楊皓文 胡琦瑤 李江南 陸璐

摘 要：現(xiàn)有的垃圾分類主要依靠人工分辨，而很多居民因?yàn)橐庾R不足或日常工作繁忙，往往無法仔細(xì)分類，導(dǎo)致垃圾分類效率低下。為了解決該問題，使垃圾分類適應(yīng)快速發(fā)展的時(shí)代，文中設(shè)計(jì)并開發(fā)了具有自主識別、智能分類且可以監(jiān)控垃圾桶溫度、裝載量、煙霧及可燃?xì)怏w濃度數(shù)據(jù)指標(biāo)的基于NB-IoT的智能垃圾分類系統(tǒng)。將利用CNN神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練的模型數(shù)據(jù)搭載在樹莓派（Raspberry Pi）上，對讀取的圖像進(jìn)行分類檢測，通過控制電機(jī)將垃圾送入其所屬分類的收納桶中。通過HC-SR04測距模塊、MLX90614ESF紅外測溫傳感器、MQ-2煙霧氣敏傳感器獲得垃圾桶裝載容量、箱體內(nèi)溫度與可燃?xì)怏w數(shù)據(jù)，并上傳至云端服務(wù)器，計(jì)算生成城市街道垃圾桶數(shù)據(jù)地圖，同時(shí)對垃圾回收進(jìn)行路徑規(guī)劃，并將處理后的數(shù)據(jù)下傳至手機(jī)APP，方便管理人員使用。

關(guān)鍵詞：智能垃圾分類;Raspberry Pi;深度學(xué)習(xí);圖像識別;NB-IoT;傳感器

0 引 言

隨著《生活垃圾分類制度實(shí)施方案》的實(shí)施，垃圾分類已經(jīng)成為了我們?nèi)粘Ｉ畹囊徊糠?。一方面，垃圾分類可以減少資源浪費(fèi)，另一方面，垃圾分類可以減少對環(huán)境的污染，有利于我國可持續(xù)發(fā)展戰(zhàn)略的持續(xù)推進(jìn)。在目前的方案中，垃圾分類主要依賴居民的主動分類和監(jiān)督員檢查。但此舉存在兩個(gè)問題：手動垃圾分類在無形之中增加了居民和監(jiān)督員的負(fù)擔(dān)，節(jié)約的資源又以人力的形式浪費(fèi);由于很多居民垃圾分類意識薄弱，加之日常工作繁忙，很難對垃圾做到細(xì)致分類，導(dǎo)致垃圾分類成為“擺設(shè)”。為解決這些問題，本文研究設(shè)計(jì)了一套基于NB-IoT的垃圾分類綜合解決方案，可實(shí)現(xiàn)對垃圾的自主識別、智能分類，滿足人們的需求。

1 系統(tǒng)整體框架

本文設(shè)計(jì)的基于NB-IoT的智能垃圾分類系統(tǒng)的總體結(jié)構(gòu)如圖1所示。此系統(tǒng)的下位機(jī)由樹莓派4B處理器、WiFi網(wǎng)絡(luò)模塊、HC-SR04測距模塊、MLX90614ESF紅外測溫傳感器、MQ-2煙霧氣敏傳感器、高清攝像頭等組成。系統(tǒng)的上位機(jī)由云端服務(wù)器及手機(jī)APP組成，云端服務(wù)器用于下位機(jī)與上位機(jī)的數(shù)據(jù)交換。下位機(jī)對垃圾進(jìn)行智能識別分類，并采集垃圾桶內(nèi)的溫度、煙霧濃度、可燃?xì)怏w濃度、垃圾裝載量等數(shù)據(jù)，將其上傳至云端服務(wù)器。服務(wù)器利用其強(qiáng)大的計(jì)算能力將接收的數(shù)據(jù)轉(zhuǎn)化為城市街道垃圾桶數(shù)據(jù)地圖，并將數(shù)據(jù)傳送至手機(jī)APP，管理人員可隨時(shí)查看垃圾桶的分布地圖及垃圾桶數(shù)據(jù)，及時(shí)處理存在問題的垃圾桶。

搭載在垃圾桶投擲口處的高清攝像頭可以捕捉垃圾的圖像，并將圖像數(shù)據(jù)傳送至樹莓派中，系統(tǒng)利用神經(jīng)網(wǎng)絡(luò)算法生成的模型對垃圾圖像進(jìn)行識別分類，得到垃圾所屬大類，之后樹莓派調(diào)用GPIO資源控制傳送電機(jī)運(yùn)轉(zhuǎn)，將垃圾送入所屬收納桶內(nèi)。

紅外測溫傳感器與煙霧氣敏傳感器可實(shí)時(shí)監(jiān)測箱體內(nèi)的各項(xiàng)數(shù)據(jù)。當(dāng)檢測到箱體內(nèi)的溫度、煙霧濃度或存在的危險(xiǎn)氣體濃度超過設(shè)定閾值時(shí)，手機(jī)客戶端將發(fā)出警報(bào)，通知管理人員及時(shí)處理。測距模塊根據(jù)箱體內(nèi)所?？沼嗫臻g的垂直距離，對箱內(nèi)垃圾的數(shù)量進(jìn)行評估，并將數(shù)據(jù)實(shí)時(shí)上傳至云端服務(wù)器，服務(wù)器根據(jù)垃圾桶裝載量，更新垃圾桶數(shù)據(jù)地圖，并對清理路徑進(jìn)行規(guī)劃，清潔人員可根據(jù)規(guī)劃對垃圾桶進(jìn)行清理。此舉既保證了垃圾桶的使用效率，也大大減少了環(huán)衛(wèi)工人的工作量。

2 系統(tǒng)硬件設(shè)計(jì)

2.1 數(shù)據(jù)采集

本方案使用的Raspberry Pi 4B搭載了官方Raspbian系統(tǒng)，其處理器采用Cortex-A72內(nèi)核，最高主頻可達(dá)1.5 GHz，具有強(qiáng)大的代碼執(zhí)行能力和豐富的控制器應(yīng)用，使得神經(jīng)網(wǎng)絡(luò)算法在小型設(shè)備上流暢應(yīng)用成為了可能。本文使用樹莓派主要實(shí)現(xiàn)以下功能：

（1）高清攝像頭通過USB接口與樹莓派相連，將識別的垃圾圖像數(shù)據(jù)快速傳回樹莓派處理器進(jìn)行分析處理;

（2）樹莓派在識別垃圾種類后，通過GPIO接口將指令輸出至傳送電機(jī)，以此控制不同類別垃圾的投放;

（3）樹莓派通過自帶的WiFi模塊與云服務(wù)器連接，可以將由各模塊獲取的數(shù)據(jù)上傳至服務(wù)器，方便上位機(jī)終端獲取相關(guān)數(shù)據(jù)，以便下一步的處理。

本文中，我們通過樹莓派中的V412 API接口調(diào)用攝像頭讀取圖像數(shù)據(jù)[1]，其具體實(shí)現(xiàn)分為6個(gè)步驟：

（1）打開視頻設(shè)備文件，初始化視頻采集參數(shù)，設(shè)置視頻圖像的格式;

（2）申請用于采集視頻圖像的幀緩沖區(qū)，并從內(nèi)核空間將這些申請的幀緩沖區(qū)映射到用戶空間;

（3）把申請到的緩沖區(qū)放入視頻采集輸入隊(duì)列，用于采集視頻圖像數(shù)據(jù);

（4）把幀緩沖區(qū)從隊(duì)列中取出，將視頻圖像數(shù)據(jù)處理后，再將幀緩沖區(qū)放回至隊(duì)列中;

（5）依次循環(huán)上述4個(gè)步驟，以此不斷獲得視頻圖像數(shù)據(jù);

（6）關(guān)閉視頻設(shè)備文件，結(jié)束視頻采集。

2.2 數(shù)據(jù)傳輸

本文選用Socket通信協(xié)議。在樹莓派的TCP/IP通信協(xié)議下進(jìn)行數(shù)據(jù)傳輸，將已采集的數(shù)據(jù)發(fā)送給云服務(wù)器[2]。

本文利用Python編譯環(huán)境，使用Socket第三方庫實(shí)現(xiàn)數(shù)據(jù)傳輸。Socket編程共分為如下5個(gè)步驟：

（1）創(chuàng)建Socket對象，將SOCK_STREAM設(shè)置為TCP類型;

（2）獲取靜態(tài)IP，并綁定IP和端口，用listen（）進(jìn)行監(jiān)聽;

（3）用accept（）函數(shù)接收Client發(fā)出的請求，包含Client的IP和端口;

（4）向Client發(fā)送垃圾桶的實(shí)時(shí)數(shù)據(jù);

（5）利用時(shí)鐘設(shè)置定時(shí)循環(huán)函數(shù)，實(shí)現(xiàn)數(shù)據(jù)實(shí)時(shí)更新。

2.3 電機(jī)控制

本文采用ULN2003控制板和28BJY-48步進(jìn)電機(jī)實(shí)現(xiàn)垃圾傳送[3]。首先將步進(jìn)電機(jī)連接到控制板上，再將控制板上的6個(gè)引腳連接到樹莓派的GPIO接口，通過程序使GPIO接口輸出控制信號，控制電機(jī)運(yùn)轉(zhuǎn)。樹莓派使用GPIO進(jìn)行控制，包括兩種方式：使用C語言WringPi庫文件提供的函數(shù)進(jìn)行控制;使用Python的RPI.GPIO第三方庫中提供的函數(shù)進(jìn)行控制。在此系統(tǒng)中本文采用Python程序控制GPIO的狀態(tài)，首先調(diào)用gpio.setmode（）函數(shù)設(shè)置模式，之后調(diào)用gpio.PWM（）函數(shù)設(shè)置PWM波的頻率，最后調(diào)用ChangeDutyCycle（）函數(shù)設(shè)置PWM波的占空比。

3 系統(tǒng)軟件設(shè)計(jì)

3.1 基于機(jī)器學(xué)習(xí)的圖像識別

卷積神經(jīng)網(wǎng)絡(luò)（CNN）由卷積層、池化層、全連接層組合而成，是一類包含卷積計(jì)算的前饋神經(jīng)網(wǎng)絡(luò)。該算法針對物體識別不斷優(yōu)化，促使識別精度越來越高，其應(yīng)用潛力巨大，前景廣闊[4]。

本文搭建的神經(jīng)網(wǎng)絡(luò)是在Python環(huán)境下利用第三方庫TensorFlow搭建的。設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)主要包含4個(gè)部分，其結(jié)構(gòu)如圖2所示。

第一部分為卷積層。為第一、二層卷積層分別設(shè)計(jì)了64個(gè)3×3步長為1的三通道卷積核和16個(gè)3×3步長為1的十六通道卷積核，通過對輸入圖層上3×3像素大小的區(qū)域進(jìn)行加權(quán)處理，得到上一圖層的特征信息，其中權(quán)值是圖層上的像素值。具體實(shí)施時(shí)還利用ReLu（）函數(shù)增加網(wǎng)格的非線性分割能力，ReLu（）函數(shù)見式（1）：

相較于傳統(tǒng)的Sigmoid函數(shù)，使用ReLu（）函數(shù)的優(yōu)點(diǎn)在于通過動量梯度下降法加快了收斂速度，而且梯度不易飽和[5]。

第二部分是池化層。兩層池化層均為3×3，步長為2的最大池化，選取圖像區(qū)域內(nèi)中像素最大值作為池化后的值，對提取的信息進(jìn)行降維處理，一方面使特征圖變小，簡化網(wǎng)絡(luò)的復(fù)雜度;另一方面，將特征壓縮，提取主要特征。針對卷積層使用的ReLu（）函數(shù)，池化操作后使用lrn（）進(jìn)行局部響應(yīng)歸一化，使得其中響應(yīng)比較大的值變得更大，并抑制其他反饋相對較小的神經(jīng)元，增強(qiáng)模型的泛化能力。

第三部分為全連接層。兩層全連接層均擁有128個(gè)神經(jīng)元，對前面得到的特征做加權(quán)處理，處理權(quán)值的全連接公式如下：

式中：w為權(quán)值;b為偏置。通過該公式可以整合為一維向量。

第四部分是使用Softmax回歸層對全連接層的輸出做線性回歸，計(jì)算出每一類物品的得分。Softmax值的計(jì)算方法如下：

多分類下的交叉熵?fù)p失Loss計(jì)算方法如下[6]：

式中：K為類別數(shù)量;y為布爾值，指代是否屬于該類別;p為屬于類別c的概率。

3.2 圖像識別實(shí)驗(yàn)結(jié)果

本文采用生活中最常見的三種垃圾：飲料瓶、廢紙箱、廢報(bào)紙作為測試集。通過網(wǎng)上下載符合要求的圖片獲取測試?yán)鴮?yīng)的圖片，少量來自于手動拍攝。本文共收集的原始數(shù)據(jù)集有2 497張圖片，其中飲料瓶圖片445張、報(bào)紙圖片988張、紙箱圖片1 064張。

對原始數(shù)據(jù)進(jìn)行處理，使其適應(yīng)神經(jīng)網(wǎng)絡(luò)。首先，統(tǒng)一圖片大小，將所有圖片儲存轉(zhuǎn)化為64×64;之后，打亂原有圖片順序，分成測試集與訓(xùn)練集;最后，對圖像進(jìn)行旋轉(zhuǎn)、縮放、裁剪、歸一化操作。

本文根據(jù)訓(xùn)練的數(shù)據(jù)規(guī)模，把實(shí)際訓(xùn)練的次數(shù)設(shè)置為2 000次，每訓(xùn)練10次打印一次識別精確度，得到的結(jié)果如圖3所示。

從圖像可以看出，訓(xùn)練開始時(shí)，系統(tǒng)識別精度極低，隨著訓(xùn)練次數(shù)的增加，訓(xùn)練精度迅速增加，但訓(xùn)練精度波動較大。當(dāng)訓(xùn)練次數(shù)達(dá)到1 250左右時(shí)，精度基本保持在100%，偶爾有小幅波動。此時(shí)訓(xùn)練的模型精度已經(jīng)達(dá)到了使用需求。

得到所需的模型后，開始進(jìn)行實(shí)際測試。使用的圖片包括飲料瓶圖片128張、廢報(bào)紙圖片113張、廢紙箱圖片106張。圖4所示分別為報(bào)紙和飲料瓶識別的效果，準(zhǔn)確率如圖5所示。

3.3 機(jī)器學(xué)習(xí)在樹莓派上的移植

為了可以使卷積神經(jīng)網(wǎng)絡(luò)算法能夠在算力相對較低的樹莓派中快速、穩(wěn)定地運(yùn)行，本文將CNN神經(jīng)網(wǎng)絡(luò)算法拆分為模型訓(xùn)練和圖像識別兩部分，進(jìn)行針對性使用。具體做法如下所示：

（1）在電腦上搭建卷積神經(jīng)網(wǎng)絡(luò);

（2）在電腦上測試訓(xùn)練的模型;

（3）將識別算法和訓(xùn)練好的checkpoint模型移植到樹莓派上。

本文在樹莓派上搭建了所需的Python環(huán)境，重復(fù)實(shí)驗(yàn)后得到圖6所示的結(jié)果。

由上圖可知，在樹莓派上的實(shí)驗(yàn)結(jié)果與電腦環(huán)境下的實(shí)驗(yàn)結(jié)果接近，符合使用需求。

3.4 溫度檢測

非接觸紅外線測溫探頭可以通過測量目標(biāo)表面所輻射的紅外能量來確定表面溫度[7]。垃圾存放在垃圾桶中時(shí)，有可能因?yàn)槲礈绲臒燁^或者桶內(nèi)的特殊環(huán)境（包括可燃?xì)怏w、溫度等）等情況引起火災(zāi)。為了保護(hù)人民財(cái)產(chǎn)安全，本文通過紅外線測溫探頭來感知垃圾桶內(nèi)是否存在火情。

MLX90614ESF紅外測溫傳感器通信流程如圖7所示。使用樹莓派通過該模塊獲取溫度信息的具體過程：啟動傳感器，發(fā)送喚醒模式指令寫入地址，經(jīng)過33 ms，傳感器開始收集數(shù)據(jù)，并將數(shù)據(jù)寫入指定地址。之后啟動傳輸時(shí)序傳輸數(shù)據(jù)，采用PWM模式與SMBus模式輸出[8]。本文選擇使用SMBus模式，其時(shí)序如圖8所示。該傳輸模式規(guī)定，在同一時(shí)刻只有一個(gè)主控器有效，可以通過“寫數(shù)據(jù)”與“讀數(shù)據(jù)”方式完成主設(shè)備與模塊之間的數(shù)據(jù)傳遞，因此可使用樹莓派通過讀取RAM指定地址來讀取溫度數(shù)據(jù)。從MLX90614讀取的數(shù)據(jù)為16位，由高8位和低8位組成，范圍從0x27AD到0x7FFF，即-70 ℃到382.19 ℃，溫度數(shù)據(jù)To的計(jì)算方式為：To=高8位<<8|低8位。

若要得到攝氏溫度，首先將溫度數(shù)據(jù)To轉(zhuǎn)化為十進(jìn)制，之后將得到的結(jié)果除以50，轉(zhuǎn)化為熱力學(xué)溫度，最后將得到的開爾文溫度減去273.15，得到攝氏溫度。

3.5 超聲波測距

超聲波測距基于超聲波渡越時(shí)間法[9]。設(shè)超聲波脈沖從傳感器發(fā)射又被傳感器接收的時(shí)間為t，超聲波在空氣中傳播的速度為v，則目標(biāo)物體到傳感器的距離x可由以下公式計(jì)算得出：

本文采用的HC-SR04超聲波測距模塊集成了CS100超聲波測距芯片，工作電壓范圍為3.3～5.5 V，可以提供2～600 cm的距離感應(yīng)，探測精度為0.1（1±1%）cm。HC-SR04的測量過程如圖9所示。首先，向Trig管腳輸入一個(gè)大于10 μs的高電平，之后，發(fā)射探頭循環(huán)發(fā)出8個(gè)40 kHz的脈沖，并由HC-SR04通過Echo管腳向樹莓派返回一個(gè)持續(xù)時(shí)間為脈沖信號往返時(shí)間的高電平。測量過程中，整個(gè)測量周期取決于測量距離，測距模塊在Echo管腳輸出高電平后，即可開始下一次測量。測量距離較長時(shí)，測量周期便相應(yīng)增長。具體實(shí)現(xiàn)步驟如下：

（1）使用函數(shù)gpio_setup_cdev創(chuàng)建字符設(shè)備;

（2）使用gpio_open配置輸入接口;

（3）使用函數(shù)gpio_read讀取測距模塊發(fā)出的距離數(shù)據(jù);

（4）加入循環(huán)使設(shè)備可以持續(xù)讀入距離數(shù)據(jù)。

本文將該模塊安裝在收納桶的頂端，通過垃圾與頂部之間的距離估算垃圾的承載量，數(shù)據(jù)將用于滿溢判斷與清掃的路徑規(guī)劃。

3.6 煙霧報(bào)警檢測

煙霧傳感器的原理：利用氣敏材料在空氣中電阻率的不同，將煙霧或可燃?xì)怏w的濃度轉(zhuǎn)化為電信號。

MQ-2煙霧氣敏傳感器的氣敏材料是在清潔空氣中電導(dǎo)率較低的二氧化錫，二氧化錫的電導(dǎo)率可以隨著可燃?xì)怏w和煙霧濃度的增大而增大。該傳感器具有TTL開關(guān)信號輸出和模擬電壓信號輸出兩種模式，為了得到較為準(zhǔn)確的氣體濃度信息，本文采用模擬信號輸出模式，利用其輸出電壓與濃度成正相關(guān)的特點(diǎn)，可以將模擬端（AO）輸出的信號輸入A/D轉(zhuǎn)換器，將模擬量轉(zhuǎn)換為與傳感器檢測濃度對應(yīng)的數(shù)字量，得到煙霧或可燃?xì)怏w濃度的精確值[10]。

3.7 手機(jī)客戶端

本文在基于Java環(huán)境下的擴(kuò)展平臺Eclipse制作設(shè)計(jì)了配套的手機(jī)APP[11]。APP通過TCP通信協(xié)議連接至系統(tǒng)的云服務(wù)器，實(shí)時(shí)接收服務(wù)器獲取的垃圾桶數(shù)據(jù)信息，有助于管理人員得到最新數(shù)據(jù)。APP與服務(wù)器的通信方式與上文中樹莓派與服務(wù)器的通信方式一致，但實(shí)現(xiàn)的語言不同。實(shí)現(xiàn)過程分為4個(gè)步驟：建立Socket對象，通過IP與端口連接;創(chuàng)建接收與收發(fā)的資源配置;建立監(jiān)聽循環(huán)機(jī)制;跳出循環(huán)關(guān)閉連接。

本文APP的地圖顯示與路徑規(guī)劃功能通過調(diào)用高德地圖URI API接口實(shí)現(xiàn)，具體實(shí)現(xiàn)方式如下：

（1）調(diào)用markers將街道垃圾桶位置添加入地圖;

（2）將垃圾桶位置與下傳數(shù)據(jù)捆綁，實(shí)現(xiàn)可視化與數(shù)據(jù)查看的功能結(jié)合;

（3）通過調(diào)取滿溢垃圾桶位置，將各滿溢或即將滿溢的垃圾桶串聯(lián)，設(shè)置起始位置和經(jīng)過位置，將mode設(shè)置為walk，將callnative的值設(shè)置為0，由此實(shí)現(xiàn)路徑可視化。

APP具體功能如下：

（1）點(diǎn)擊數(shù)據(jù)地圖上的垃圾桶圖標(biāo)，查看垃圾桶的各項(xiàng)數(shù)據(jù);

（2）出現(xiàn)火情時(shí)，手機(jī)APP報(bào)警，通知相關(guān)人員及時(shí)處理;

（3）可以自動規(guī)劃最優(yōu)清潔路徑，既減輕了清潔人員的工作壓力，也可以讓急需清理的垃圾桶得到及時(shí)處理，提高工作效率。

4 實(shí)驗(yàn)結(jié)果

系統(tǒng)測試分為如下兩個(gè)方面：

（1）測試?yán)暗睦幚硇阅?，已在軟件部分進(jìn)行展示;

（2）測試軟件系統(tǒng)的能力，本文通過選取一定區(qū)域，用服務(wù)器模擬情景進(jìn)行測試。

垃圾桶數(shù)據(jù)地圖如圖10所示。改變服務(wù)器發(fā)送的相關(guān)參數(shù)，測試火情情況，手機(jī)客戶端的報(bào)警系統(tǒng)如圖11所示。垃圾桶清潔路徑規(guī)劃如圖12所示。

5 結(jié) 語

本文設(shè)計(jì)了一種基于NB-IoT的垃圾分類及處理系統(tǒng)，其上位機(jī)是手機(jī)APP客戶端，下位機(jī)由樹莓派及其搭載的紅外測溫傳感器、超聲波測距模塊、煙霧及可燃?xì)怏w傳感器以及電機(jī)和垃圾箱本體等組成。通過攝像頭采集圖像數(shù)據(jù)，圖像識別系統(tǒng)對垃圾進(jìn)行自主識別，將垃圾分類投放，通過溫度傳感器和煙霧傳感器上傳到處理器的數(shù)據(jù)判斷是否有火情發(fā)生，若溫度和煙霧濃度超過安全閾值則向手機(jī)APP發(fā)送火情警報(bào)。最后把垃圾桶裝載信息送入服務(wù)器，形成垃圾桶數(shù)據(jù)地圖，在手機(jī)客戶端查看，如果有火情發(fā)生，會在客戶端報(bào)警，通知相關(guān)人員及時(shí)處理。如果垃圾桶的裝載量達(dá)到設(shè)定閾值，便會規(guī)劃出清潔路徑，通知清潔工進(jìn)行處理。測試結(jié)果表明，此系統(tǒng)可以可靠地工作，相較于傳統(tǒng)垃圾桶，可以減輕普通居民生活壓力和清潔工的工作壓力，提高垃圾分類效率，高效地對垃圾進(jìn)行分類、處理，并能夠即時(shí)報(bào)警，在物聯(lián)網(wǎng)時(shí)代擁有出色的應(yīng)用前景。

參考文獻(xiàn)

[1]張文涯.基于嵌入式Linux的網(wǎng)絡(luò)視頻監(jiān)控系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].成都：西南交通大學(xué)，2009.

[2]何進(jìn)，謝松巍.基于Socket的TCP/IP網(wǎng)絡(luò)通信模式研究[J].計(jì)算機(jī)應(yīng)用研究，2001（8）：134-135.

[3]江衍煊，鄭振杰，游德智.單片機(jī)連接ULN2003驅(qū)動步進(jìn)電機(jī)的應(yīng)用[J].機(jī)電元件，2010，30（3）：28-31.

[4] Sadaqat ur Rehman，Shanshan Tu，Muhammad Waqas，et al. Unsupervised pre-trained filter learning approach for efficient convolution neural network [J]. Neurocomputing，2019.

[5] KRIZHEVSKY A，SUTSKEVER I，HINTON G. ImageNet Classification with Deep Convolutional Neural Networks [C]// NIPS. Curran Associates Inc. 2012.

[6] Kin Wah Edward Lin，B T Balamurali，Enyan Koh，et al. Singing voice separation using a deep convolutional neural network trained by ideal binary mask and cross entropy [J]. Neural computing and applications，2020，32（4）：1037-1050.

[7]李靜，裘祖榮，齊永利.MLX90601系列紅外測溫模塊的原理及應(yīng)用[J].國外電子元器件，2006（1）：47-50.

[8]崔健，魯志平.SMBus協(xié)議分析及其在雙MCU通信中的應(yīng)用[J].微計(jì)算機(jī)信息，2004（6）：99-100.

[9]李軍，申俊澤.超聲測距模塊HC-SR04的超聲波測距儀設(shè)計(jì)[J].單片機(jī)與嵌入式系統(tǒng)應(yīng)用，2011，11（10）：77-78.

[10]張群強(qiáng)，趙巧妮.基于MQ-2型傳感器火災(zāi)報(bào)警系統(tǒng)的設(shè)計(jì)[J].價(jià)值工程，2015，34（13）：96-98.

[11]謝恩澤華，劉向前，王小麗，等.利用手機(jī)APP制作平臺建設(shè)組織胚胎學(xué)移動學(xué)習(xí)課程的實(shí)踐與思考[J].中國組織化學(xué)與細(xì)胞化學(xué)雜志，2015，24（2）：193-194.