吳先文，葉幸福，陳祖星，李和霖

（六盤水師范學(xué)院 物理與電氣工程學(xué)院，貴州六盤水，553000）

0 引言

近些年來，伴隨著經(jīng)濟(jì)、社會的發(fā)展，以及人們的物質(zhì)消費(fèi)水平的不斷提升，垃圾的產(chǎn)生數(shù)量也在不斷地增加，這既是一種資源的浪費(fèi)，也是一種對環(huán)境的潛在威脅，它已經(jīng)成為制約經(jīng)濟(jì)社會持續(xù)健康發(fā)展的一個(gè)重要因素。然而，傳統(tǒng)的垃圾分類方法需要大量的人力和時(shí)間成本，難以滿足大規(guī)模的分類需求，如何高效進(jìn)行垃圾分類和回收，成為人們迫切需要解決的問題之一[1]。對此，本文設(shè)計(jì)一款利用機(jī)器視覺和智能算法技術(shù)實(shí)現(xiàn)對垃圾的自動分類識別的垃圾桶，其具有提高垃圾分類效率、降低人工成本，并使垃圾分類更加高效和智能化。

1 系統(tǒng)總體設(shè)計(jì)

該系統(tǒng)以STM32F103 單片機(jī)作為主控核心，負(fù)責(zé)接收OpenMV 攝像頭模塊識別結(jié)果信號、顯示垃圾種類及驅(qū)動MG90S 舵機(jī)；OpenMV 攝像頭模塊處理對投放的垃圾進(jìn)行識別，得到的識別結(jié)果發(fā)送至STM32F103 單片機(jī)；MG90S舵機(jī)收到STM32F103 單片機(jī)的信號后，通過旋轉(zhuǎn)設(shè)定好的角度而控制擋板朝向，實(shí)現(xiàn)自動分揀的功能；LCD 顯示屏則顯示分類結(jié)果以及滿載等信息，系統(tǒng)設(shè)計(jì)框圖如圖1 所示。

圖1 系統(tǒng)設(shè)計(jì)框圖

1.1 攝像頭模塊

攝像頭模塊本文選用OpenMV4 H7 PLUS，它是一款低成本，功能強(qiáng)大的機(jī)器視覺模塊。以STM32H743IICPU 為核心，主頻為480MHz，內(nèi)存為1M，運(yùn)行速度快、功耗低。它搭載了OV5640 攝像頭芯片，在QVGA(320×240)及以下分辨率時(shí)大多數(shù)簡單算法都可以運(yùn)行30FPS。在小巧的硬件模塊上，用C 語言高效地實(shí)現(xiàn)了核心機(jī)器視覺算法，提供Python 編程接口[2]。通過Python 對OpenMV 進(jìn)行控制，可以比較方便地通過外部終端來觸發(fā)拍攝或執(zhí)行算法，還可以利用算法的結(jié)果來控制IO 管腳。

1.2 MG90S 舵機(jī)

MG90S 舵機(jī)是一種位置（角度）伺服的驅(qū)動器，適用于那些需要角度不斷變化并可以保持的控制系統(tǒng)。而在本系統(tǒng)中使用了三個(gè)MG90S 舵機(jī)作為分類垃圾桶的桶蓋轉(zhuǎn)軸和擋板的轉(zhuǎn)軸。1、2 號舵機(jī)將擋板旋至對應(yīng)垃圾桶入口上方，3 號舵機(jī)打開桶蓋，將識別完成垃圾投入桶內(nèi)，完成自動投放垃圾的過程。

1.3 LCD 顯示屏

顯示部分使用3.5 英寸TFT 電容式屏幕，可實(shí)現(xiàn)宣傳教育視頻及圖片的自動播放。其顯示內(nèi)容有垃圾總量、分類結(jié)果、垃圾桶是否裝滿的提示。

2 機(jī)械結(jié)構(gòu)設(shè)計(jì)

垃圾桶整體呈正方形為底部向上延伸的長方體封閉式結(jié)構(gòu)。主要由七部分組成，即攝像頭及主控、1 號舵機(jī)、桶蓋及識別區(qū)、分揀擋板、2 號舵機(jī)、3 號舵機(jī)和垃圾桶分區(qū)隔板等。攝像頭及主控放置（主控集成LCD 顯示屏）桶蓋及識別區(qū)正上方，而桶蓋邊緣連接由1 號舵機(jī)控制的轉(zhuǎn)軸。垃圾桶被分區(qū)隔板平均分成四個(gè)區(qū)域，可裝四個(gè)種類的垃圾，分區(qū)隔板交叉點(diǎn)上設(shè)置一個(gè)平臺，用以放置于水平面呈45°角的分揀擋板和兩個(gè)舵機(jī)，其中擋板由2 號和3 號舵機(jī)控制旋轉(zhuǎn)至設(shè)定的角度。當(dāng)在識別區(qū)投入垃圾后，OpenMV攝像頭模塊會自動拍攝并分析垃圾的種類，STM32 主控則根據(jù)分類的結(jié)果驅(qū)動2 和3 號舵機(jī)，將分揀擋板旋轉(zhuǎn)至對應(yīng)的分區(qū)上方，1 號舵機(jī)再翻轉(zhuǎn)，使得識別完成的垃圾自由落體，經(jīng)過分揀擋板滑至對應(yīng)分區(qū)內(nèi)，從而完成自動分揀工作，垃圾桶的模型示意圖如圖2 所示。

圖2 垃圾桶模型示意圖

3 圖像處理模型設(shè)計(jì)

3.1 圖像數(shù)據(jù)集的建立

數(shù)據(jù)集的建立使用OpenMV IDE 工具欄中的數(shù)據(jù)集編輯器配合OpenMV 攝像頭采集的垃圾圖像數(shù)據(jù)，作為分類的數(shù)據(jù)集，而不使用網(wǎng)絡(luò)上現(xiàn)成的數(shù)據(jù)集，是為了得到符合實(shí)際情況，更好地模擬現(xiàn)實(shí)。通過OpenMV 多角度拍攝得到的2932 張數(shù)據(jù)集，包含不可回收垃圾、廚余垃圾、可回收垃圾、有害垃圾等四大種類，部分垃圾樣本示例如圖3所示。

圖3 部分垃圾樣本示例圖

將數(shù)據(jù)集上傳，隨機(jī)抽取79%圖片作為訓(xùn)練集，21%圖片作為測試集，并做相應(yīng)類別標(biāo)簽。因所采集的數(shù)據(jù)集較少，為了提高數(shù)據(jù)處理精度，使用幾何處理和數(shù)字信號處理（DSP）技術(shù)進(jìn)行圖像處理，主要功能包括對圖像進(jìn)行尺寸縮放以及使用適合最短軸方法將圖像大小統(tǒng)一處理為96×96 像素。采用DSP 技術(shù)對圖像進(jìn)行預(yù)處理，以獲得RGB 彩色圖像，能夠更好地保留圖像的信息。把圖像轉(zhuǎn)換成一段特征數(shù)據(jù)，以便進(jìn)一步進(jìn)行的圖像處理。

3.2 模型選擇與構(gòu)建

自VGG 問世以來，深度學(xué)習(xí)領(lǐng)域的神經(jīng)網(wǎng)絡(luò)越來越注重計(jì)算能力和適應(yīng)能力的提升。然而，隨著網(wǎng)絡(luò)規(guī)模和復(fù)雜度的增加，神經(jīng)網(wǎng)絡(luò)占有的空間也越來越大，導(dǎo)致了對硬件條件的更高要求。訓(xùn)練和預(yù)測這種神經(jīng)網(wǎng)絡(luò)模型需要更高的計(jì)算能力和成本，限制了其普及性和推廣度。由于移動設(shè)備的硬件資源有限，其對深度學(xué)習(xí)網(wǎng)絡(luò)模型的處理能力也受到了一定的限制。為此，深度學(xué)習(xí)領(lǐng)域內(nèi)逐漸形成了神經(jīng)網(wǎng)絡(luò)小型化的發(fā)展趨勢。MobileNet 等神經(jīng)網(wǎng)絡(luò)模型在移動設(shè)備和嵌入式設(shè)備的應(yīng)用中在保證模型準(zhǔn)確率的前提下，大幅減小模型體積、計(jì)算量和運(yùn)行時(shí)間，同時(shí)提高準(zhǔn)確率的優(yōu)勢，成為移動設(shè)備的理想選擇[3]。

本次設(shè)計(jì)采用MobileNetV2 作為網(wǎng)絡(luò)模型，并在此基礎(chǔ)上利用ImageNet 預(yù)訓(xùn)練權(quán)重。首先，在避免破壞已學(xué)習(xí)特征的前提下，凍結(jié)其底層，以確保其不被改動。其次，添加新的可訓(xùn)練層，并使用采集的數(shù)據(jù)集對這些層進(jìn)行訓(xùn)練，以便獲得不同種類的垃圾特征。最后，對模型進(jìn)行微調(diào)，保存產(chǎn)生的權(quán)重，MobileNetv2 預(yù)訓(xùn)練流程圖如圖4 所示。

圖4 MobileNetv2 預(yù)訓(xùn)練流程圖

3.3 遷移學(xué)習(xí)

遷移學(xué)習(xí)是一種利用已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型來解決新問題的方法，即將已經(jīng)學(xué)習(xí)到的知識稱為“源領(lǐng)域”，新問題稱為“目標(biāo)領(lǐng)域”。遷移學(xué)習(xí)的目標(biāo)是將源領(lǐng)域的知識應(yīng)用于目標(biāo)領(lǐng)域，以提高目標(biāo)領(lǐng)域的學(xué)習(xí)性能[4]。具體實(shí)現(xiàn)方式是：首先，加載已經(jīng)訓(xùn)練好的MobileNetV2 網(wǎng)絡(luò)模型，在此基礎(chǔ)上添加新的可訓(xùn)練層，一般是全連接層或者卷積層，根據(jù)新問題的需要進(jìn)行設(shè)計(jì)。然后，使用新的數(shù)據(jù)集對這些層進(jìn)行訓(xùn)練，以適應(yīng)新問題要求。在訓(xùn)練過程中，常常使用遷移學(xué)習(xí)中的fine-tuning 技術(shù)，即保持已有層的參數(shù)不變，只在可訓(xùn)練層進(jìn)行微調(diào)。在遷移學(xué)習(xí)中，由于MobileNetV2 神經(jīng)網(wǎng)絡(luò)已經(jīng)學(xué)習(xí)到了很多圖像特征，因此可以充分利用這些特征來提取新問題中的特征，從而提高模型的精度和泛化能力[5]。此外，使用預(yù)先訓(xùn)練好的MobileNetV2 模型可以避免從頭開始設(shè)計(jì)和訓(xùn)練模型的時(shí)間和計(jì)算成本，并且在不丟失已有學(xué)習(xí)的特性的情況下使用現(xiàn)有的偏差和權(quán)重[6]，遷移學(xué)習(xí)流程圖如圖5 所示。

圖5 遷移學(xué)習(xí)流程圖

4 測試結(jié)果

4.1 MobileNetV2 模型訓(xùn)練

為驗(yàn)證本次設(shè)計(jì)所提模型的遷移性能及有效性，進(jìn)行了準(zhǔn)確度實(shí)驗(yàn)。實(shí)驗(yàn)數(shù)據(jù)集均為實(shí)際拍攝圖片，并非使用網(wǎng)絡(luò)上下載的數(shù)據(jù)集，數(shù)據(jù)集分為不可回收垃圾、廚余垃圾、可回收垃圾、有害垃圾等四大種類。在模型訓(xùn)練中，學(xué)習(xí)率是訓(xùn)練深度學(xué)習(xí)模型時(shí)的一個(gè)關(guān)鍵超參數(shù)，過大的學(xué)習(xí)率可能導(dǎo)致模型訓(xùn)練不穩(wěn)定或模型無法收斂，而過小的學(xué)習(xí)率可能導(dǎo)致模型訓(xùn)練緩慢或可能陷入局部最優(yōu)解，因此，選擇了三個(gè)不同的學(xué)習(xí)率（0.001、0.0005 和0.0001），并比較它們在模型訓(xùn)練過程中的準(zhǔn)確率[7]，實(shí)驗(yàn)結(jié)果對比如表1 所示。

表1 不同學(xué)習(xí)率時(shí)模型的準(zhǔn)確率

根據(jù)表1可知，學(xué)習(xí)率設(shè)置為0.0005，迭代次數(shù)為20時(shí)，訓(xùn)練效果最佳[8]。即此次模型訓(xùn)練的學(xué)習(xí)次數(shù)設(shè)置為20 次，學(xué)習(xí)率設(shè)置為0.0005，其模型訓(xùn)練結(jié)果如圖6、7 所示。

圖6 模型準(zhǔn)確率變化曲線圖

圖6 為模型準(zhǔn)確率變化曲線，圖7 為模型交叉熵?fù)p失函數(shù)變化曲線，圓點(diǎn)標(biāo)記藍(lán)色實(shí)曲線表示驗(yàn)證集，紅色實(shí)曲線表示驗(yàn)證集?？梢詮膱D中看出訓(xùn)練集的準(zhǔn)確率為0.9765，驗(yàn)證集的準(zhǔn)確率為0.9077，訓(xùn)練集的損失為0.9092，驗(yàn)證集的損失為0.4167，準(zhǔn)確率和損失函數(shù)隨著訓(xùn)練次數(shù)的增加而逐漸趨于平穩(wěn)，最終模型驗(yàn)證集的損失分為0.283。

圖7 模型交叉熵?fù)p失函數(shù)變化曲線圖

4.2 MobileNetV2 模型測試

使用TensorFlow Lite converter 將最優(yōu)模型轉(zhuǎn)換成tflite 格式模型文件，部署在OpenMV 攝像頭模塊上，最后進(jìn)行整機(jī)的調(diào)試。選擇四大類垃圾，包括不可回收垃圾、廚余垃圾、可回收垃圾、有害垃圾，每類投入垃圾桶100 次，再記錄其分揀結(jié)果，其分揀結(jié)果熱力圖如圖8 所示。

圖8 分揀結(jié)果熱力圖

如圖8 所示，顏色越深表示值越高，對應(yīng)的準(zhǔn)確率越高。圖中有害垃圾的準(zhǔn)確率最低，其值為0.82，最終該系統(tǒng)分揀的平均準(zhǔn)確率為0.9，且該系統(tǒng)反應(yīng)較快，信息顯示正常，舵機(jī)也能根據(jù)設(shè)定快速作出相應(yīng)反應(yīng)。

5 總結(jié)與心得

針對傳統(tǒng)的垃圾分類方法需要大量的人力和時(shí)間成本，難以滿足大規(guī)模的分類需求，本文提出了一種基于輕量化卷積神經(jīng)網(wǎng)絡(luò)模型，結(jié)合遷移學(xué)習(xí)和STM32F103 單片機(jī)的系統(tǒng)設(shè)計(jì)與研究。首先，使用遷移學(xué)習(xí)的方法，將MobileNetV2 預(yù)訓(xùn)練模型提取的垃圾圖像特征遷移到新的可訓(xùn)練層，并采用TensorFlow 框架進(jìn)行模型訓(xùn)練；其次，使用TensorFlow Lite converter 將最優(yōu)模型轉(zhuǎn)換成tflite 格式模型文件，部署在OpenMV 攝像頭模塊上。最后，對該系統(tǒng)整機(jī)調(diào)試及實(shí)驗(yàn)測試，其測試結(jié)果表明，基于MobileNetV2 和遷移學(xué)習(xí)的垃圾分揀系統(tǒng)，能夠完成對不可回收垃圾、廚余垃圾、可回收垃圾、有害垃圾這四大類識別并自動分揀，大大提高垃圾分類的效率，減少人工分類帶來的時(shí)間損失和資源浪費(fèi)，同時(shí)還能對環(huán)境保護(hù)做出重要的貢獻(xiàn)。在未來，相信此項(xiàng)技術(shù)將會被廣泛應(yīng)用，并發(fā)揮出更加重要的作用。