家庭垃圾分類回收的智能垃圾桶設計

王興朝，唐瑞尹

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

0 引言

隨著我國經濟的快速發展，我國城市每年產生的垃圾在逐年上漲，根據相關部門統計，在2019年我國城市生活垃圾產出量為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環境治理和資源的再利用具有重大意義。各大城市針對垃圾分類回收制定了相關的政策，但由于監管體系不健全，缺乏科學的有效的信息監管手段與激勵機制，使得居民參與垃圾分類回收的積極性不高，嚴格遵守垃圾分類政策的意識的不足，導致城市垃圾分類回收的效果并不明顯。因此，使用自動化技術降低人工成本是未來解決城市垃圾分類回收問題的發展趨勢，而機器視覺是實現垃圾自動分類回收的一項重要科學技術。

近年來，隨著人工智能和物聯網的高速發展，尤其是神經網絡的發展，為機器視覺在圖像識別和目標檢測的應用方面提供了新的理論基礎和實現方法。早期的圖像識別主要利用Harris、SIFT、SURF、LBF、HOG、DPM等方法對圖像特征進行提取，再通過支持向量機SVM等分類器對特征進行識別分類，由于傳統的圖像處理方法在圖像特征提取過程中需要人工參與，導致其識別的準確率受經驗影響較大，泛化能力較弱。而基于神經網絡的圖像識別方法不需要人為參與圖像特征提取的過程，而是通過大量數據集利用梯度下降法和反向傳播對神經網絡的系數進行自動更新，從而使神經網絡能夠對圖像進行識別。相比于傳統的圖像識別方法，基于神經網絡的圖像識別方法具有泛化能力強、可移植性好等特點。

針對家庭垃圾分類回收問題，本文提出一種基于神經網絡的智能垃圾桶設計。垃圾桶的工作流程如圖1所示，首先利用基于神經網絡的圖像識別模型對圖像中的垃圾進行分類識別，再依據模型的分類識別結果通過控制系統將垃圾丟入相應的垃圾回收桶中。經實驗結果證明，設計的智能垃圾桶能夠有效地實現生活垃圾的分類回收，具有較好的穩定性和實用性，對降低生活垃圾分類回收的人工成本具有一定的實際意義。

圖1 智能垃圾桶工作流程

1 目標檢測模型設計

近年來，隨著神經網絡的快速發展，各式各樣的基于神經網絡的目標檢測算法被提出，目前基于神經網絡的目標檢測算法主要分為One-stage和Two-stage兩類。Two-stage目標檢測算法流程是先通過一個神經網絡檢測出區域候選框，再通過另一個神經網絡對候選框中的物體進行分類識別，主要代表算法為Fast R-CNN、Faster R-CNN和Mask R-CNN等，此類算法的準確率較高，但檢測速度較慢。One-stage目標檢測算法的主要流程是通過神經網絡模型直接回歸出目標的類別及位置信息，代表算法為YOLOv1、YOLOv2、YOLOv3和SSD等，此類算法準確率較低，但檢測速度較快。本設計的輸入圖像比較簡單且對模型的檢測速度有一定要求，因此選用One-stage系列算法作為神經網絡的搭建框架。

1.1 YOLOv3算法

YOLOv3是神經網絡應用在目標檢測方面的一個經典模型，其網絡結構圖如圖2所示，骨干網絡采用DarkNet-53，該網絡由52個卷積層和一個全連接層組成，并采用了ResNet網絡的殘差塊思想。采用了類似FPN網絡的多尺度預測，經過上采樣和卷積運算分別產生8×8、16×16、32×32大小的特征圖。

圖2 YOLOv3 網絡結構

在YOLO Detection層中。首先在通過對訓練集采用聚類算法得到三個不同尺度先驗框并分配給三種不同尺度的特征圖，然后特征圖的每個cell都會預測三個邊界框，每個邊界框的預測信息包含邊界框相對于先驗框的四個位置信息tx、ty、tw和th，一個邊界框置信度objectness prediction以及N個類別的置信度。

1.2 YOLOv3-tiny算法

在速度要求較高的項目中，YOLOv3網絡的表現性較差，尤其是在計算能力有限的邊緣設備中。由于本設計的目標檢測模型需要部署在邊緣設備上，因此需要選用一種輕量級的目標檢測網絡。

YOLOv3-tiny是一種基于YOLOv3的輕量級目標檢測網絡，其網絡結構如圖3所示，它的特征提取網絡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網絡參數數量降低，模型大小減小，適合部署在計算能力有限的邊緣設備上，因此本設計的目標檢測模型選用YOLOv3-tiny網絡來搭建目標檢測模型。

圖3 YOLOv3-tiny網絡結構

2 硬件系統設計

系統的內部結構如圖4所示，由垃圾識別箱和控制系統組成。

圖4 垃圾桶內部結構圖

2.1 垃圾識別箱

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

攝像頭：Risym攝像頭，500萬像素，用于圖像的采集。

LED燈：用于增強圖像亮度。

激光測距傳感器：型號為ATK-VL53L0X，測量距離3cm～200cm，檢測是否有垃圾丟入。

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

圖5 垃圾識別箱工作流程

2.2 控制系統

控制系統主要由控制核心、主副舵機、轉動盤和垃圾回收箱組成，具體裝置參數如下：

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

舵機：型號DS3218，扭矩為20 kg·cm

控制系統的工作流程如圖6所示，控制核心通過部署的神經網絡模型對攝像頭采集的圖像中的垃圾進行識別，根據識別結果，首先轉動主舵機，將轉動盤上的垃圾識別箱轉動到相應垃圾類別的回收箱的上方，再轉動副舵機打開垃圾識別箱的底板，使垃圾掉入回收箱中，最后舵機復位，開啟下一次垃圾回收。

圖6 控制系統工作流程

3 實驗結果分析

3.1 目標檢測模型

3.1.1 數據集采集

采集訓練數據集時，首先將垃圾識別箱的內部涂成黑色，以減少背景對識別準確率的影響，再將準備的示例垃圾放入箱中進行拍照，將收集的圖像通過數據增強技術增加數據集的數量，本設計采用的數據增強方法有翻轉變換、對比度變換和隨機修剪。最后利用labelImg軟件依據圖7中上海市垃圾分類的標準對數據及進行標注，標注示例圖片如圖8所示。

圖7 上海市垃圾分類標準

圖8 標注實例圖片

3.1.2 模型訓練

對數據集采用聚類算法計算并設置YOLO層中的先驗框大小，將YOLO層的最后輸出的類別維度改為4，分別對應于可回收垃圾、干垃圾、濕垃圾和有害垃圾。

激活函數采用ReLU函數，其數學公式如(1)所示，函數圖像如圖9所示。

(1)

ReLU采用單側抑制，使神經網絡具有稀疏激活性，由于其非負期間的梯度為常數，因此可以解決梯度消失的問題，使得神經網絡模型的收斂速度穩定，能夠更好地挖掘相關特性，擬合訓練集。

圖9 ReLU 函數圖像

在特征提取網絡中加入batch normalization層，以采用更大的學習率，提高模型的收斂速度，并且避免梯度消失和梯度爆炸的問題。

訓練模型采用Adam優化器，batchsize設為32，epoch設為200，訓練結果如圖10所示，模型在驗證集和測試集上準確率收斂于90%左右，整體表現良好。

圖10 模型訓練結果

3.2 控制系統

用VNC遠程屏幕軟件連接樹莓派，以便觀察目標檢測模型的輸出信息。當向垃圾回收箱中丟入垃圾時，模型的部分輸出如圖11所示。

圖11 模型的部分識別結果

實驗平臺如圖12所示。

圖12 實驗平臺

垃圾丟入垃圾桶后，垃圾桶能夠依據圖像識別結果準確地將垃圾放入相應的垃圾桶中，整個過程不需要人工參與，且運行穩定，實現了垃圾回收的智能化和自動化。

4 結語

針對傳統的家庭垃圾分類回收所需人工成本高和自動化程度低等問題，本文提出一種基于神經網絡的智能垃圾桶設計，本設計將神經網絡技術和嵌入式技術結合，首先運用神經網絡技術識別圖像中的垃圾類別，再利用基于嵌入式的控制系統對家庭垃圾進行分類回收，降低了人工成本。但是垃圾桶對于小目標垃圾的回收準確率相對較低，且一次性回收的垃圾數量有所限制，因此提高小目標垃圾的回收準確率和優化控制結構是未來研究的方向。