馬含章，王淼鑫，鐘拼揚，劉華，常若葵，董晉峰

（天津農(nóng)學(xué)院 工程技術(shù)學(xué)院，天津 300392）

隨著人們生活水平的提高，城市垃圾產(chǎn)生數(shù)量逐年增多，已經(jīng)成為全國大中城市一個重要的污染來源，實行垃圾分類刻不容緩。

目前我國已出現(xiàn)基于不同技術(shù)原理的垃圾分類設(shè)備，隨著技術(shù)的進(jìn)步，垃圾分類正向精細(xì)化的趨勢發(fā)展[1]。垃圾分類的基礎(chǔ)是垃圾種類的判別，傳統(tǒng)技術(shù)主要運用觸覺和重量等傳感器對垃圾進(jìn)行簡單分揀[2]，我國早期研發(fā)的智能垃圾分類設(shè)備大多要依靠復(fù)雜的機(jī)械結(jié)構(gòu)[3-4]，但存在適用范圍小、分類效率低的問題。2017 年后，隨著垃圾分類政策的提出，針對智能垃圾分類設(shè)備的研究也逐漸增多，市面上出現(xiàn)了成型的垃圾分類設(shè)備[5]。

應(yīng)用于垃圾種類判斷的圖像識別技術(shù)，在目前的計算機(jī)視覺技術(shù)領(lǐng)域處于相對成熟、應(yīng)用難度較低的層次。計算機(jī)視覺技術(shù)的高速發(fā)展使視覺識別技術(shù)在垃圾分類領(lǐng)域的市場占比日益提升。此外，圖像識別技術(shù)的門檻低、成本較小，能夠快速形成實用化的產(chǎn)品投放市場，因此，目前國內(nèi)外均已出現(xiàn)大量基于視覺識別的智能垃圾桶、垃圾分類軟件等[6-8]。采用視覺識別的垃圾分類裝置對垃圾的材質(zhì)、重量沒有限制，分類范圍可涵蓋全部垃圾種類，同時具有體積和重量小、分類速度快等優(yōu)點。視覺識別技術(shù)的不斷發(fā)展也使得垃圾識別的準(zhǔn)確性大大提升。因此，設(shè)計一款基于視覺識別的垃圾分類裝置，可大幅提高社會垃圾分類效率和準(zhǔn)確性。

1 視覺識別技術(shù)

1.1 視覺識別原理

視覺識別，即通過模型訓(xùn)練，找出同一類別的物體映射到二維空間中的特征像素點在數(shù)值和相對位置方面的規(guī)律，根據(jù)規(guī)律擬合出近似的函數(shù)，該函數(shù)即為該類物體的像素特征，并與其他類別物體的像素特征加以區(qū)分，最終實現(xiàn)區(qū)分不同種類物體的過程。捕捉和分析圖像的特征是視覺識別的核心工作內(nèi)容[9]。需要注意的是，訓(xùn)練模型需要大量基本數(shù)據(jù)，才能保證識別準(zhǔn)確度。

一般情況下，圖像處理的對象是從完整圖像中選擇的部分區(qū)域。這部分區(qū)域是圖像分析中被關(guān)注的重點區(qū)域，被稱為感興趣區(qū)域。提取感興趣區(qū)域的過程在圖像處理中被稱為圖像分割。主要的圖像分割方法有如下幾種：閾值分割方法、區(qū)域分割方法、邊緣分割方法和模糊集理論分割方法等。其中閾值分割法因為其實現(xiàn)簡單、計算量小、性能穩(wěn)定被廣泛使用[10]。提取感興趣區(qū)域可以減少處理時間，增加精度，為區(qū)域內(nèi)后續(xù)目標(biāo)的檢測和識別提供條件，提升系統(tǒng)的準(zhǔn)確率[11]。

1.2 模型訓(xùn)練

圖像采集過程是視覺識別的第一步。圖像采集包括創(chuàng)建數(shù)據(jù)集、確定采集數(shù)量及拍照采集等過程，圖像采集流程如圖1。

圖1 圖像采集流程

首先在OpenMV IDE 中創(chuàng)建數(shù)據(jù)集，用于存放各個種類的數(shù)據(jù)，并在已創(chuàng)建的數(shù)據(jù)集中添加種類。創(chuàng)建分類后連接OpenMV 并運行。此時IDE上的framebuffer 幀緩沖區(qū)可以看到OpenMV 的實時圖像。點擊拍照即可完成當(dāng)前圖像的采集，采集數(shù)量的多少直接影響后期識別結(jié)果的準(zhǔn)確程度。圖像采集如圖2。目前的數(shù)據(jù)顯示，每個采集的樣本數(shù)量應(yīng)在100 張以上，才能使準(zhǔn)確率保持在較高水平。

圖2 圖像采集

完成采集后得到四個不同種類垃圾的數(shù)據(jù)集。其中包括廚余垃圾14 類4 182 張照片，可回收垃圾2 類1 402 張照片，有害垃圾4 類1 200 張照片，其他垃圾3 類1 300 張照片，對于每一類的不同形態(tài)，均采集圖像約100 張。四個種類采集照片共約8 100 張。

數(shù)據(jù)采集完成后，即可進(jìn)行模型訓(xùn)練。模型訓(xùn)練可在 EDGE IMPLUSE 網(wǎng)站完成。EDGE IMPLUSE 是一個在線網(wǎng)站，可以為嵌入式產(chǎn)品快速生成嵌入式系統(tǒng)神經(jīng)網(wǎng)絡(luò)模型。

將圖片上傳至該網(wǎng)站，對圖片進(jìn)行DSP 預(yù)處理，根據(jù)種類特征會生成一個三維函數(shù)模型。圖中不同的點代表不同種類特征，相同的點越聚集，代表該種類特征越明顯；反之，如果不同的點混合在同一區(qū)域，這說明數(shù)據(jù)集前期的采集特征不夠明顯。圖3 為預(yù)處理函數(shù)模型，該模型具有明顯的聚集區(qū)域，是較為理想的訓(xùn)練模型。

圖3 預(yù)處理函數(shù)模型

預(yù)處理后選擇transfer learning，開始正式的模型訓(xùn)練。不同的訓(xùn)練次數(shù)對結(jié)果的準(zhǔn)確率有影響，訓(xùn)練次數(shù)與準(zhǔn)確率不完全成正比，次數(shù)過多會導(dǎo)致訓(xùn)練模型過擬合，準(zhǔn)確率下降。經(jīng)反復(fù)對比測試，訓(xùn)練次數(shù)在20 次左右為最優(yōu)。當(dāng)訓(xùn)練次數(shù)未達(dá)到設(shè)定值，但準(zhǔn)確率已經(jīng)足夠高時，會自動停止訓(xùn)練，防止過擬合。

模型訓(xùn)練結(jié)束后，即可下載對應(yīng)的OpenMV模型文件。圖4 為模型文件構(gòu)成。

圖4 模型文件

在下載的模型文件中，共有三個文件。其中.py文件為示例代碼，trained.tflite 文件是生成的模型，labels.txt 是模型各種類的標(biāo)簽。將這三個文件復(fù)制到OpenMV 內(nèi)置的Flash 中，打開OpenMV IDE即可運行程序。

2 硬件設(shè)計

2.1 總體方案

該系統(tǒng)包括識別模塊、控制模塊以及投放模塊。紅外傳感器為系統(tǒng)總開關(guān)，當(dāng)紅外傳感器檢測到有人投放垃圾時，識別模塊開始工作。先由攝像頭完成圖像信息采集，再將采集到的圖像與處理器中的模型進(jìn)行比對，生成識別結(jié)果（垃圾種類）并發(fā)送給控制模塊?？刂颇K根據(jù)收到的結(jié)果信息完成投放垃圾并復(fù)位。在識別和投放的過程中，紅外傳感器處于不工作狀態(tài)，直到投放模塊復(fù)位結(jié)束，傳感器恢復(fù)等待模式。系統(tǒng)結(jié)構(gòu)框圖如圖5 所示。

圖5 系統(tǒng)結(jié)構(gòu)圖

2.2 電路設(shè)計

硬件電路由Arduino MEGA2560 開發(fā)板、Openmv4 H7 plus 攝像頭、二自由度舵機(jī)云臺和HW-201 紅外傳感器構(gòu)成。所有元器件均與Arduino 板相連。圖6 為系統(tǒng)接線示意圖。

圖6 系統(tǒng)接線示意圖

OpenMV 與Arduino 串口通信至少需要3 根線：TXD，RXD，GND。TXD 是發(fā)送端，RXD 是接收端，GND 是地線。連線的時候，需要把OpenMV的RXD和TXD分別連到Arduino的TXD與RXD。脫機(jī)運行時，OpenMV 可通過Arduino 對其供電。

180 度舵機(jī)必需使用PWM 引腳進(jìn)行驅(qū)動。因此選擇Arduino MEGA2560 開發(fā)板的9、10 引腳分別控制上層、下層舵機(jī)。

紅外傳感器的輸出信號為數(shù)字信號，連接到開發(fā)板任一數(shù)字引腳即可。

2.3 裝置外觀

根據(jù)已確定的投放裝置，確定裝置主體部分可分為兩層，上層為垃圾識別區(qū)，用來安裝投放口和識別裝置；下層為垃圾分類區(qū)，存放投放裝置及不同類別的垃圾桶。使用SOILDWORKS 軟件搭建裝置模型如圖7 所示。

圖7 裝置模型

攝像頭位于頂部正中間，較為關(guān)鍵的是攝像頭與放置垃圾的托盤的距離應(yīng)與模型訓(xùn)練時的距離一致，才能確保識別結(jié)果不受影響。經(jīng)實際比對，確定攝像頭與垃圾投放處的最佳距離為17 cm，此高度下各尺寸的垃圾均可清晰識別。

存放不同種類的四個垃圾桶按“田”字形擺放，舵機(jī)通過旋轉(zhuǎn)、傾斜兩個動作完成全種類垃圾投放。在上層舵機(jī)的U 形支架上粘貼一個圓形白色托盤作為垃圾投放點。

3 系統(tǒng)軟件設(shè)計

3.1 OpenMV 識別程序

識別程序是整個系統(tǒng)的核心部分，識別的準(zhǔn)確程度也決定了系統(tǒng)的性能。圖8 為視覺識別程序工作流程。

圖8 識別程序工作流程圖

在程序初始化部分，導(dǎo)入程序需要用的庫，定義圖片的像素格式、大小等參數(shù)。定義名為start（）的識別函數(shù)，將采集到的圖像與模型比對，取概率最高的種類的標(biāo)簽，串口輸出給Arduino。為保證準(zhǔn)確率，識別對象屬于某一種類的概率大于0.8 時，方可打印結(jié)果。當(dāng)概率低于0.8 時，重新比對，直到概率高于0.8 為止。

3.2 Arduino 控制程序

Arduino 作為系統(tǒng)的控制中心，需要接收紅外傳感器的高低電平并控制舵機(jī)工作。

紅外傳感器觸發(fā)是軟件系統(tǒng)的第一個環(huán)節(jié)。紅外信息觸發(fā)后，識別投放環(huán)節(jié)才依次進(jìn)行。HW-201 紅外傳感器當(dāng)前方有物體遮擋時，輸出低電平，沒有物體遮擋時，輸出高電平。圖9 為此環(huán)節(jié)的工作流程。

圖9 紅外傳感器觸發(fā)檢測工作流程

在初始化部分設(shè)置引腳和傳感器運行電平。

定義有返回值的digitalSwitch（）函數(shù)，當(dāng)串口接收到高電平，即紅外信號沒有被遮擋時，函數(shù)返回值為0；當(dāng)串口接收到低電平即紅外信號被遮擋時，間隔1 秒再次檢測。若仍為低電平，則函數(shù)返回值為1，反之為0。延時設(shè)計可以有效避免誤觸。

舵機(jī)控制主要包含下層舵機(jī)旋轉(zhuǎn)、上層舵機(jī)傾斜、上層舵機(jī)復(fù)位、下層舵機(jī)復(fù)位四個部分。上下層舵機(jī)的旋轉(zhuǎn)角度由OpenMV 發(fā)送的結(jié)果決定。圖10 為舵機(jī)控制程序的工作流程。

圖10 舵機(jī)控制程序流程圖

在初始化部分調(diào)用舵機(jī)的庫函數(shù)，設(shè)置舵機(jī)信號引腳，其中上層舵機(jī)為pin9，下層舵機(jī)為pin10。設(shè)置舵機(jī)初始角度，上層舵機(jī)90 度，下層舵機(jī)30 度。在setup（）函數(shù)中，定義舵機(jī)的脈沖寬度，并初始化舵機(jī)。

完成初始化后，定義舵機(jī)四個動作的子函數(shù)，統(tǒng)一放入void runSteer（）函數(shù)中。baseAngle 和upperAngle 兩個局部變量即為上下層舵機(jī)的目標(biāo)角度，其數(shù)值由垃圾種類決定。四個子函數(shù)的設(shè)計思路為比較目標(biāo)角度與舵機(jī)初始化角度。在投放過程中，當(dāng)目標(biāo)角度大于初始化角度時，舵機(jī)正轉(zhuǎn)，當(dāng)目標(biāo)角度小于初始化角度時，舵機(jī)反轉(zhuǎn)。在復(fù)位過程中，與上述過程相反。接收到OpenMV發(fā)送的種類后，在loop（）函數(shù)中調(diào)用void runSteer（）函數(shù)，并給baseAngle 和upperAngle 兩個變量賦值，即規(guī)定舵機(jī)的旋轉(zhuǎn)角度。相比于在loop（）函數(shù)中定義舵機(jī)的投放函數(shù)，將投放動作定義為子函數(shù)，并在loop（）函數(shù)中調(diào)用。

3.3 OpenMV 與Arduino 通信

OpenMV 與Arduino 通信屬于兩個模塊的交互，涉及Arduino 發(fā)送開始信號、OpenMV 接收開始信號、OpenMV 發(fā)送識別結(jié)果、Arduino 接收識別結(jié)果等過程。必須保證二者在相同信息上設(shè)定的字符一致。圖11 為通信部分的軟件工作流程。

圖11 通信流程

在初始化部分，首先設(shè)定串口引腳，Arduino的RX、TX 引腳分別對應(yīng)OpenMV 的TX、RX 引腳。兩者波特率應(yīng)保持一致。

在設(shè)定OpenMV 的TX、RX 引腳時應(yīng)注意，OpenMV4 H7 plus 的UART 總線的物理引腳設(shè)定為：

UART（1）：（TX，RX）＝（P1，PO）

UART（3）：（TX，RX）＝（P4，P5）

初始化完成后，Arduino 作為控制中心，等待紅外傳感器輸出高電平，紅外傳感器輸出高電平后，給OpenMV 發(fā)送開始字符“1”。在發(fā)送前、后都必須clear 串口，以避免串口存在異常數(shù)據(jù)導(dǎo)致系統(tǒng)混亂。在OpenMV 上同樣設(shè)定字符“1”，當(dāng)串口接收到Arduino 發(fā)送該字符后，調(diào)用設(shè)定好的識別程序，并將結(jié)果發(fā)送給Arduino。

Arduino 接收OpenMV 發(fā)送的識別結(jié)果。在串口打印出等待狀態(tài)或接收到的識別結(jié)果，可實時判斷系統(tǒng)是否正常工作，方便調(diào)試。應(yīng)注意的是，要確保OpenMV和Arduino上設(shè)定的垃圾桶編號一致。

4 測試

在軟、硬件系統(tǒng)完成后，對整個系統(tǒng)進(jìn)行脫機(jī)運行測試。本系統(tǒng)目前可以識別的垃圾種類有：

廚余垃圾：完整或切割過的香蕉、蘋果、橘子、番茄、土豆、蘿卜、青椒；可回收垃圾：易拉罐、小號礦泉水瓶；有害垃圾：紐扣電池、2號電池、5 號電池、7 號電池；其他垃圾：小磚塊、瓷器碎片、煙頭。

取每種垃圾的各種不同形態(tài)樣本各2～3 種進(jìn)行準(zhǔn)確率測試。其中廚余垃圾取各類的完整形態(tài)和切割成不同大小形態(tài)為樣本集；可回收垃圾、有害垃圾取各類的不同品牌為樣本集；其他垃圾取各類不同形態(tài)為樣本集。每個樣本進(jìn)行3 次測試。

經(jīng)過多次試驗得出，可回收垃圾和有害垃圾的識別準(zhǔn)確率較高，可達(dá)到90%以上；廚余垃圾和其他垃圾的準(zhǔn)確率則較低，約為70%。整體準(zhǔn)確率約為78%。在所有分類錯誤的案例中，將廚余垃圾歸類為其他垃圾，和將其他垃圾歸類為廚余垃圾是兩種最常見的情況。也有少量有害垃圾被識別為其他垃圾。具體統(tǒng)計數(shù)據(jù)見表1。

表1 測試數(shù)據(jù)統(tǒng)計表 %

導(dǎo)致以上結(jié)果的原因在于易拉罐、礦泉水瓶和電池的特征較為明顯，不易與其他種類的垃圾混淆；而其他垃圾中的小磚塊、瓷器碎片等，與切割過的廚余垃圾的形態(tài)、顏色相似度較高，使系統(tǒng)產(chǎn)生了錯誤判斷。

5 總結(jié)

本文基于目前的社會垃圾分類設(shè)施需求和相關(guān)方面的研究現(xiàn)狀，設(shè)計了一款使用視覺識別技術(shù)的智能垃圾分類設(shè)備。該系統(tǒng)針對生活垃圾進(jìn)行了有效分類，經(jīng)測試，可回收垃圾和有害垃圾識別準(zhǔn)確率可高達(dá)90%以上，設(shè)計方案可行。同時視覺識別技術(shù)目前已相對成熟且廣泛商業(yè)化，采用視覺識別技術(shù)作為垃圾種類識別依據(jù)，有著低成本、高效率的優(yōu)勢。