileNet V1 網(wǎng)絡實現(xiàn)垃圾目標分類，Mo bileNet 網(wǎng)路是一種輕量級網(wǎng)絡，專門為嵌入式設備設計，可以在稍微降低準確度的情況下大大縮減模型的參數(shù)量。MobileNet V1 版本將標準卷積替換為深度可分離卷積，能夠有效減少計算量和模型參數(shù)。使用深度可分離卷積的MobileNet，相比于使用標準卷積的MobileNet，在ImageNet 數(shù)據(jù)集上的精度下降了1.1%，但是，模型參數(shù)減少了約7 倍，加乘計算量減少了約9 倍。

模型的訓練采用TensorFlow作為訓練框架，流程如圖4 所示。

圖4 基于TensorFlow 框架的模型訓練與部署

訓練集使用了總共1 600 張照片，分為有害、可回收、廚余和其他垃圾四大類，每類各準備2 個垃圾樣品，每個樣品200 張照片。本地訓練環(huán)境使用了顯卡進行加速，大大提升了模型訓練速度。由于Tensor-Flow 框架訓練得到的模型是.h5 或.tflite 格式，而K210 中的KPU 只認.kmodel 格式的模型，因此，必須將模型轉化為.kmodel 格式的模型。這里可以用NNCase 工具來完成模型的轉化。

通訊部分采用的是串口通訊，通訊格式為頭幀＋垃圾類別＋垃圾編號＋結束幀。其中，垃圾編號由4字節(jié)組成，可存入大量生活中的垃圾。校驗方式采用的是奇校驗，能夠有效避免數(shù)據(jù)傳輸出現(xiàn)錯誤。

3.2 垃圾分揀模塊軟件設計

垃圾分類模塊程序部分采用C 語言編寫，主要實現(xiàn)了垃圾桶是否裝滿檢測、光照條件是否滿足圖像識別、舵機云臺驅動以及報警驅動等功能，程序框架如圖5 所示。

圖5 垃圾分揀模塊程序框架

4 測試結果與分析

垃圾分類模型的訓練以MobileNet 0.75 為主干網(wǎng)絡，訓練參數(shù)如下：訓練次數(shù)為100、批量大小為32、學習率為0.001。

從圖6 中可以看出，當所有訓練集都訓練過200次后，模型精度可以接近100%。為了探究實際效果，我們將該模型部署于K210 上，并進行了100 次分類識別測試，最終的測試結果僅有3 次識別錯誤。由于采用了輕量級網(wǎng)絡MobileNet，分類速度大大加快。

圖6 模型訓練過程

5 結語

近年來，隨著科技水平的不斷發(fā)展，人們的生活水平不斷提高，物質需求得到很好的滿足，同時，生活垃圾的產(chǎn)生量也在不斷增長，生態(tài)環(huán)境污染不斷加重，成為制約我國新型城鎮(zhèn)化發(fā)展的重要因素[5-6]。妥善有效地處置生活垃圾可有效提升環(huán)境承載力，促進資源回收利用，為人民群眾營造干凈整潔的宜居環(huán)境，從而加快提高我國新型城鎮(zhèn)化發(fā)展質量和生態(tài)文明建設水平。

深度學習是近十年來人工智能領域取得的重要突破。它在語音識別、自然語言處理、計算機視覺、圖像與視頻分析和多媒體等諸多領域的應用取得了巨大成功。現(xiàn)有的深度學習模型屬于神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡的起源可追溯到20 世紀40 年代，曾經(jīng)在20 世紀八九十年代流行。神經(jīng)網(wǎng)絡試圖通過模擬大腦認知的機理解決各種機器學習問題。1986 年，魯梅爾哈特（Rumelhart）、欣頓（Hinton）和威廉姆斯（Williams）在《自然》雜志發(fā)表了著名的反向傳播算法用于訓練神經(jīng)網(wǎng)絡，該算法直到今天仍被廣泛應用。如今深度學習算法已經(jīng)發(fā)展成熟，為此本文對基于深度學習算法的垃圾分類系統(tǒng)的整體設計進行了說明，介紹了具體可行的軟硬件方案，并通過實驗測試驗證系統(tǒng)的穩(wěn)定性和準確性。