摘 要：為了有效處理廢棄物，本文設(shè)計(jì)、制作了垃圾分類的硬件設(shè)備，包括K210模板、攝像頭、電路以及4個(gè)舵機(jī)，4個(gè)舵機(jī)分別連接廚余垃圾、有害垃圾和其他垃圾。針對(duì)垃圾數(shù)據(jù)集較少的問題，本文采用基于VGG16的卷積神經(jīng)網(wǎng)絡(luò)算法，在自建的垃圾數(shù)據(jù)集上進(jìn)行訓(xùn)練和測(cè)試。結(jié)果顯示，利用該方法可以準(zhǔn)確識(shí)別垃圾種類，平均準(zhǔn)確率為93%。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)；圖像識(shí)別；垃圾分類

中圖分類號(hào)：TP 393" " " 文獻(xiàn)標(biāo)志碼：A

1 系統(tǒng)總體結(jié)構(gòu)

1.1 整體方案

垃圾分類是垃圾分類系統(tǒng)的重要一環(huán)，實(shí)施垃圾分類有助于增強(qiáng)公眾的環(huán)保意識(shí)，保護(hù)生態(tài)環(huán)境，促進(jìn)經(jīng)濟(jì)可持續(xù)性發(fā)展。進(jìn)行垃圾分類還可以降低垃圾處理成本，提高垃圾的循環(huán)利用和再生價(jià)值，減少資源浪費(fèi)，提高垃圾處理的效率。

本文將機(jī)器視覺技術(shù)取代傳統(tǒng)的人工分類進(jìn)行垃圾自動(dòng)分類，以降低用戶的垃圾分類學(xué)習(xí)成本。本文使用目前較常用的VGG16深度神經(jīng)網(wǎng)絡(luò)算法，其特點(diǎn)是在訓(xùn)練過程中使用的參數(shù)較少，其非線性層能夠提升模型訓(xùn)練速度，擴(kuò)大模型的應(yīng)用范圍。設(shè)計(jì)采用STM32單片機(jī)、K210模塊，利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)垃圾進(jìn)行識(shí)別與分類，同時(shí)驅(qū)動(dòng)舵機(jī)轉(zhuǎn)動(dòng)，實(shí)現(xiàn)4種垃圾的分類。

1.2 主控選擇

本文系統(tǒng)必備硬件組件包括2個(gè)核心模塊。1） 圖像采集模塊。該模塊的主要功能是連接攝像頭，以捕獲攝像頭實(shí)時(shí)拍攝的圖片[1]。2） 舵機(jī)控制模塊。該模塊負(fù)責(zé)連接并獨(dú)立控制4個(gè)舵機(jī)，其核心作用是根據(jù)后端處理模塊對(duì)垃圾種類的識(shí)別結(jié)果，驅(qū)動(dòng)相對(duì)應(yīng)的舵機(jī)工作，從而使對(duì)應(yīng)的垃圾桶蓋開啟，保證各類垃圾能夠準(zhǔn)確無誤地投入對(duì)應(yīng)的垃圾箱中。

K210模塊是基于嘉楠科技邊緣計(jì)算芯片K210（RSIC-V架構(gòu)，64位雙核）方案的一款開發(fā)板，由01Studio設(shè)計(jì)研發(fā)，采用硬件一體化設(shè)計(jì)（K210核心板、攝像頭和LCD集成在一個(gè)PCB上）。為了保證后端處理服務(wù)程序正常運(yùn)行，需要較高的硬件處理能力，K210內(nèi)部搭載了一個(gè)KPU（即通用的神經(jīng)網(wǎng)絡(luò)處理器）[2]，可以快速檢測(cè)圖像中的模板，并使用算法提取特定的對(duì)象特征，能夠?qū)崿F(xiàn)自動(dòng)識(shí)別，因此本文將K210模板作為系統(tǒng)的開發(fā)板，訓(xùn)練模型對(duì)元器件圖像進(jìn)行識(shí)別和分類，為后續(xù)的分揀工作提供準(zhǔn)確的數(shù)據(jù)支持。K210具有較高的計(jì)算速度和處理能力，可以對(duì)元器件圖像進(jìn)行實(shí)時(shí)分析與處理，分揀和判斷速度較快。K210也應(yīng)用于嵌入式、人工智能等場(chǎng)景，并擁有良好性能，例如功耗性能、處理能力和圖形處理能力，能夠提高采集數(shù)據(jù)、識(shí)別數(shù)據(jù)等操作的穩(wěn)定性與可靠性。

本文系統(tǒng)主要基于機(jī)器學(xué)習(xí)領(lǐng)域常用的機(jī)器視覺，主要包括圖像采集部分、圖像信息處理部分和執(zhí)行機(jī)構(gòu)控制部分。系統(tǒng)的工作流程如圖1所示。

基于機(jī)器視覺的智能垃圾分類系統(tǒng)主要由攝像頭、圖像處理模塊、分類執(zhí)行模塊和數(shù)據(jù)處理模塊組成。攝像頭能夠采集和捕捉垃圾圖像；圖像處理模塊能夠?qū)D像進(jìn)行預(yù)處理和特征提?。环诸悎?zhí)行模塊能夠根據(jù)提取的特征對(duì)垃圾進(jìn)行分類；數(shù)據(jù)處理模塊能夠記錄和分析分類結(jié)果，為垃圾分類系統(tǒng)的優(yōu)化提供依據(jù)。

圖像采集部分。該部分主要包括4個(gè)垃圾分類桶、設(shè)置在主控中的攝像頭和K210模板等，主要功能是圖像實(shí)時(shí)攝取。流程是開機(jī)后進(jìn)入投放準(zhǔn)備階段，將垃圾一件一件置于攝像頭面前，將信號(hào)傳送給K210模板來捕捉圖像。

圖像處理部分。圖像處理模塊先對(duì)采集和捕捉的垃圾圖像進(jìn)行預(yù)處理，包括去噪、增強(qiáng)等操作，以提高后續(xù)特征提取的精準(zhǔn)性。然后選用機(jī)器的學(xué)習(xí)算法，對(duì)預(yù)處理后的圖像進(jìn)行特征提取，識(shí)別垃圾種類。該部分主要基于K210模塊所開發(fā)的圖像識(shí)別分類系統(tǒng)，并與提前在VGG16卷積神經(jīng)網(wǎng)絡(luò)模型上訓(xùn)練的圖像進(jìn)行比較，從而得出分類信息。

執(zhí)行機(jī)構(gòu)控制部分。由于K210引腳控制舵機(jī)會(huì)導(dǎo)致舵機(jī)抖動(dòng)，控制不夠穩(wěn)定，因此需要使用STM32F103C8T6單片機(jī)進(jìn)行控制。當(dāng)STM32單片機(jī)接收K210識(shí)別后發(fā)出的引腳電平時(shí)，能夠控制舵機(jī)執(zhí)行分類動(dòng)作。

分類執(zhí)行部分。該部分的主要作用是執(zhí)行分類動(dòng)作并接受完成分類的垃圾。主要過程如下：當(dāng)K210處理完圖像信息后，將所得出的分類結(jié)論通過引腳并以高、低電平的形式發(fā)送給下位STM32單片機(jī)，單片機(jī)接受到信號(hào)后打開舵機(jī)，開、關(guān)垃圾桶蓋，完成垃圾的準(zhǔn)確分類。

2 硬件電路設(shè)計(jì)

由于K210在執(zhí)行實(shí)時(shí)控制任務(wù)過程中有一定局限性，因此本文在設(shè)計(jì)中引用一個(gè)輔助執(zhí)行控制單片機(jī)，以執(zhí)行其對(duì)舵機(jī)的旋轉(zhuǎn)控制，避免舵機(jī)在工作過程中發(fā)生抖動(dòng)。此外，主控部分需要體積小且控制性能優(yōu)越，同時(shí)能夠高效處理和分析來自各模塊的信號(hào)與指令，因此選用STM32F103C8T6單片機(jī)作為其輔助控制單片機(jī)，以保證控制系統(tǒng)的穩(wěn)定性和準(zhǔn)確性。

該設(shè)計(jì)所需硬件模塊如下所示。1） 圖像采集模塊。該模塊的功能是連接攝像頭，以獲得攝像頭采集的圖片。攝像頭由K210模塊自帶。2） 舵機(jī)。需要連接4個(gè)舵機(jī)，并分別進(jìn)行控制，能夠按照要求打開相應(yīng)的垃圾箱蓋，使垃圾進(jìn)入對(duì)應(yīng)的垃圾箱。舵機(jī)型號(hào)為SG90，能夠滿足垃圾箱蓋開啟的角度。

連接K210和STM32并進(jìn)行通信，必須對(duì)控制線路進(jìn)行布局和定義，以保證通信流暢、穩(wěn)定，不被干擾，各個(gè)模塊均能工作在相應(yīng)的額定電壓下。

3 算法設(shè)計(jì)

3.1 VGG16卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是深層次學(xué)習(xí)中具有代表性的網(wǎng)絡(luò)結(jié)構(gòu)之一，在圖像處理領(lǐng)域中具有廣泛應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)是一種特殊的深度神經(jīng)網(wǎng)絡(luò)，擁有多層網(wǎng)絡(luò)結(jié)構(gòu)，上一層與下一層間的神經(jīng)元具有聯(lián)系，而同一層神經(jīng)元相對(duì)獨(dú)立。

卷積神經(jīng)網(wǎng)絡(luò)通常分為5個(gè)層次，即輸入層、卷積層、池化層、全連接層和輸出層。這是一個(gè)深層次的神經(jīng)網(wǎng)絡(luò)運(yùn)算過程，通過層層計(jì)算，反復(fù)提取圖像的特征、邊緣線條、顏色和圖像等，不斷進(jìn)行運(yùn)算處理，最終提取出深層次的特征并獲取結(jié)果。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

VGG是牛津大學(xué)計(jì)算機(jī)視覺組與谷歌一起研究、設(shè)計(jì)的深度卷積神經(jīng)網(wǎng)絡(luò)，如圖3所示。VGG結(jié)構(gòu)包括13個(gè)卷積層和3個(gè)全連接層，因此稱為VGG16。VGG-16具有每次經(jīng)過池化層后特征圖的尺寸縮小1倍、通道數(shù)增加1倍（最后一個(gè)池化層除外）的顯著特點(diǎn)。圖3中的conv為卷積層，pool為池化層，第一次卷積核為64個(gè)，最后一次卷積核為512個(gè)，最后3個(gè)fc4096為全連接層。VGG16改進(jìn)了之前的網(wǎng)絡(luò)，以3個(gè)3*3卷積核代替7*7卷積核，以2個(gè)3*3卷積核代替5*5卷積核，其主要目的是在具有相同感知野的條件下減少參數(shù)，提升網(wǎng)絡(luò)的深度。該模型可以較好地適用于分類和定位任務(wù)。

卷積神經(jīng)網(wǎng)絡(luò)具備三重特性。1） 卷積神經(jīng)網(wǎng)絡(luò)具有局部連接機(jī)制。與傳統(tǒng)的全連接神經(jīng)網(wǎng)絡(luò)不同，卷積神經(jīng)網(wǎng)絡(luò)不會(huì)使每個(gè)神經(jīng)元均與前一層所有神經(jīng)元相連，而是選擇性地與部分神經(jīng)元建立連接。2） 卷積神經(jīng)網(wǎng)絡(luò)引入了權(quán)值共享的概念，利用部分相連得到卷積核，這些卷積核在特征提取過程中會(huì)重復(fù)使用相同的權(quán)值。3） 具有多卷積核，每個(gè)卷積核均攜帶不同參數(shù)，因此能夠提取圖像中不同類型的特征。組合多個(gè)卷積核能夠使卷積神經(jīng)網(wǎng)絡(luò)更好地捕獲圖像中豐富的信息。在處理大型圖像和降低模型復(fù)雜度等方面，卷積神經(jīng)網(wǎng)絡(luò)的這些特點(diǎn)起到了較大作用。

3.2 垃圾分類算法過程

針對(duì)傳統(tǒng)垃圾分類方法的局限性，本文設(shè)計(jì)了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的垃圾分類算法，旨在為垃圾分類提供更高效、精確的方案，其內(nèi)容如下所示。1） 對(duì)垃圾圖像進(jìn)行預(yù)處理，使圖像尺寸和灰度保持統(tǒng)一，以提高算法的準(zhǔn)確度。2） 將卷積神經(jīng)網(wǎng)絡(luò)作為特征提取器，經(jīng)過多層卷積運(yùn)算后進(jìn)行池化，提取更深層特征，便于后續(xù)獲取結(jié)果。3） 使用全連接神經(jīng)網(wǎng)絡(luò)，對(duì)提取的特征進(jìn)行訓(xùn)練，利用多層全連接操作，將垃圾圖像分類為可回收垃圾、有害垃圾、其他垃圾或廚余垃圾。4） 對(duì)模型進(jìn)行訓(xùn)練，并多次試驗(yàn)，不斷調(diào)試模型[3]。

3.3 卷積神經(jīng)網(wǎng)絡(luò)層數(shù)的建立

一個(gè)完整的卷積神經(jīng)網(wǎng)絡(luò)包括卷積層、2層池化層和2層全連接層，最后由1個(gè)softmax層做分類，每層間均使用最大池化分隔。

本文使用卷積神經(jīng)網(wǎng)絡(luò)圖像做分類算法，訓(xùn)練不同垃圾圖像模型。該網(wǎng)絡(luò)的基本架構(gòu)為深度卷積結(jié)構(gòu)，包括多次重復(fù)的卷積-卷積-池化組合，以捕捉和提取圖像中的多層次特征，其中通道數(shù)分別為64、128、512、512、512、4096、4096和1000。卷積層通道數(shù)翻倍，直到通道數(shù)達(dá)到512時(shí)不再增加。

在VGG16卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)中，特征提取的核心部分是13層卷積層，和5層池化層共同進(jìn)行特征提取。最終通過3層全連接層來完成分類任務(wù)。

4 系統(tǒng)的搭建與調(diào)試

4.1 網(wǎng)絡(luò)層數(shù)的建立

采用Python編程，可以實(shí)現(xiàn)基于K210的各種算法。本文將pycharm作為開發(fā)工具，采用Python的Keras庫，版本號(hào)為2.15，用以開發(fā)基于VGG16的卷積神經(jīng)網(wǎng)絡(luò)。

本文將卷積神經(jīng)網(wǎng)絡(luò)（CNN）圖像作為分類算法，對(duì)4種不同種類的垃圾圖像模型進(jìn)行訓(xùn)練。采用VGG16網(wǎng)絡(luò)，其基本構(gòu)架為conv1^2（64）→pool1→conv2^2（128）→pool2→conv3^3（256）→pool3→conv4^3（512）→pool4→conv5^3（512）→pool5→fc6（4096）→fc7（4096）→fc8（1000）→softmax[4]。

4.2 模型訓(xùn)練與識(shí)別

搭建好所有環(huán)境后進(jìn)行模型訓(xùn)練。本文將所有垃圾分為4類，即廚余垃圾、有害垃圾、其他垃圾和可回收垃圾，其中有害垃圾以生活中常見的電池、煙頭等為主；廚余垃圾以香蕉皮、骨頭等為主；其他垃圾以牛奶袋、廢棄口罩為主；可回收垃圾以易拉罐、塑料瓶等為主。所涉及的垃圾種類幾乎涵蓋了生活中所有常見的東西，并在識(shí)別背景中拍攝所有需要識(shí)別的模型，每個(gè)模型的拍攝角度應(yīng)盡量全面，完整展現(xiàn)所有特征，以保證最終的識(shí)別效果和識(shí)別準(zhǔn)確率。

垃圾分類數(shù)據(jù)集是用于訓(xùn)練和評(píng)估垃圾分類算法的重要一句，構(gòu)建和處理該數(shù)據(jù)集需要考慮以下4種因素。1） 數(shù)據(jù)集中應(yīng)該包括不同種類的垃圾樣本，以保證算法能夠全面學(xué)習(xí)各種垃圾的特征。2）垃圾樣本的圖片應(yīng)該從不同角度、在不同光線下來拍攝，以增加數(shù)據(jù)集的多樣性，提高算法在不同條件下的垃圾分類能力。3）在構(gòu)建數(shù)據(jù)集的過程中，應(yīng)該對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化和歸一化處理，以保證算法能夠更好地學(xué)習(xí)和分類。4） 要充分考慮垃圾分類的實(shí)時(shí)性和實(shí)用性要求，為保證數(shù)據(jù)集的真實(shí)性和實(shí)用性，應(yīng)定期更新并豐富數(shù)據(jù)集內(nèi)容，以貼合生活實(shí)際。

模型訓(xùn)練完成后，本文進(jìn)行了驗(yàn)證試驗(yàn)，將垃圾一件件放入攝像頭拍攝范圍內(nèi)進(jìn)行自動(dòng)識(shí)別，最后觀察其識(shí)別效果。

4.3 試驗(yàn)數(shù)據(jù)記錄

本文進(jìn)行了實(shí)際測(cè)試，以驗(yàn)證垃圾分類系統(tǒng)的功能和運(yùn)行狀態(tài)是否符合設(shè)計(jì)預(yù)期。首先，采用Python對(duì)垃圾圖像進(jìn)行收集，顯著提高了收集數(shù)據(jù)的效率。其次，采用K210模塊收集實(shí)際生活中垃圾圖像的數(shù)據(jù)，以避免在訓(xùn)練模型中使用網(wǎng)絡(luò)圖片所帶來的誤差。在試驗(yàn)過程中分別使用電池、骨頭、香蕉皮、塑料瓶、紙和各種包裝袋等共12類常見生活垃圾，進(jìn)行各50次隨機(jī)測(cè)試。垃圾分類測(cè)試準(zhǔn)確率結(jié)果見表1。

由以上試驗(yàn)數(shù)據(jù)可知，所有垃圾的平均識(shí)別正確率為93%，其中可回收垃圾的正確識(shí)別率為96.66%，其他垃圾的正確識(shí)別率為89.5%，廚余垃圾的正確識(shí)別率為90.66%，有害垃圾的正確識(shí)別率為95%。

由上述數(shù)據(jù)可知，在試驗(yàn)所測(cè)試的所有垃圾中，可回收垃圾的正確識(shí)別率較高，其他垃圾和廚余垃圾的正確識(shí)別率相對(duì)較低。進(jìn)一步分析可知，當(dāng)垃圾種類較少且其形態(tài)比較固定時(shí)，垃圾的識(shí)別率較高；當(dāng)垃圾種類較多且形態(tài)復(fù)雜、不固定時(shí)，垃圾的識(shí)別率較低。

5 結(jié)語

本文利用機(jī)器視覺技術(shù)設(shè)計(jì)了一種智能分類垃圾處理裝置，能夠進(jìn)行垃圾智能化分類，解決了居民的日常垃圾分類問題。該設(shè)計(jì)主要基于發(fā)展較成熟的神經(jīng)網(wǎng)絡(luò)算法，利用VGG16在K210模塊上進(jìn)行訓(xùn)練，對(duì)日常垃圾進(jìn)行識(shí)別分類處理，降低垃圾對(duì)環(huán)境的污染。

本文在研究過程中還發(fā)現(xiàn)了一些需要改進(jìn)的問題。首先，在垃圾數(shù)據(jù)方面，需要一個(gè)更龐大且不斷更新的垃圾數(shù)據(jù)集，以增加垃圾種類的多樣性，提高垃圾圖像背景的復(fù)雜程度。其次，試驗(yàn)裝置尺寸與原始垃圾箱尺寸不一致，在后期設(shè)計(jì)中需要對(duì)外觀進(jìn)行改進(jìn)，以提高機(jī)器整體的協(xié)調(diào)性。

參考文獻(xiàn)

[1]蔡昊辰.基于計(jì)算機(jī)視覺的垃圾分類識(shí)別系統(tǒng)研究[D].武漢：武漢工程大學(xué)，2022.

[2]王科，劉豐儉.基于樹莓派的垃圾智能分類系統(tǒng)設(shè)計(jì)[J].南通職業(yè)大學(xué)學(xué)報(bào)，2023，37（3）：71-75，81.

[3]王燕.基于深度卷積神經(jīng)網(wǎng)絡(luò)的垃圾分類算法研究[J].造紙裝備及材料，2024，53（1）：104-106.

[4]潘鵬，胡運(yùn)峰，秦金志，等.一種基于NB-IOT的智能垃圾桶[J].科技風(fēng)，2019（1）：11.