家庭垃圾分類回收的智能垃圾桶設(shè)計(jì)

王興朝，唐瑞尹

(1.華北理工大學(xué)，電氣工程學(xué)院，唐山 063210； 2.北華航天工業(yè)學(xué)院，電子與控制工程學(xué)院，廊坊 065000)

0 引言

隨著我國(guó)經(jīng)濟(jì)的快速發(fā)展，我國(guó)城市每年產(chǎn)生的垃圾在逐年上漲，根據(jù)相關(guān)部門統(tǒng)計(jì)，在2019年我國(guó)城市生活垃圾產(chǎn)出量為3.43億噸，同比去年增加6.2%，在這些生活垃圾中有很大一部分可以回收再利用，但我國(guó)的生活垃圾回收利用率不到5%，因此，城市生活垃圾的分類回收對(duì)環(huán)境治理和資源的再利用具有重大意義。各大城市針對(duì)垃圾分類回收制定了相關(guān)的政策，但由于監(jiān)管體系不健全，缺乏科學(xué)的有效的信息監(jiān)管手段與激勵(lì)機(jī)制，使得居民參與垃圾分類回收的積極性不高，嚴(yán)格遵守垃圾分類政策的意識(shí)的不足，導(dǎo)致城市垃圾分類回收的效果并不明顯。因此，使用自動(dòng)化技術(shù)降低人工成本是未來(lái)解決城市垃圾分類回收問(wèn)題的發(fā)展趨勢(shì)，而機(jī)器視覺是實(shí)現(xiàn)垃圾自動(dòng)分類回收的一項(xiàng)重要科學(xué)技術(shù)。

近年來(lái)，隨著人工智能和物聯(lián)網(wǎng)的高速發(fā)展，尤其是神經(jīng)網(wǎng)絡(luò)的發(fā)展，為機(jī)器視覺在圖像識(shí)別和目標(biāo)檢測(cè)的應(yīng)用方面提供了新的理論基礎(chǔ)和實(shí)現(xiàn)方法。早期的圖像識(shí)別主要利用Harris、SIFT、SURF、LBF、HOG、DPM等方法對(duì)圖像特征進(jìn)行提取，再通過(guò)支持向量機(jī)SVM等分類器對(duì)特征進(jìn)行識(shí)別分類，由于傳統(tǒng)的圖像處理方法在圖像特征提取過(guò)程中需要人工參與，導(dǎo)致其識(shí)別的準(zhǔn)確率受經(jīng)驗(yàn)影響較大，泛化能力較弱。而基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法不需要人為參與圖像特征提取的過(guò)程，而是通過(guò)大量數(shù)據(jù)集利用梯度下降法和反向傳播對(duì)神經(jīng)網(wǎng)絡(luò)的系數(shù)進(jìn)行自動(dòng)更新，從而使神經(jīng)網(wǎng)絡(luò)能夠?qū)D像進(jìn)行識(shí)別。相比于傳統(tǒng)的圖像識(shí)別方法，基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法具有泛化能力強(qiáng)、可移植性好等特點(diǎn)。

針對(duì)家庭垃圾分類回收問(wèn)題，本文提出一種基于神經(jīng)網(wǎng)絡(luò)的智能垃圾桶設(shè)計(jì)。垃圾桶的工作流程如圖1所示，首先利用基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別模型對(duì)圖像中的垃圾進(jìn)行分類識(shí)別，再依據(jù)模型的分類識(shí)別結(jié)果通過(guò)控制系統(tǒng)將垃圾丟入相應(yīng)的垃圾回收桶中。經(jīng)實(shí)驗(yàn)結(jié)果證明，設(shè)計(jì)的智能垃圾桶能夠有效地實(shí)現(xiàn)生活垃圾的分類回收，具有較好的穩(wěn)定性和實(shí)用性，對(duì)降低生活垃圾分類回收的人工成本具有一定的實(shí)際意義。

圖1 智能垃圾桶工作流程

1 目標(biāo)檢測(cè)模型設(shè)計(jì)

近年來(lái)，隨著神經(jīng)網(wǎng)絡(luò)的快速發(fā)展，各式各樣的基于神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法被提出，目前基于神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法主要分為One-stage和Two-stage兩類。Two-stage目標(biāo)檢測(cè)算法流程是先通過(guò)一個(gè)神經(jīng)網(wǎng)絡(luò)檢測(cè)出區(qū)域候選框，再通過(guò)另一個(gè)神經(jīng)網(wǎng)絡(luò)對(duì)候選框中的物體進(jìn)行分類識(shí)別，主要代表算法為Fast R-CNN、Faster R-CNN和Mask R-CNN等，此類算法的準(zhǔn)確率較高，但檢測(cè)速度較慢。One-stage目標(biāo)檢測(cè)算法的主要流程是通過(guò)神經(jīng)網(wǎng)絡(luò)模型直接回歸出目標(biāo)的類別及位置信息，代表算法為YOLOv1、YOLOv2、YOLOv3和SSD等，此類算法準(zhǔn)確率較低，但檢測(cè)速度較快。本設(shè)計(jì)的輸入圖像比較簡(jiǎn)單且對(duì)模型的檢測(cè)速度有一定要求，因此選用One-stage系列算法作為神經(jīng)網(wǎng)絡(luò)的搭建框架。

1.1 YOLOv3算法

YOLOv3是神經(jīng)網(wǎng)絡(luò)應(yīng)用在目標(biāo)檢測(cè)方面的一個(gè)經(jīng)典模型，其網(wǎng)絡(luò)結(jié)構(gòu)圖如圖2所示，骨干網(wǎng)絡(luò)采用DarkNet-53，該網(wǎng)絡(luò)由52個(gè)卷積層和一個(gè)全連接層組成，并采用了ResNet網(wǎng)絡(luò)的殘差塊思想。采用了類似FPN網(wǎng)絡(luò)的多尺度預(yù)測(cè)，經(jīng)過(guò)上采樣和卷積運(yùn)算分別產(chǎn)生8×8、16×16、32×32大小的特征圖。

圖2 YOLOv3 網(wǎng)絡(luò)結(jié)構(gòu)

在YOLO Detection層中。首先在通過(guò)對(duì)訓(xùn)練集采用聚類算法得到三個(gè)不同尺度先驗(yàn)框并分配給三種不同尺度的特征圖，然后特征圖的每個(gè)cell都會(huì)預(yù)測(cè)三個(gè)邊界框，每個(gè)邊界框的預(yù)測(cè)信息包含邊界框相對(duì)于先驗(yàn)框的四個(gè)位置信息tx、ty、tw和th，一個(gè)邊界框置信度objectness prediction以及N個(gè)類別的置信度。

1.2 YOLOv3-tiny算法

在速度要求較高的項(xiàng)目中，YOLOv3網(wǎng)絡(luò)的表現(xiàn)性較差，尤其是在計(jì)算能力有限的邊緣設(shè)備中。由于本設(shè)計(jì)的目標(biāo)檢測(cè)模型需要部署在邊緣設(shè)備上，因此需要選用一種輕量級(jí)的目標(biāo)檢測(cè)網(wǎng)絡(luò)。

YOLOv3-tiny是一種基于YOLOv3的輕量級(jí)目標(biāo)檢測(cè)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，它的特征提取網(wǎng)絡(luò)只使用卷積層和池化層，取消了殘差模塊并只使用兩種不同尺度的特征圖作為輸出，相較于DarkNet-53網(wǎng)絡(luò)參數(shù)數(shù)量降低，模型大小減小，適合部署在計(jì)算能力有限的邊緣設(shè)備上，因此本設(shè)計(jì)的目標(biāo)檢測(cè)模型選用YOLOv3-tiny網(wǎng)絡(luò)來(lái)搭建目標(biāo)檢測(cè)模型。

圖3 YOLOv3-tiny網(wǎng)絡(luò)結(jié)構(gòu)

2 硬件系統(tǒng)設(shè)計(jì)

系統(tǒng)的內(nèi)部結(jié)構(gòu)如圖4所示，由垃圾識(shí)別箱和控制系統(tǒng)組成。

圖4 垃圾桶內(nèi)部結(jié)構(gòu)圖

2.1 垃圾識(shí)別箱

垃圾識(shí)別箱主要由攝像頭、LED燈和激光測(cè)距傳感器等組成，具體裝置信息如下所示：

攝像頭：Risym攝像頭，500萬(wàn)像素，用于圖像的采集。

LED燈：用于增強(qiáng)圖像亮度。

激光測(cè)距傳感器：型號(hào)為ATK-VL53L0X，測(cè)量距離3cm～200cm，檢測(cè)是否有垃圾丟入。

識(shí)別箱的工作流程圖如圖5所示，當(dāng)有垃圾丟入垃圾識(shí)別箱中時(shí)，控制核心會(huì)得到位于箱底的激光測(cè)距傳感器的反饋，從而得知有垃圾丟入，然后打開LED燈增加采集環(huán)境亮度，最后開啟攝像頭進(jìn)行圖像采集。

圖5 垃圾識(shí)別箱工作流程

2.2 控制系統(tǒng)

控制系統(tǒng)主要由控制核心、主副舵機(jī)、轉(zhuǎn)動(dòng)盤和垃圾回收箱組成，具體裝置參數(shù)如下：

控制主板：樹莓派3b+、1.4 GHz四核CPU，博通Videocore-IV型GPU

舵機(jī)：型號(hào)DS3218，扭矩為20 kg·cm

控制系統(tǒng)的工作流程如圖6所示，控制核心通過(guò)部署的神經(jīng)網(wǎng)絡(luò)模型對(duì)攝像頭采集的圖像中的垃圾進(jìn)行識(shí)別，根據(jù)識(shí)別結(jié)果，首先轉(zhuǎn)動(dòng)主舵機(jī)，將轉(zhuǎn)動(dòng)盤上的垃圾識(shí)別箱轉(zhuǎn)動(dòng)到相應(yīng)垃圾類別的回收箱的上方，再轉(zhuǎn)動(dòng)副舵機(jī)打開垃圾識(shí)別箱的底板，使垃圾掉入回收箱中，最后舵機(jī)復(fù)位，開啟下一次垃圾回收。

圖6 控制系統(tǒng)工作流程

3 實(shí)驗(yàn)結(jié)果分析

3.1 目標(biāo)檢測(cè)模型

3.1.1 數(shù)據(jù)集采集

采集訓(xùn)練數(shù)據(jù)集時(shí)，首先將垃圾識(shí)別箱的內(nèi)部涂成黑色，以減少背景對(duì)識(shí)別準(zhǔn)確率的影響，再將準(zhǔn)備的示例垃圾放入箱中進(jìn)行拍照，將收集的圖像通過(guò)數(shù)據(jù)增強(qiáng)技術(shù)增加數(shù)據(jù)集的數(shù)量，本設(shè)計(jì)采用的數(shù)據(jù)增強(qiáng)方法有翻轉(zhuǎn)變換、對(duì)比度變換和隨機(jī)修剪。最后利用labelImg軟件依據(jù)圖7中上海市垃圾分類的標(biāo)準(zhǔn)對(duì)數(shù)據(jù)及進(jìn)行標(biāo)注，標(biāo)注示例圖片如圖8所示。

圖7 上海市垃圾分類標(biāo)準(zhǔn)

圖8 標(biāo)注實(shí)例圖片

3.1.2 模型訓(xùn)練

對(duì)數(shù)據(jù)集采用聚類算法計(jì)算并設(shè)置YOLO層中的先驗(yàn)框大小，將YOLO層的最后輸出的類別維度改為4，分別對(duì)應(yīng)于可回收垃圾、干垃圾、濕垃圾和有害垃圾。

激活函數(shù)采用ReLU函數(shù)，其數(shù)學(xué)公式如(1)所示，函數(shù)圖像如圖9所示。

(1)

ReLU采用單側(cè)抑制，使神經(jīng)網(wǎng)絡(luò)具有稀疏激活性，由于其非負(fù)期間的梯度為常數(shù)，因此可以解決梯度消失的問(wèn)題，使得神經(jīng)網(wǎng)絡(luò)模型的收斂速度穩(wěn)定，能夠更好地挖掘相關(guān)特性，擬合訓(xùn)練集。

圖9 ReLU 函數(shù)圖像

在特征提取網(wǎng)絡(luò)中加入batch normalization層，以采用更大的學(xué)習(xí)率，提高模型的收斂速度，并且避免梯度消失和梯度爆炸的問(wèn)題。

訓(xùn)練模型采用Adam優(yōu)化器，batchsize設(shè)為32，epoch設(shè)為200，訓(xùn)練結(jié)果如圖10所示，模型在驗(yàn)證集和測(cè)試集上準(zhǔn)確率收斂于90%左右，整體表現(xiàn)良好。

圖10 模型訓(xùn)練結(jié)果

3.2 控制系統(tǒng)

用VNC遠(yuǎn)程屏幕軟件連接樹莓派，以便觀察目標(biāo)檢測(cè)模型的輸出信息。當(dāng)向垃圾回收箱中丟入垃圾時(shí)，模型的部分輸出如圖11所示。

圖11 模型的部分識(shí)別結(jié)果

實(shí)驗(yàn)平臺(tái)如圖12所示。

圖12 實(shí)驗(yàn)平臺(tái)

垃圾丟入垃圾桶后，垃圾桶能夠依據(jù)圖像識(shí)別結(jié)果準(zhǔn)確地將垃圾放入相應(yīng)的垃圾桶中，整個(gè)過(guò)程不需要人工參與，且運(yùn)行穩(wěn)定，實(shí)現(xiàn)了垃圾回收的智能化和自動(dòng)化。

4 結(jié)語(yǔ)

針對(duì)傳統(tǒng)的家庭垃圾分類回收所需人工成本高和自動(dòng)化程度低等問(wèn)題，本文提出一種基于神經(jīng)網(wǎng)絡(luò)的智能垃圾桶設(shè)計(jì)，本設(shè)計(jì)將神經(jīng)網(wǎng)絡(luò)技術(shù)和嵌入式技術(shù)結(jié)合，首先運(yùn)用神經(jīng)網(wǎng)絡(luò)技術(shù)識(shí)別圖像中的垃圾類別，再利用基于嵌入式的控制系統(tǒng)對(duì)家庭垃圾進(jìn)行分類回收，降低了人工成本。但是垃圾桶對(duì)于小目標(biāo)垃圾的回收準(zhǔn)確率相對(duì)較低，且一次性回收的垃圾數(shù)量有所限制，因此提高小目標(biāo)垃圾的回收準(zhǔn)確率和優(yōu)化控制結(jié)構(gòu)是未來(lái)研究的方向。