基于StEMD_VGG的智能垃圾分類抓取機(jī)械手臂分析研究

朱紅娟

（南京機(jī)電職業(yè)技術(shù)學(xué)院，江蘇 南京 211135）

0 引言

隨著經(jīng)濟(jì)社會(huì)的發(fā)展與人口的逐日遞增，據(jù)不完全統(tǒng)計(jì)，全球每天產(chǎn)生550萬噸生活垃圾，并且除去生活垃圾，還有各種各樣其他來源的垃圾，譬如：工業(yè)垃圾、農(nóng)業(yè)垃圾、建筑垃圾、醫(yī)療垃圾等等。在如今的時(shí)代，垃圾分類是可持續(xù)發(fā)展是一個(gè)必然的趨勢(shì)，那么資源的循環(huán)利用就是不可或缺的一環(huán)。值得一提的是，生活垃圾中還包含有一部分有害垃圾，如果不針對(duì)處理，將會(huì)對(duì)我們生活的自然環(huán)境產(chǎn)生不可估量的傷害，由此看來，垃圾分類存放的確是大勢(shì)所趨。

正如上述所言，全球垃圾生產(chǎn)速度驚人，如此巨量的垃圾如果寄希望于先集中后分類，這無疑是一個(gè)讓人“聞而生畏”的工作；反之，如果從垃圾的產(chǎn)生源頭就對(duì)其分類，對(duì)于垃圾的后續(xù)處理無疑是一條“捷徑”。然而，強(qiáng)制進(jìn)行垃圾分類無疑會(huì)成為降低人們生活品質(zhì)，壓榨閑暇時(shí)間的沉重負(fù)擔(dān)。

目前，在垃圾分類領(lǐng)域，大部分垃圾依靠環(huán)保工人手動(dòng)進(jìn)行分類，這種分類方法效率低、工作強(qiáng)度大，且所處環(huán)境會(huì)對(duì)工人身體產(chǎn)生影響,且采用人工進(jìn)行垃圾分類，效率低，浪費(fèi)人力，同時(shí)，工作人員憑借自己的經(jīng)驗(yàn)進(jìn)行垃圾分類，容易出現(xiàn)誤分類的情況。因此，本文提出一種智能垃圾分類技術(shù)，來突破垃圾分類效率低、容易出現(xiàn)誤分等問題。

1 垃圾分類抓取機(jī)械手臂的機(jī)構(gòu)設(shè)計(jì)

機(jī)械手臂由減速電機(jī)控制法蘭盤旋轉(zhuǎn)從而實(shí)現(xiàn)不同類型垃圾的抓取。法蘭盤上有安裝有兩種不同的機(jī)械手爪，機(jī)械手爪與法蘭盤之間的角度由推桿控制，但推桿伸出時(shí)手爪與法蘭盤平行，推桿縮回時(shí)，手爪與法蘭盤成一定角度，角度的大小取決于垃圾所在位置[1]。

法蘭盤中間安裝有攝像頭實(shí)現(xiàn)360無死角抓拍，識(shí)別到某個(gè)位置有其他形狀的垃圾時(shí)，比如餐巾紙團(tuán)或水果核等，由減速電機(jī)控制法蘭的旋轉(zhuǎn)讓第一機(jī)械手爪接近物體[2]。如果識(shí)別到某個(gè)位置有圓柱形狀垃圾時(shí)，比如煙頭或礦泉水瓶等，由減速電機(jī)控制法蘭的旋轉(zhuǎn)讓第二機(jī)械手爪接近物體。然后控制推桿與法蘭盤成一定角度，從而帶動(dòng)機(jī)械手爪傾斜，再讓夾緊推桿伸出，直到機(jī)械手爪接觸到垃圾，抓取垃圾直接放入進(jìn)分類垃圾箱，無需接觸垃圾，進(jìn)行分類。每個(gè)機(jī)械手爪的夾緊和松開都由一個(gè)電動(dòng)推桿實(shí)現(xiàn)，有對(duì)應(yīng)的按鈕控制，如圖1所示。

圖1 垃圾分類抓取機(jī)械手臂

第一機(jī)械手爪6和第二機(jī)械手爪7數(shù)量均為兩個(gè)，均勻間隔安裝在所述法蘭盤4表面。手爪多的情況下，可以多次抓取垃圾，抓取量增加，效率提高。這樣可以一次性抓取多種類的垃圾，從而提高抓取效率，節(jié)省了垃圾分類的整體時(shí)間[3]。

2 垃圾分類圖形識(shí)別

注意力機(jī)制算法——稀疏經(jīng)驗(yàn)?zāi)B(tài)分解（Sparse transformation Empirical Mode Decomposition，StEMD）對(duì)攝像頭采集圖像進(jìn)行關(guān)鍵點(diǎn)檢測(cè)，獲得采集圖像的顯著性視圖，然后把顯著性視圖送入VGG進(jìn)行分類處理，通過StEMD_VGG模型檢測(cè)出不同垃圾的所在位置，啟動(dòng)外部驅(qū)動(dòng)電源。如圖2所示，是StEMD_VGG算法的實(shí)現(xiàn)框圖[4]。

圖2 StEMD_VGG算法的實(shí)現(xiàn)框圖

2.1 稀疏表示理論

稀疏表示是對(duì)超完備字典中基向量進(jìn)行線性組合,以緊湊的方式表示原信號(hào),原信號(hào)則可通過被選擇的權(quán)值非零的字典基向量表示，且大多數(shù)字典基向量的權(quán)值為零[5]，信號(hào)向量x的稀疏表示為

x=φα

式中：φ為n×m的矩陣，其列向量為字典原子；α是x在φ上的稀疏表示系數(shù)，為m×1維列向量。

顯然，信號(hào)的稀疏表示問題[6]是通過尋找合適的字典φ、及字典φ已知時(shí)求解稀疏表示系數(shù)α。

2.2 K-SVD字典學(xué)習(xí)算法

對(duì)于復(fù)雜的高維圖像信號(hào)來說，構(gòu)造合適的過完備字典是圖像進(jìn)行稀疏表示的關(guān)鍵步驟。本文在此選取用于稀疏表示的具有較強(qiáng)泛化能力的 K-SVD 字典學(xué)習(xí)算法，以期得到更加符合垃圾圖像信號(hào)特征的字典 D。該算法的實(shí)質(zhì)是求解下式的優(yōu)化問題，即

式中：X為N組信號(hào)列向量組成矩陣；A為iα組成的稀疏矩陣，φ表示過完備字典。算法具體過程如下：

1）稀疏編碼階段。求解稀疏表示系數(shù)，即將式（1）所示的優(yōu)化問題分解為N個(gè)獨(dú)立問題，其中算法中的稀疏編碼采用正交匹配追蹤(orthogonal matching pursuit，OMP)算法進(jìn)行求解[7]。

2）字典更新階段。使用K-SVD依次更新字典φ的每一列，并計(jì)算重構(gòu)誤差。

2.3 圖像識(shí)別過程

（1）以K-SVD字典為稀疏基，對(duì)數(shù)據(jù)做稀疏分解獲得圖像的稀疏系數(shù)，此過程可被描述為

其中，OMP(·)是正交匹配追蹤算法函數(shù)，x攝像頭采集圖像，D是K-SVD字典，α是稀疏系數(shù)；

（2）對(duì)稀疏系數(shù)求符號(hào)處理，可描述為

其中，sign(·)是求符號(hào)函數(shù)；

（3）以符號(hào)函數(shù)為稀疏系數(shù)對(duì)圖像做重構(gòu)，可描述為

其中，y是重構(gòu)圖像數(shù)據(jù)；

（4）對(duì)y圖像按列展開，然后對(duì)重構(gòu)數(shù)據(jù)做經(jīng)驗(yàn)?zāi)B(tài)分解[8]，此過程可描述為

其中，EMD(·)是經(jīng)驗(yàn)?zāi)B(tài)分解函數(shù)，IMF1、IMF2、IMF3、IMF4、IMF5是內(nèi)涵模態(tài)分量，IMF1是最高頻段模態(tài)分量，IMF5是最低頻段模態(tài)分量，res是殘差分量；

（5）清空高頻段模態(tài)分量IMF1、IMF2、IMF3，重構(gòu)數(shù)據(jù)，重構(gòu)過程可描述為

其中，S是數(shù)據(jù)集x經(jīng)過顯著性檢測(cè)獲得的數(shù)據(jù)的顯著性特征集[9]。

（6）把顯著性數(shù)據(jù)送入VGG模型進(jìn)行垃圾類型識(shí)別。

3 結(jié)語

以自行設(shè)計(jì)的垃圾分類抓取機(jī)械手臂為研究對(duì)象，通過顯著性檢測(cè)算法稀疏經(jīng)驗(yàn)?zāi)B(tài)分解對(duì)攝像頭采集圖像進(jìn)行關(guān)鍵點(diǎn)檢測(cè)，獲得顯著性視圖，然后把顯著性視圖送入VGG進(jìn)行分類處理，通過StEMD_VGG模型檢測(cè)出不同垃圾的所在位置，從而實(shí)現(xiàn)不同類型垃圾的智能化分類。