王梁 韋春明 陳俊潔

（1.梧州學院電子與信息工程學院，廣西 梧州 543000；2.廣西機器視覺與智能控制重點實驗室，廣西 梧州 543000）

0 引言

在垃圾總量日益增多的背景下，如何能更好地減少垃圾造成的污染，提高固體廢物的利用率是亟待解決的問題。發(fā)展環(huán)保能源、對垃圾進行分類是經(jīng)常被提及的垃圾處理方法［1］。而在所有垃圾處理方法中，垃圾分類是能有效解決“垃圾圍城”以及提高資源利用率、實現(xiàn)可持續(xù)發(fā)展的方法之一。

目前，我國垃圾分類常用的方法有2 種，一是把垃圾分為可回收垃圾、不可回收垃圾以及有害垃圾3 類，并用不同顏色的垃圾桶對垃圾進行分類；二是由人工對混雜垃圾進行分揀。但這2 種方法的分揀效率低，且需要大量的人工，且采用第一種方法分類后的垃圾依然比較混雜。

為了提高資源的利用率，減少人工分揀的工作量，本研究以STM32 單片機為基礎(chǔ)，利用OpenMV對目標物體進行實時識別，設(shè)計出一款基于OpenMV 的垃圾分類小車系統(tǒng)，從而實現(xiàn)對垃圾的識別分類。

1 小車系統(tǒng)硬件設(shè)計

1.1 小車整體設(shè)計方案

本研究設(shè)計的小車系統(tǒng)是由STM32主控模塊、2個霍爾編碼器電機、MPU605傳感器、降壓模塊、電機驅(qū)動模塊、電池電壓檢測、藍牙模塊、OLED顯示屏以及12 V鋰電池等元件組成（見圖1 和圖2）。該小車系統(tǒng)主要通過串口與小車進行通信，將小車識別到的垃圾的坐標信息通過串口通信上傳到電腦上。

圖1 系統(tǒng)框架圖

圖2 小車模型圖

1.2 小車主控芯片

該小車系統(tǒng)以STM32F103C8T 芯片為模塊控制核心，STM32103FC8T 的工作頻率可達72 MHz，具有ARM32 位內(nèi)核架構(gòu)，方便系統(tǒng)存儲各種程序和數(shù)據(jù)［2-3］。通過制作單片機的最小系統(tǒng)（見圖3）來實現(xiàn)控制［4］，該模塊對其他模塊傳輸過來的數(shù)據(jù)進行整合，并對其進行處理，從而對其他模塊進行調(diào)控與控制，執(zhí)行其他模塊發(fā)出的指令，從而實現(xiàn)小車的功能。

圖3 系統(tǒng)單片機最小系統(tǒng)

1.3 小車姿態(tài)檢測

對二輪平衡小車進行姿態(tài)檢測是小車實現(xiàn)平衡的重要條件。采用MPU6050 六軸姿態(tài)傳感器來采集小車的姿態(tài)信息［5-6］，數(shù)字運動處理器（DMP）用于獲取傳感器信息，ADC會將采集到的姿態(tài)模擬信息轉(zhuǎn)化為數(shù)字量，最后讀取相應的寄存器。運用PID算法計算出相應的PWM波，并通過負反饋來驅(qū)動電機轉(zhuǎn)動，從而實現(xiàn)小車平衡［7］。

1.4 小車電機驅(qū)動

本研究選擇TB6612FNG 芯片來驅(qū)動電機［8］，該芯片擁有2 個通道的電路，且集成度高、驅(qū)動能力強［9］，可同時控制2個電機對小車進行調(diào)試和轉(zhuǎn)換，從而實現(xiàn)小車的直行或轉(zhuǎn)彎功能。通過降壓模塊電路來提供電機驅(qū)動所要的12 V 電壓，使用LM2596 降壓芯片和主控板降壓芯片把5 V 電壓降為直流3.3 V電壓，供給芯片使用。

1.5 小車攝像頭設(shè)計

小車系統(tǒng)是通過OpenMV4 H 7 plus的OV5640的攝像頭模組（見圖4）和WiFi擴展板（見圖5）來對垃圾進行識別。攝像頭模組處理器為STM32H743Ⅱ，其主頻率為480 MHz，通過python 語言編寫程序來實現(xiàn)圖像識別和目標跟蹤。本研究通過對OpenMV 攝像頭采集到的數(shù)據(jù)集進行在線訓練，從而實現(xiàn)對垃圾圖像的識別［10］。

圖4 OpenMV攝像頭模組

圖5 WiFi擴展板

2 小車軟件系統(tǒng)設(shè)計

2.1 圖像處理

OpenMV 模塊的圖像識別使用的是SSD 框架，采用基于前饋神經(jīng)網(wǎng)絡的one-stage 物體檢測算法［11-12］。在圖像識別系統(tǒng)中，將垃圾分為可回收、不可回收、有害3 大類。對分類后的每種垃圾實物拍取50～100 張圖片，并從網(wǎng)上尋找一些素材，從而構(gòu)成3 大垃圾分類數(shù)據(jù)集（見表1），并對采集到的圖像進行訓練，從而生成神經(jīng)網(wǎng)絡模型。

表1 神經(jīng)網(wǎng)絡訓練數(shù)據(jù)集圖片組合類別

2.2 目標特征跟蹤

用OpenMV對目標物體進行跟蹤［13-15］，OpenMV基于神經(jīng)網(wǎng)絡框架的目標跟蹤框架圖見圖6。利用卷積神經(jīng)網(wǎng)絡來搭建跟蹤框架，對圖像中的物體目標進行實時預測與追蹤，OpenMV 攝像頭可獲取每幀圖像的特征，對圖像的顏色、紋理、形狀大小等特征點進行神經(jīng)網(wǎng)絡訓練，將訓練好的數(shù)據(jù)模型和原圖進行對照，對垃圾進行分類，并通過串口將坐標數(shù)據(jù)傳輸?shù)絾纹瑱C，單片機在接收到坐標數(shù)據(jù)后，會驅(qū)使小車走到目標物體所在的位置。

圖6 目標跟蹤框架圖

3 小車系統(tǒng)測試數(shù)據(jù)分析

垃圾識別系統(tǒng)的精度可用3 個指標進行評價，即垃圾識別系統(tǒng)訓練集精確率（TR）、垃圾識別系統(tǒng)測試集精確率（TA）、選取的相對誤差數(shù)目（N）。垃圾圖像識別系統(tǒng)的相對誤差和平均相對誤差的計算方式見式（1）、式（2）。

式中：RS為垃圾圖像識別系統(tǒng)的相對誤差；SRE為系統(tǒng)的平均相對誤差。

用式（1）和式（2）中的RS和SER來評估圖像識別模型訓練結(jié)果的準確率。其中，SER越低，系統(tǒng)的準確率就越高?；谏窠?jīng)網(wǎng)絡的小車垃圾識別系統(tǒng)訓練效果見圖7。3 類垃圾的識別準確率分別為0.96、0.97、0.95。

圖7 模型訓練效果數(shù)據(jù)

測試集效果數(shù)據(jù)如圖8 所示。其中，隨機抽取訓練集中20%的圖片組成測試集進行測試。3 類垃圾的識別準確率均較高，誤判率較低。

圖8 測試集效果數(shù)據(jù)

從中抽取9 樣物品對訓練好的模型進行測試，部分類別平均精度見表2，神經(jīng)網(wǎng)絡模型損失函數(shù)曲線見圖9。在移動過程中，攝像頭會出現(xiàn)一定誤差，且訓練集選取的圖片背景較為混雜，會導致訓練出來的神經(jīng)網(wǎng)絡跟實際識別出的平均精確度存在一定的誤差。

圖9 神經(jīng)網(wǎng)絡模型損失函數(shù)

由表2 可知，可回收垃圾的RS為-2%～10%、SER在-6.25%左右；不可回收垃圾的RS為-0.1%～14%、SER在7.2%左右；有害垃圾的RS為0.6%～5%、SER在3.1%左右；整個系統(tǒng)的SER在5.5%左右。

表2 部分類別平均精度

4 結(jié)語

本研究以分類好的單一垃圾為研究對象，以O(shè)penMV 為圖像識別模塊、SSD 為神經(jīng)網(wǎng)絡框架，設(shè)計出一款基于OpenMV 圖像識別的垃圾分類小車系統(tǒng)，從而解決垃圾分類準確率低的問題，可有效提高分類后垃圾的資源利用率。

本研究通過設(shè)計一個以STM32 為主控芯片的可接收坐標的自動循跡二輪小車，當OpenMV識別到垃圾后，會將垃圾的坐標傳遞給小車，并通過STM32 驅(qū)使小車到達垃圾所在的位置。用以SSD 框架為主的神經(jīng)網(wǎng)絡模型對500 張不同種類的垃圾圖像進行訓練，可將其分為有害垃圾、可回收垃圾以及不可回收垃圾。并采用200 張垃圾圖像進行檢測，試驗結(jié)果表明，訓練好的垃圾圖像識別系統(tǒng)的平均精度為89%～98%，SER在10%以內(nèi)。

該系統(tǒng)在有害垃圾類別中雖然存在一定的誤差，但其神經(jīng)網(wǎng)絡模型還有很大的提升空間，且該設(shè)計可提高垃圾二次分類后的資源利用率，具有一定的實用性。