劉晏銘 叢子健 王 通 黃子悅

（長(zhǎng)春大學(xué)機(jī)械與車輛工程學(xué)院，吉林長(zhǎng)春 130000）

隨著城市發(fā)展，垃圾回收和再處理成為現(xiàn)代城市需要提供的基本服務(wù)。國(guó)內(nèi)垃圾分類方式主要包括人工分揀和大型垃圾場(chǎng)分類，大型垃圾場(chǎng)的垃圾分類措施依然采取大量人工進(jìn)行分揀。張河等[1]設(shè)計(jì)基于51單片機(jī)的智能垃圾桶系統(tǒng)，具有自動(dòng)檢測(cè)開(kāi)蓋以及超重預(yù)警功能。許韓睿等[2]設(shè)計(jì)基于STM32的智能垃圾桶系統(tǒng)，具有可旋轉(zhuǎn)開(kāi)蓋、防火報(bào)警和顯示垃圾余量等功能。隨著深度學(xué)習(xí)技術(shù)在視覺(jué)領(lǐng)域的應(yīng)用和發(fā)展，利用最新的人工智能技術(shù)實(shí)現(xiàn)垃圾分類成為可能，利用攝像頭拍攝垃圾圖片，檢測(cè)垃圾類別，使機(jī)器實(shí)現(xiàn)自動(dòng)垃圾分揀，極大地提高垃圾分揀效率。卷積神經(jīng)網(wǎng)絡(luò)的提出增加了分類的效率。Butt等[3]采用VGG19網(wǎng)絡(luò)模型對(duì)視頻圖像進(jìn)行監(jiān)控。文章提出基于VGG16網(wǎng)絡(luò)模型，采用樹(shù)莓派4B和STM32單片機(jī)設(shè)計(jì)垃圾分類系統(tǒng)。

1 主體設(shè)計(jì)

1.1 結(jié)構(gòu)設(shè)計(jì)

裝置主體上層為控制部分電路盒，中層為垃圾分類機(jī)械結(jié)構(gòu)，下層為4個(gè)獨(dú)立的垃圾桶。采用SOILDWORKS軟件對(duì)分類裝置進(jìn)行建模，垃圾桶高850 mm，長(zhǎng)、寬各450 mm。電路盒放置系統(tǒng)需要的電子硬件和連接的杜邦線，盒子上方放置7寸的高亮顯示屏；垃圾分類機(jī)械結(jié)構(gòu)包括兩個(gè)軸承、兩個(gè)舵機(jī)，軸承保證二自由度的機(jī)械結(jié)構(gòu)進(jìn)行垃圾分類時(shí)減少摩擦；4個(gè)獨(dú)立的垃圾桶長(zhǎng)寬各200 mm，高500 mm，分別放置廚余垃圾、可回收垃圾、有害垃圾、其他垃圾。裝置上方為20 cm×20 cm的垃圾投放口，垃圾通過(guò)投放口投放至裝置內(nèi)。

垃圾桶結(jié)構(gòu)建模如圖1所示。

圖1 垃圾桶結(jié)構(gòu)建模

整體框架使用鋁材制作，電路盒和分類機(jī)構(gòu)使用3D打印機(jī)器加工，垃圾桶使用亞克力板制作。

1.2 控制電路

（1）控制電路設(shè)計(jì)。本裝置選擇樹(shù)莓派4B作為上位機(jī)，選擇32系列單片機(jī)作為下位機(jī)。上位機(jī)與下位機(jī)進(jìn)行信息傳遞，連接光電傳感器1、攝像頭和LED燈。光電傳感器1連接樹(shù)莓派的GPIO18口，末端固定在分類機(jī)構(gòu)的分類槽中。垃圾投放至分類槽時(shí)，光電傳感器的光線被阻擋，反饋上位機(jī)信號(hào)；上位機(jī)接收到信號(hào)，運(yùn)行相應(yīng)程序并發(fā)送對(duì)應(yīng)指令給下位機(jī)。下位機(jī)接收到上位機(jī)的指令，通過(guò)PWM控制電機(jī)旋轉(zhuǎn)角度，完成對(duì)應(yīng)的動(dòng)作，將垃圾投放至相應(yīng)的垃圾桶內(nèi)，完成分類。桶內(nèi)垃圾超過(guò)容積的80%時(shí)，光電傳感器會(huì)給下位機(jī)反饋，下位機(jī)控制無(wú)源蜂鳴器報(bào)警。

硬件電路連接如圖2所示。

圖2 硬件電路連接

（2）程序設(shè)計(jì)。

程序設(shè)計(jì)流程如圖3所示。

圖3 程序設(shè)計(jì)流程

2 算法設(shè)計(jì)

2.1 數(shù)據(jù)集

數(shù)據(jù)集包括訓(xùn)練集和測(cè)試集，約50%數(shù)據(jù)來(lái)自公共數(shù)據(jù)集，采集不同狀態(tài)下的垃圾，保證整體的泛化性，其余50%為課題組拍攝的圖片（3 854張）。為了增加樣本的多樣性，降低訓(xùn)練過(guò)程中的過(guò)擬合，需要增加樣本量，對(duì)每一個(gè)樣本進(jìn)行水平豎直翻轉(zhuǎn)，將驗(yàn)證集的圖像尺寸調(diào)整為150×150像素。擴(kuò)充樣本后，數(shù)據(jù)集圖片共8 800張，按照7∶3的比例隨機(jī)分割為訓(xùn)練集、檢驗(yàn)集。其中，6 160張作為訓(xùn)練集，2 640張作為驗(yàn)證集。每批訓(xùn)練圖片數(shù)量為24，迭代次數(shù)為20次。課題組圖像像素為640×480，為3通道RGB圖像。

數(shù)據(jù)集分類如表1所示。

表1 數(shù)據(jù)集分類

2.2 垃圾分類算法設(shè)計(jì)

本設(shè)計(jì)以卷積神經(jīng)網(wǎng)絡(luò)VGG16為特征提取網(wǎng)絡(luò)。VGG16的結(jié)構(gòu)簡(jiǎn)潔，網(wǎng)絡(luò)使用相同尺寸的卷積核（3×3）和最大池化尺寸（2×2）；通過(guò)加深網(wǎng)絡(luò)結(jié)構(gòu)提升網(wǎng)絡(luò)性能；多個(gè)小濾波器（3×3）卷積層的組合效果比1個(gè)大濾波器（5×5或7×7）卷積層好；在網(wǎng)絡(luò)測(cè)試階段將訓(xùn)練階段的3個(gè)全連接替換為3個(gè)卷積，使測(cè)試得到的全卷積網(wǎng)絡(luò)無(wú)全連接的限制，可以接收任意寬或高的輸入。為了增加網(wǎng)絡(luò)的泛化能力，對(duì)VGG16網(wǎng)絡(luò)進(jìn)行優(yōu)化。在原有數(shù)據(jù)的基礎(chǔ)上，擴(kuò)充不同的垃圾圖片共3 000張；在原有VGG16網(wǎng)絡(luò)基礎(chǔ)上，添加歸一化處理，進(jìn)一步提高網(wǎng)絡(luò)的泛化能力；添加全連接層和dropout處理。

3 試驗(yàn)結(jié)果

3.1 試驗(yàn)環(huán)境和特征提取模型的準(zhǔn)確性驗(yàn)證

試驗(yàn)平臺(tái)電腦配置：i5-8300H CPU，8G RAM，64位window 10操作系統(tǒng)，GPU為NVIDIA GeForce GTX 1050 Ti。為了評(píng)估垃圾種類識(shí)別特征提取模型的性能，采取對(duì)比試驗(yàn)。利用自定的訓(xùn)練集進(jìn)行驗(yàn)證，將優(yōu)化VGG16模型與VGG16和AlexNet模型進(jìn)行對(duì)比，進(jìn)行20次迭代訓(xùn)練。

模型迭代準(zhǔn)確率與損失率如圖4、圖5所示。

圖4 模型迭代準(zhǔn)確率

圖5 模型迭代損失率

由圖4、圖5可知，優(yōu)化VGG16的識(shí)別準(zhǔn)確率比VGG16和AlexNet高，損失值較低。將5次訓(xùn)練的準(zhǔn)確率和損失值分為5組，取平均值。

分析不同方法5次訓(xùn)練的準(zhǔn)確率，優(yōu)化VGG16的識(shí)別效果優(yōu)于其他兩個(gè)模型，準(zhǔn)確率最高為0.98；分析損失率，AlexNet模型訓(xùn)練損失率最高，最高為0.204，最低為0.186，優(yōu)化VGG16的模型損失率整體最低，最低為0.019，平均約0.05。訓(xùn)練后的VGG16模型準(zhǔn)確率維持在0.96以上，損失值低至0.05，精度能夠達(dá)到垃圾識(shí)別分類的要求。

不同方法的準(zhǔn)確率如表2所示。

表2 不同方法的準(zhǔn)確率 單位：%

3.2 模型的移植與測(cè)試

在完成模型的選擇與優(yōu)化，將模型移植到樹(shù)莓派中，進(jìn)行系統(tǒng)的實(shí)物搭建，在實(shí)際環(huán)境中對(duì)系統(tǒng)的分類功能和識(shí)別速度進(jìn)行測(cè)試，共測(cè)試100次。

實(shí)際測(cè)試結(jié)果如表3所示。

表3 實(shí)際測(cè)試結(jié)果

由表3可知，系統(tǒng)能夠很好地識(shí)別對(duì)應(yīng)的垃圾種類；對(duì)驅(qū)動(dòng)裝置進(jìn)行測(cè)試，舵機(jī)能夠準(zhǔn)確地執(zhí)行分類動(dòng)作，實(shí)現(xiàn)垃圾的正確分類。整體運(yùn)行結(jié)果顯示，模型能夠通過(guò)攝像頭傳輸?shù)膱D片準(zhǔn)確識(shí)別垃圾種類，機(jī)械結(jié)構(gòu)能夠正確地將對(duì)應(yīng)垃圾分類到對(duì)應(yīng)的垃圾箱內(nèi)。測(cè)試的4種垃圾都能夠精確識(shí)別，準(zhǔn)確可靠。

測(cè)試識(shí)別時(shí)間如圖7所示。

圖7 測(cè)試識(shí)別時(shí)間

由圖7可知，系統(tǒng)穩(wěn)定運(yùn)行，完成1次垃圾分類識(shí)別時(shí)間約0.95 s，模型在實(shí)際系統(tǒng)中具有良好的識(shí)別速度。

4 結(jié)語(yǔ)

本研究提出依據(jù)優(yōu)化VGG16網(wǎng)絡(luò)模型與遷移學(xué)習(xí)結(jié)合的垃圾分類系統(tǒng)方法，通過(guò)識(shí)別垃圾圖像對(duì)投擲的垃圾進(jìn)行分類并投放到對(duì)應(yīng)的垃圾桶。分類系統(tǒng)完成1次分類回收的時(shí)間為0.95 s，平均識(shí)別精度超過(guò)95%。研究發(fā)現(xiàn)，一些深層次問(wèn)題仍需解決，應(yīng)改進(jìn)算法以提高對(duì)小型垃圾的識(shí)別精度；研發(fā)多倉(cāng)或其他垃圾收集工具，以滿足多類別的需求。