摘 要：隨著垃圾產(chǎn)生量的不斷上升、環(huán)境的持續(xù)惡化，如今垃圾分類已經(jīng)成為必要的管理措施。為了實現(xiàn)垃圾自動識別、分類和投放，詳細(xì)探討了垃圾分類系統(tǒng)的設(shè)計與實現(xiàn)。選擇Jetson Nano作為主控硬件，以神經(jīng)網(wǎng)絡(luò)模型ResNet-50作為識別模型，使用大量數(shù)據(jù)集進(jìn)行深度學(xué)習(xí)訓(xùn)練，從而實現(xiàn)垃圾的自動識別與分類。系統(tǒng)還搭載了一組舵機(jī)并配合機(jī)械臂實現(xiàn)垃圾的自動投放。通過測試發(fā)現(xiàn)：所設(shè)計系統(tǒng)的分類速度快、識別準(zhǔn)確率高，可為日常生活中的垃圾分類處理提供更多的便利。

關(guān)鍵詞：視覺分析；垃圾分類；ResNet-50；Jetson Nano；深度學(xué)習(xí)；神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP391.4；TP183 文獻(xiàn)標(biāo)識碼：A 文章編號：2095-1302（2024）09-00-03

DOI：10.16667/j.issn.2095-1302.2024.09.006

0 引 言

隨著科技的進(jìn)步、生活水平的逐漸提高，人們對物質(zhì)生活的追求不再局限于生活必需品，而是開始傾向于質(zhì)量更佳、規(guī)格更高的產(chǎn)品。隨著消費(fèi)者購買力的提升，垃圾產(chǎn)生量也在同步增多[1]。目前國內(nèi)主要采取兩種垃圾分類方式：一是居民自行判斷垃圾類型后投放到相應(yīng)的垃圾桶中；二是垃圾中轉(zhuǎn)站集中進(jìn)行人工分類[2]。這兩種方式都需要通過人工進(jìn)行分類，但由于大部分居民的垃圾分類知識相對薄弱，而中轉(zhuǎn)站垃圾分類工作人員具備較高的專業(yè)性，因此第二種方式更符合目前的需求。然而，垃圾中轉(zhuǎn)站每天需要集中處理大量垃圾，工作人員的工作負(fù)擔(dān)很大，加之長時間接觸大量垃圾也會對他們的身體健康產(chǎn)生不利影響，進(jìn)而造成垃圾處理滯后、準(zhǔn)確率下降等問題。傳統(tǒng)的人工分揀方式效率低下、過程繁瑣，既浪費(fèi)時間，又浪費(fèi)大量人力、物力和財力。因此，亟需一種新型的垃圾分類方法，以解決當(dāng)前和未來的垃圾處理問題。

垃圾分類方案的實施不僅有助于保護(hù)環(huán)境，而且能積極響應(yīng)可持續(xù)發(fā)展的理念。通過垃圾分類、廢棄物回收，實現(xiàn)資源的循環(huán)利用，從而改善生活環(huán)境[3]。垃圾分類處理、回收利用問題在國內(nèi)乃至全球范圍內(nèi)都亟待解決，已有眾多研究者開始探索尋求更優(yōu)的解決方案。

吳蓬勃等人[4]通過分析市場對垃圾分揀的需求，設(shè)計了基于TensorFlow的垃圾視覺分揀機(jī)器人平臺。千承輝等人[5]將陀螺儀和編碼器相結(jié)合，配合GPS路徑繪畫、攝像頭等設(shè)計了一款基于視覺分析的垃圾分揀機(jī)器人。姚依銘等人[6]運(yùn)用深度學(xué)習(xí)語音識別技術(shù)，設(shè)計了一款智能垃圾桶，旨在協(xié)助人們進(jìn)行垃圾分類?；谏鲜鲅芯砍晒疚囊訰esNet-50作為識別模型，以Jetson Nano為系統(tǒng)控制單元，設(shè)計了可以自動識別、分類、投放垃圾的系統(tǒng)。采用深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)算法構(gòu)建模型；通過攝像頭采集照片，借助圖像識別技術(shù)，運(yùn)用OpenCV對其進(jìn)行處理；然后將這些照片上傳至已訓(xùn)練好的模型，進(jìn)而完成垃圾的自動識別、分類和投放。

1 系統(tǒng)實現(xiàn)原理與硬件選擇

1.1 實現(xiàn)原理

本文將神經(jīng)網(wǎng)絡(luò)融入垃圾分類系統(tǒng)中，將訓(xùn)練好的模型部署至Jetson Nano平臺，通過模型的分類結(jié)果控制相應(yīng)的硬件設(shè)備，以此實現(xiàn)對垃圾的精確識別和分類。本研究旨在構(gòu)建一種新型的垃圾分類模式，以減輕人們的垃圾分類負(fù)擔(dān)，填補(bǔ)國內(nèi)在垃圾智能分類方面的空缺。本系統(tǒng)選擇了殘差卷積神經(jīng)網(wǎng)絡(luò)模型ResNet-50作為垃圾分類系統(tǒng)的核心，以Jetson Nano作為系統(tǒng)的主控單元，配合機(jī)械臂和普通垃圾桶實現(xiàn)系統(tǒng)運(yùn)行。在系統(tǒng)運(yùn)行過程中，將攝像頭拍攝的照片通過OpenCV[7]進(jìn)行處理并上傳至服務(wù)器，在訓(xùn)練好的模型中對圖片信息進(jìn)行對比分析和識別并輸出識別結(jié)果，Jetson Nano主控單元根據(jù)識別結(jié)果控制相應(yīng)舵機(jī)打開，機(jī)械臂則將垃圾投放至對應(yīng)的垃圾桶內(nèi)，實現(xiàn)垃圾的自動分類與投放。

1.2 硬件選擇

雖然Jetson Nano與樹莓派開發(fā)板具有許多相似的關(guān)鍵功能，但是Jetson Nano開發(fā)板在性能方面更勝一籌，它能夠高效地執(zhí)行深度學(xué)習(xí)任務(wù)，并且具有更強(qiáng)的實用性，能夠更好地滿足系統(tǒng)的各項需求。兩者之間的主要區(qū)別在于：Jetson Nano開發(fā)板配備了一款更強(qiáng)大、性能更優(yōu)異的GPU，為開發(fā)對性能要求較高的系統(tǒng)提供了可能性。此外，Jetson Nano本身還支持多種操作系統(tǒng)和高級語言，有著豐富的文檔說明和生態(tài)環(huán)境，針對開發(fā)中遇到的一些問題能及時獲得很好的解決方案，從而快速地開發(fā)出更高質(zhì)量的應(yīng)用程序。因此，為了使整個系統(tǒng)具有更高的性能、更強(qiáng)的適應(yīng)性和更穩(wěn)定的運(yùn)行狀態(tài)，本文選擇了Jetson Nano作為主控單元。

系統(tǒng)配置了機(jī)械臂，以實現(xiàn)對分類后的垃圾進(jìn)行自動抓取，并將其投放至相應(yīng)的垃圾桶中。在眾多機(jī)械臂中，鑒于六軸機(jī)械臂在運(yùn)動過程中表現(xiàn)出較好的穩(wěn)定性[8-9]，能很好地自動抓取垃圾并投放到垃圾桶中，因此本文選用六軸機(jī)械臂來實現(xiàn)對垃圾的抓取。為提升系統(tǒng)運(yùn)行的穩(wěn)定性并避免不必要的經(jīng)費(fèi)浪費(fèi)，采用了專業(yè)軟件SolidWorks[10]對機(jī)械模型進(jìn)行創(chuàng)建和模擬，建立的機(jī)械臂模型如圖1所示。在確定了設(shè)計出的機(jī)械臂能與系統(tǒng)適配并正常運(yùn)行后再進(jìn)行相關(guān)材料的采購以及組裝實驗。

2 算法部分

在神經(jīng)網(wǎng)絡(luò)ResNet中，最關(guān)鍵的部分就是殘差網(wǎng)絡(luò)單元，如圖2所示，殘差網(wǎng)絡(luò)單元可以直接跨層連接，而這樣的一條條跨層曲線正是ResNet與一般網(wǎng)絡(luò)的區(qū)別所在。設(shè)圖2中第一個卷積層輸入數(shù)據(jù)x，經(jīng)過中間的激活函數(shù)F（x），再通過第二個卷積層之后通過右側(cè)曲線實現(xiàn)F（x）和x的求和，得到新的函數(shù)記為H（x）=F（x）+x，再將求得的結(jié)果傳遞給下一個卷積層。這使得ResNet可以通過疊加這些殘差網(wǎng)絡(luò)單元來增加網(wǎng)絡(luò)深度，很好地解決了梯度不穩(wěn)定問題并且提高了網(wǎng)絡(luò)的精度。

ResNet-50結(jié)構(gòu)如圖3所示，共分為7個部分。其中第一部分主要對輸入的數(shù)據(jù)進(jìn)行一系列的處理和計算；第二到第五部分都包含殘差塊，這些殘差塊是ResNet中最核心的部分，可以很好地提高網(wǎng)絡(luò)的訓(xùn)練效率。在ResNet-50中，每個殘差塊都有三層卷積，這些卷積層能夠幫助提取各種輸入圖像的特征，從而對圖像進(jìn)行分析和識別；50層的網(wǎng)絡(luò)結(jié)構(gòu)也使得ResNet-50的精度和速度比其他網(wǎng)絡(luò)都較高。因此，ResNet-50被廣泛應(yīng)用在各種圖形處理任務(wù)和圖形識別任務(wù)中，能很好地滿足系統(tǒng)的大量圖像識別和處理的需求?；谝陨戏治觯疚倪x擇了ResNet-50進(jìn)行圖形識別。

神經(jīng)網(wǎng)絡(luò)模型ResNet-50的識別速度和精度都能很好地滿足本系統(tǒng)對各種垃圾進(jìn)行分類處理的性能需求。此次訓(xùn)練模型的數(shù)據(jù)集采用了2019年華為云垃圾分類數(shù)據(jù)集和收集到的其他大量官方數(shù)據(jù)，在保證訓(xùn)練數(shù)據(jù)量充足的同時還要確保訓(xùn)練數(shù)據(jù)的準(zhǔn)確性和可信度。在上述數(shù)據(jù)集的訓(xùn)練下，所獲得模型的識別準(zhǔn)確率和穩(wěn)定性得到進(jìn)一步提升，也為后期模型的參數(shù)調(diào)整和訓(xùn)練創(chuàng)造了較為便利的條件。

3 系統(tǒng)實現(xiàn)

如圖4所示，系統(tǒng)的具體運(yùn)行流程為：由外置攝像頭拍照并采集信息，Jetson Nano主控單元接收攝像頭采集的圖片，通過OpenCV對圖片進(jìn)行處理；將處理后的圖片返回服務(wù)器端，服務(wù)器端通過訓(xùn)練好的算法模型對圖片進(jìn)行分類，得出分類結(jié)果，并將處理好的結(jié)果返回給Jetson Nano；Jetson Nano根據(jù)返回結(jié)果控制垃圾桶的相應(yīng)舵機(jī)開合，機(jī)械臂自動抓取垃圾進(jìn)行投放，最終實現(xiàn)垃圾的自動分類和投放功能。在設(shè)計時考慮到系統(tǒng)的便捷性和人性化，額外添加了一個顯示屏，Jetson Nano可以將垃圾信息顯示在屏幕上，還可以顯示垃圾桶的剩余容量，在容量不足時發(fā)出警告信息；同時配有智能光電開關(guān)來檢測當(dāng)前是否有人使用本裝置并智能控制裝置，從而節(jié)省能源。

系統(tǒng)內(nèi)嵌了攝像頭，用于實時捕獲并上傳垃圾樣本圖像至系統(tǒng)后臺，以便進(jìn)行自動分類；系統(tǒng)還配置了多個紅外感應(yīng)器，當(dāng)感應(yīng)到活動物體時，攝像頭會自動捕捉并識別該物體所處的特定區(qū)域，幫助用戶精準(zhǔn)地將垃圾放入垃圾桶；系統(tǒng)還搭載了一組舵機(jī)，這些舵機(jī)通過曲柄連桿結(jié)構(gòu)[11]進(jìn)行協(xié)調(diào)，可實現(xiàn)垃圾桶的開關(guān)動作，在Jetson Nano接收到垃圾分類信息后控制舵機(jī)打開相應(yīng)的垃圾桶并配合機(jī)械臂實現(xiàn)垃圾的分類和投放。

圖5是系統(tǒng)的整體架構(gòu)，從圖中可以看出各個模塊之間是如何協(xié)作運(yùn)行的，能夠較為直觀地了解整個系統(tǒng)的運(yùn)行機(jī)制和工作流程。

4 系統(tǒng)測試

系統(tǒng)測試主要包括兩個部分：一是在本地運(yùn)行模型，對上傳的圖片進(jìn)行識別分類；二是將圖片上傳至服務(wù)器主機(jī)上，再對圖片進(jìn)行分類。在算法模型和數(shù)據(jù)集的不斷優(yōu)化和訓(xùn)練的前提下，實驗測試結(jié)果的準(zhǔn)確率在可接受范圍之內(nèi)。模型的本地運(yùn)行測試結(jié)果如圖6所示。

5 結(jié) 語

本文設(shè)計了以Jetson Nano為主控單元，以神經(jīng)網(wǎng)絡(luò)模型ResNet-50作為識別模型的垃圾分類系統(tǒng)，旨在有效地解決當(dāng)前我國居民的垃圾分類意識普遍較弱、垃圾處理量過大而導(dǎo)致耗時長的問題。該垃圾分類系統(tǒng)以其出色的處理能力，大大縮短了處理垃圾所需的時間，還呈現(xiàn)出自動垃圾分類系統(tǒng)的人性化特點(diǎn)[12]。通過使用這種垃圾分類系統(tǒng)，能夠加深居民對垃圾分類問題的了解，進(jìn)一步提高居民的環(huán)保意識和垃圾分類的能力。

參考文獻(xiàn)

[1]高澤梅，韓欣諾，霍艷鳳.基于灰色預(yù)測模型的北京市垃圾量預(yù)測[J].現(xiàn)代信息科技，2021，5（8）：130-132.

[2]魏子瑄，劉小剛，陳真貴，等.基于語音識別技術(shù)的智能分類垃圾桶[J].單片機(jī)與嵌入式系統(tǒng)應(yīng)用，2020，20（1）：79-82.

[3]佚名.垃圾分類處理有哪些好處？[J].中國環(huán)境科學(xué)，2011，31（9）：1540.

[4]吳蓬勃，姚美菱，王拓，等.基于TensorFlow的垃圾分揀機(jī)器人設(shè)計[J].實驗室研究與探索，2020，39（6）：117-122.

[5]千承輝，侯天遠(yuǎn)，肖若蘭，等.基于機(jī)器視覺的垃圾分揀機(jī)器人設(shè)計[J].單片機(jī)與嵌入式系統(tǒng)應(yīng)用，2019，19（9）：39-42.

[6]姚依銘，何巧紅，韋延鋒，等.基于深度學(xué)習(xí)的語音識別垃圾桶的設(shè)計[J].長江信息通信，2022，35（12）：78-79.

[7]李玉臣.基于OpenCV的計算機(jī)圖像識別技術(shù)研究與實現(xiàn)[J].電腦編程技巧與維護(hù)，2022，29（11）：147-149.

[8]賀恒.機(jī)械臂分類及選型邏輯研究[J].一重技術(shù)，2022，41（4）：21-24.

[9]楊寬，金建輝.基于運(yùn)動力學(xué)分析的六軸機(jī)械臂牽引控制設(shè)計[J].農(nóng)業(yè)裝備與車輛工程，2022，60（11）：32-35.

[10]孫一斌.三維仿真軟件在工業(yè)機(jī)器人建模中的課程設(shè)計[J].中國教育技術(shù)裝備，2022，36（8）：41-43.

[11]劉勁松.曲柄滑塊機(jī)構(gòu)教學(xué)裝置的設(shè)計與制作[J].機(jī)械，2019，46（4）：34-36.

[12]王濤，馬寧，張?zhí)m云.基于單片機(jī)的智能垃圾桶設(shè)計[J].中小企業(yè)管理與科技（下旬刊），2020，13（5）：180-181.

收稿日期：2023-09-10 修回日期：2023-10-12

基金項目：沈陽航空航天大學(xué)大學(xué)生創(chuàng)新創(chuàng)業(yè)項目（X2022101 43118）

作者簡介：黃明宇（2002—），男，研究方向為計算機(jī)算法。

曹一鵬（1981—），男，碩士，講師，研究方向為單片機(jī)教學(xué)及嵌入式系統(tǒng)開發(fā)。

佟英芝（2002—），女，研究方向為計算機(jī)算法。

于佳弘（2003—），男，研究方向為計算機(jī)硬件開發(fā)。