基于機器學習的智能垃圾分類箱

謝堂，吳居豪，溫泉河

（廣州大學機械與電氣工程學院，廣州510000）

0 引言

隨著社會的發展進步，人們的生活水平日益提高、生活方式逐漸改變；但同時也帶來一些負面問題，例如生活垃圾日益增加。據統計，目前中國有1/3 以上的城市面臨著“垃圾圍城”的困局。中國每年產生的垃圾上億噸，全國600 多座城市堆放著80 億噸的垃圾，占用的土地超過5 億平方米。而我國目前處理垃圾的方法主要是依靠焚燒與填埋。這兩種方式都是治標不治本，只能短治不能長治。此外，焚燒與填埋還會對環境造成惡劣的影響。焚燒會產生大量有害氣體污染空氣；填埋則使得一些地方的稻田土壤因滲入垃圾中的有害物質被污染，導致稻米無法食用。顯然，對于城市而言，減少填埋場與焚燒場最有效的方法就是減少生活垃圾的產生。而可以有效減少垃圾產生的措施就是實施垃圾分類。

目前，我國主要還是依靠人工進行垃圾分類，即放置幾個不同類別標識的垃圾桶，行人需判斷手上的垃圾屬于何種類別，然后再投放到正確的垃圾桶內。又或者將垃圾交給旁邊的工作人員，讓他們進行垃圾分類并投放。雖然人工分類起到了一定的效果，但仍然不是長久之計。這樣不僅消耗了大量的時間、人力與物力，還會丟失垃圾桶自身最大的優點，即方便與節省時間。因此，智能分類垃圾桶便應運而生。

盡管智能垃圾桶早有人提出與設計，但在公共場合中仍然無法得到廣泛應用。其主要原因是成本過高以及基本不具備垃圾分類的功能等；而其主要的智能功能是利用紅外測距模塊感應行人是否靠近垃圾桶，一旦靠近便自動揭開垃圾箱的箱蓋供行人投放垃圾；此外還具有語音提示功能以及驅動行走功能等等。顯然這類智能垃圾箱主要是針對家庭住居而設計的，很多功能在公關場合中并不適用。例如一旦行人只是從垃圾桶旁經過并無投放垃圾之意，垃圾桶便會識別錯誤，消耗不必要的能源，大大增加成本。同樣，驅動行走功能與語音提示功能在喧嘩嘈雜的公共場所中也不切實際。此外，市面上雖有一些智能分類垃圾桶已能夠實現可回收與不可回收的分類功能，但由于垃圾桶本身體積過大以及成本過高，而得不到廣泛的普及。最后因為目前的智能垃圾分類還處于人為的給系統大量數據，讓其與新數據進行比較，從而實現分類，但是這種分類方式因為垃圾的形狀或者樣式的數量過于龐大，導致分類不準確。

1 基于機器學習的智能垃圾分類箱概述

本文論述的是一種基于機器學習的智能垃圾分類箱。通過人工智能學習架構搭建出卷積神經網絡，將預先獲得的相關垃圾訓練圖集輸入至卷積神經網絡中進行訓練、分類，然后系統對行人投放的垃圾進行拍照，獲取的照片與卷積神經網絡里的樣本圖集進行匹配對比，即根據輪廓識別、特征識別、色彩識別、材質識別等識別方法來尋找兩者之間的共同點，最后再實現判斷歸類。本文提到的垃圾訓練圖集主要分為三大類：可回收垃圾、不可回收垃圾以及有害垃圾。其中只需判斷行人投放的垃圾是否符合可回收垃圾與有害垃圾的特征，若都不符合以上兩種類別，便將其歸類為不可回收垃圾。

將機器學習的技術運用到該系統中，通過機器學習中的聚類這種無監督學習任務的方式進行自我學習，其具體工作為：系統通過對大量的垃圾進行特征識別，然后對我們所預設的三種垃圾分類種類的獨特特征進行劃分為三類，每類都收集大量數據，并把數據保存在一個數據庫里，當遇到新的垃圾，該系統通過提取數據并且與數據庫里的數據進行匹配，找出與系統哪類的數據相同或者相近，從而將其歸為一類，如果在系統內部找不到與之相匹配的數據，則系統自動通過現存數據對新數據進行推斷，系統自己判斷這類新數據屬于哪一類，從而使得分類更加準確。

本文概述的智能垃圾分類箱實現的主要功能是：對行人投放的垃圾進行拍照、垃圾的智能分類、吸附異味、感應垃圾桶是否溢滿、Wi-Fi 物聯網采集數據與自動報警等。其主要分為八個模塊：主控制模塊、機器視覺模塊、圖像處理模塊、圖像識別模塊、轉動模塊、感應溢滿模塊、Wi-Fi 物聯網模塊、報警模塊而機器學習功能因為不適合單獨作為一個硬件模塊我們將其分配于圖像處理與識別模塊內。系統運行的主要流程圖如圖1 所示，垃圾桶的結構設計如圖2 所示。

圖1 系統流程圖

圖2 垃圾箱的結構圖

2 系統的硬件結構

2.1 主控制模塊

主控制模塊主要由Arduino 控制器構成。它是整個系統的大腦。當壓力傳感器感應到有垃圾投放時，Arduino 控制器便控制機器視覺模塊、圖像處理模塊、圖像識別模塊的運行。當圖像識別模塊識別出圖像的類別并反饋于主控制器后，Arduino 控制器將控制轉動模塊轉過相應的角度，實現垃圾的智能分類投放。Arduino 控制器如圖3 所示。

圖3 Arduino控制器

2.2 機器視覺模塊

機器視覺模塊安裝在垃圾投放口處，它是通過拍照來獲取投放平臺上垃圾的圖像。主要由攝像頭構成。攝像頭采用USB 免驅動1080P 高清攝像頭，辨識清晰度大大提高；同時還具有160 度廣角，使得可拍攝的范圍大大增大；此外，還具有閃光燈功能，為其在昏暗的環境拍照提供了保證。USB 攝像頭如圖4 所示。

圖4 攝像頭圖片

2.3 圖像處理模塊

圖像處理模塊主要是對機器視覺模塊所拍攝的照片進行分析處理。攝像頭所拍攝得到的照片可以視為一個大的二維數組，該數組的元素稱為像素，其值稱為灰度值。將拍攝的照片按照顏色和灰度值的大小轉化為灰度圖像、二值圖像以及真彩色RGB 圖像，以供圖像識別模塊使用。

2.4 圖像識別模塊

圖像識別模塊是根據圖像處理模塊所獲取的圖像進行識別。將圖像與預先輸入至卷積神經網絡里的垃圾訓練圖集進行匹配，根據輪廓識別、色彩識別、材質識別等識別方法尋求兩者之間共有的特征，然后根據編寫的圖像算法識別出投放的垃圾的類別。該模塊同時加入機器學習的功能，首先通過對識別到的垃圾的各種特征與系統已存在的特征進行比對，若出現相同或相似，則歸為一類，同時將此數據存入系統，擴大系統的數據庫，使得下次識別更準更快，而相對于當前智能垃圾箱來說，如果遇到與系統所預存的數據無共同點的時候，系統就會出現識別不了的問題，但是對于我們的系統來說，因為加入了機器學習的功能，所以當遇到這類問題，系統就會通過對自己現存的數據進行分析，然后自我判斷這個所收集到的新數據的特征，從而進行準確的分類。

2.5 轉動模塊

當圖像識別模塊識別出垃圾的類別并反饋于主控制模塊后，主控制模塊將根據編寫的算法控制轉動模塊轉過相應的角度。轉動模塊如圖5 所示：底下放置著三個垃圾桶，它們分別對應可回收垃圾、不可回收垃圾、有害垃圾。三個桶體之間間隔120 度，它們的上方均安裝著一個放置垃圾的載物臺，也間隔120 度。該載物臺傾斜放置，上方開口，供行人投放垃圾；下方有個擋板。當識別出垃圾的類別后，載物臺會沿著某個方向轉過120 度，轉到對應類別的垃圾桶的上方，此時，載物臺下方的擋板會自動向上打開，垃圾便由于重力原因而下滑到對應的垃圾桶內，從而實現垃圾的智能分類投放。該載物臺之所以設置成三個而不是為了節約成本設置成一個，是為了避免載物臺因來回轉動次數過多而造成摩擦損耗，縮短工作壽命。當只安裝一個載物臺時，載物臺轉過120 度將垃圾投放到對應垃圾桶后，還需要轉回到投放口供行人投放垃圾，這樣大大增加了間隔時間以及摩擦損耗。而安裝三個載物臺可避免上述情況的發生。另外，我們設計的垃圾桶外表面包裹著一層活性炭層，可以有效地吸收空氣中有害氣體以及污染物質。有很強的空氣凈化效果，這也有助于工作人員更好地清理垃圾。

圖5 轉動模塊

2.6 感應溢滿模塊

此模塊主要用于檢測垃圾桶里的垃圾是否溢滿。為了使得感應更加精確，又分為兩個小模塊：稱重模塊與超聲波測距模塊。稱重模塊用于感應垃圾桶的重量是否超過了理論的重量值，該重量值我們會通過調查的方式，根據不同類別的垃圾桶其允許承受的最大重量而設置。為了避免行人投放的一些特殊垃圾過重，導致垃圾桶的重量雖超過了理論的重量值，但仍然未溢滿的情況發生，我們在垃圾桶內壁的桶口處還設計了超聲波測距模塊。其工作原理是超聲波發射器向某一方向發射超聲波，在發射時刻的同時開始計時，超聲波在空氣中傳播，途中碰到障礙物就立即返回來，超聲波接收器收到反射波就立即停止計時，記錄下該時間t，那么利用公式S=vt/2 就可以計算出超聲波源到障礙物之間的距離。當垃圾未溢滿時，測的實際距離是桶的內壁直徑；當垃圾溢滿時，測的實際距離是超聲波發射器到垃圾的距離，從而判斷出垃圾桶已溢滿。同樣，為了避免行人投放的垃圾的長度過長，導致雖然檢測出距離小于桶的內壁直徑，但垃圾桶仍然未溢滿的情況發生，我們規定只有稱重模塊與超聲波測距模塊均判斷出垃圾桶溢滿了，垃圾桶才算真正意義上的溢滿。此外，我們還設計一壓縮裝置。若超聲波測距模塊感應出垃圾桶溢滿，而稱重模塊未作出相應感應，壓縮裝置將啟動，對垃圾進行壓縮從而加大可投放垃圾的區域。

2.7 Wi-Fi物聯網模塊

該模塊采用的是WU105 模塊。這是一款低成本的802.11b/g/n 串口Wi-Fi 模塊，支持串口與Wi-Fi 之間的數據傳輸。最大無線傳輸速率為150Mbps，模塊還提供UART 和多個GPIO 接口，其中GPIO 和PWM用于智能控制，UART 和SPI 接口用于設備通訊。通過該模塊可以實現當垃圾桶溢滿時，向該區域的垃圾處理總站發送報警信息，以安排清潔人員進行垃圾清理；此外，還可以記錄該區域哪一種垃圾類別的報警次數最多與最少，從而幫助我們設計垃圾桶的體積大小，做到因地制宜。

2.8 自動報警模塊

當感應溢滿模塊判斷出垃圾桶溢滿時，系統將通過Wi-Fi 物聯網模塊向該區域的垃圾處理總站自動發送報警信息，以安排清潔人員進行垃圾清理。同時，垃圾桶的外體的LED 燈也會顯示出“XX 類別的垃圾桶已滿，請移步”的字樣。

3 系統的軟件結構

該系統包括主控制模塊、機器視覺模塊、圖像處理模塊、圖像識別模塊、轉動模塊、感應溢滿模塊、Wi-Fi物聯網模塊、報警模塊八個模塊。當擋板上的壓力傳感器感應到有垃圾投放時，主控制器處于工作狀態，便開始控制機器視覺模塊對投放的垃圾進行拍照取圖像，接著是圖像處理與圖像識別，識別后將信息反饋于主控制模塊，然后驅動電機轉動，使得轉動模塊上的載物臺轉過相應角度，其上的擋板向上滑動，垃圾滑移到垃圾桶內。當溢滿模塊識別出垃圾桶溢滿時，系統將通過Wi-Fi 物聯網模塊向該區域的垃圾處理總站自動發送報警信息，以安排清潔人員進行垃圾清理。詳細的操作流程圖如圖6 所示。

4 應用前景分析

本文論述的基于機器學習的智能垃圾分類箱是在通過對各種樣式的傳統垃圾箱和現存智能垃圾箱進行多次實際考察，總結目前現有垃圾桶的不足之處，從不足的地方著手，從而形成我們自己的創新之處，所以我們產品是從最根本的需求出發，改變現存的問題，對于改善目前社會上垃圾分類的不足有了很大提升。正是因為我們所研究的智能垃圾分類箱有了較為完善的功能，而且相比于目前所存在的智能垃圾箱來說，我們的產品運用機器學習的方法進行圖像識別，這也給系統的圖像識別帶來了更大的便利之處，因為對于普通的圖像識別只是通過認為的去選擇垃圾的某類特征進行識別，而對于我們來說，更多的是通過機器學習使系統自己學習，自己通過所存儲的數據去判斷某類特征，從而分類有好的容錯性，而且也更加徹底。

圖6 操作流程圖

所謂智能分類垃圾箱就是體現在分類夠快，夠準確，而相比于其他的智能垃圾分類箱，我們的產品剛好更加符合這兩點。其次是我們僅僅是將分類垃圾的類型定為三種，一種是可回收垃圾，另外一種是有害垃圾，最后一種是其余垃圾，這樣分類有多方面的有點，一個是相對于傳統垃圾箱來說，這么分類可以減少人工去對所有垃圾進行分類，這樣對于環衛工人來說有很大的衛生隱患，而且還對可回收垃圾進行了充分的回收和對有害垃圾的充分特殊處理，因為目前很多垃圾都是直接裝袋運走，并沒有對垃圾進行過濾掉可回收垃圾以及有害垃圾，從而導致一個是浪費了資源，二是對有害垃圾處理不當，容易造成環境問題。二是相對于目前所現存的智能垃圾分類箱來說，大多數的研究都是有著各種各式的分類，分類種數過多，導致對硬件與軟件的要求過高，而且實際作用并不大，這樣過于雞肋，不僅是結構過于復雜，而且還會導致經濟成本過高。而我們只是將分類分為必要的種類，這樣既實現了垃圾分類而且還使經濟成本降低，其次是現存的智能垃圾箱還處于通過與系統的數據特征進行匹配而進行分類，導致出現由于垃圾的外在形式和物理形態的改變而發生分類出錯或者分類不了的情況，而我們系統正是基于這點考慮才提出通過機器學習的方式進行分類，從而使得分類更加準確，更不至于分類不了的情況。

基于以上觀點，我們此次設計的基于機器學習的智能垃圾分類箱有著很好的應用前景。

5 結語

本文通過軟硬件的設計，設計了一款基于機器學習的智能分類垃圾箱。其主要采用圖像識別的方法來進行垃圾分類。另外，采用重量感應與超聲波測距的雙結合方法來判斷垃圾桶是否達到飽和狀態，大大提高了判斷的準確性。與現有的智能垃圾分類箱相比，因為運用到了機器學習的功能，使識別更加精確與靈敏，可實用性較高，較大提高了可回收垃圾的回收率，降低了人力物力財力的損耗，具有一定的使用價值。總的來說，該系統的創新之處在于簡化垃圾分類的種類的基礎上加上了機器學習的功能，最大效益地改善了垃圾分類問題。