基于卷積神經網絡的智能分類垃圾桶設計

劉晏銘 叢子健 王 通 黃子悅

（長春大學機械與車輛工程學院，吉林長春 130000）

隨著城市發展，垃圾回收和再處理成為現代城市需要提供的基本服務。國內垃圾分類方式主要包括人工分揀和大型垃圾場分類，大型垃圾場的垃圾分類措施依然采取大量人工進行分揀。張河等[1]設計基于51單片機的智能垃圾桶系統，具有自動檢測開蓋以及超重預警功能。許韓睿等[2]設計基于STM32的智能垃圾桶系統，具有可旋轉開蓋、防火報警和顯示垃圾余量等功能。隨著深度學習技術在視覺領域的應用和發展，利用最新的人工智能技術實現垃圾分類成為可能，利用攝像頭拍攝垃圾圖片，檢測垃圾類別，使機器實現自動垃圾分揀，極大地提高垃圾分揀效率。卷積神經網絡的提出增加了分類的效率。Butt等[3]采用VGG19網絡模型對視頻圖像進行監控。文章提出基于VGG16網絡模型，采用樹莓派4B和STM32單片機設計垃圾分類系統。

1 主體設計

1.1 結構設計

裝置主體上層為控制部分電路盒，中層為垃圾分類機械結構，下層為4個獨立的垃圾桶。采用SOILDWORKS軟件對分類裝置進行建模，垃圾桶高850 mm，長、寬各450 mm。電路盒放置系統需要的電子硬件和連接的杜邦線，盒子上方放置7寸的高亮顯示屏；垃圾分類機械結構包括兩個軸承、兩個舵機，軸承保證二自由度的機械結構進行垃圾分類時減少摩擦；4個獨立的垃圾桶長寬各200 mm，高500 mm，分別放置廚余垃圾、可回收垃圾、有害垃圾、其他垃圾。裝置上方為20 cm×20 cm的垃圾投放口，垃圾通過投放口投放至裝置內。

垃圾桶結構建模如圖1所示。

圖1 垃圾桶結構建模

整體框架使用鋁材制作，電路盒和分類機構使用3D打印機器加工，垃圾桶使用亞克力板制作。

1.2 控制電路

（1）控制電路設計。本裝置選擇樹莓派4B作為上位機，選擇32系列單片機作為下位機。上位機與下位機進行信息傳遞，連接光電傳感器1、攝像頭和LED燈。光電傳感器1連接樹莓派的GPIO18口，末端固定在分類機構的分類槽中。垃圾投放至分類槽時，光電傳感器的光線被阻擋，反饋上位機信號；上位機接收到信號，運行相應程序并發送對應指令給下位機。下位機接收到上位機的指令，通過PWM控制電機旋轉角度，完成對應的動作，將垃圾投放至相應的垃圾桶內，完成分類。桶內垃圾超過容積的80%時，光電傳感器會給下位機反饋，下位機控制無源蜂鳴器報警。

硬件電路連接如圖2所示。

圖2 硬件電路連接

（2）程序設計。

程序設計流程如圖3所示。

圖3 程序設計流程

2 算法設計

2.1 數據集

數據集包括訓練集和測試集，約50%數據來自公共數據集，采集不同狀態下的垃圾，保證整體的泛化性，其余50%為課題組拍攝的圖片（3 854張）。為了增加樣本的多樣性，降低訓練過程中的過擬合，需要增加樣本量，對每一個樣本進行水平豎直翻轉，將驗證集的圖像尺寸調整為150×150像素。擴充樣本后，數據集圖片共8 800張，按照7∶3的比例隨機分割為訓練集、檢驗集。其中，6 160張作為訓練集，2 640張作為驗證集。每批訓練圖片數量為24，迭代次數為20次。課題組圖像像素為640×480，為3通道RGB圖像。

數據集分類如表1所示。

表1 數據集分類

2.2 垃圾分類算法設計

本設計以卷積神經網絡VGG16為特征提取網絡。VGG16的結構簡潔，網絡使用相同尺寸的卷積核（3×3）和最大池化尺寸（2×2）；通過加深網絡結構提升網絡性能；多個小濾波器（3×3）卷積層的組合效果比1個大濾波器（5×5或7×7）卷積層好；在網絡測試階段將訓練階段的3個全連接替換為3個卷積，使測試得到的全卷積網絡無全連接的限制，可以接收任意寬或高的輸入。為了增加網絡的泛化能力，對VGG16網絡進行優化。在原有數據的基礎上，擴充不同的垃圾圖片共3 000張；在原有VGG16網絡基礎上，添加歸一化處理，進一步提高網絡的泛化能力；添加全連接層和dropout處理。

3 試驗結果

3.1 試驗環境和特征提取模型的準確性驗證

試驗平臺電腦配置：i5-8300H CPU，8G RAM，64位window 10操作系統，GPU為NVIDIA GeForce GTX 1050 Ti。為了評估垃圾種類識別特征提取模型的性能，采取對比試驗。利用自定的訓練集進行驗證，將優化VGG16模型與VGG16和AlexNet模型進行對比，進行20次迭代訓練。

模型迭代準確率與損失率如圖4、圖5所示。

圖4 模型迭代準確率

圖5 模型迭代損失率

由圖4、圖5可知，優化VGG16的識別準確率比VGG16和AlexNet高，損失值較低。將5次訓練的準確率和損失值分為5組，取平均值。

分析不同方法5次訓練的準確率，優化VGG16的識別效果優于其他兩個模型，準確率最高為0.98；分析損失率，AlexNet模型訓練損失率最高，最高為0.204，最低為0.186，優化VGG16的模型損失率整體最低，最低為0.019，平均約0.05。訓練后的VGG16模型準確率維持在0.96以上，損失值低至0.05，精度能夠達到垃圾識別分類的要求。

不同方法的準確率如表2所示。

表2 不同方法的準確率 單位：%

3.2 模型的移植與測試

在完成模型的選擇與優化，將模型移植到樹莓派中，進行系統的實物搭建，在實際環境中對系統的分類功能和識別速度進行測試，共測試100次。

實際測試結果如表3所示。

表3 實際測試結果

由表3可知，系統能夠很好地識別對應的垃圾種類；對驅動裝置進行測試，舵機能夠準確地執行分類動作，實現垃圾的正確分類。整體運行結果顯示，模型能夠通過攝像頭傳輸的圖片準確識別垃圾種類，機械結構能夠正確地將對應垃圾分類到對應的垃圾箱內。測試的4種垃圾都能夠精確識別，準確可靠。

測試識別時間如圖7所示。

圖7 測試識別時間

由圖7可知，系統穩定運行，完成1次垃圾分類識別時間約0.95 s，模型在實際系統中具有良好的識別速度。

4 結語

本研究提出依據優化VGG16網絡模型與遷移學習結合的垃圾分類系統方法，通過識別垃圾圖像對投擲的垃圾進行分類并投放到對應的垃圾桶。分類系統完成1次分類回收的時間為0.95 s，平均識別精度超過95%。研究發現，一些深層次問題仍需解決，應改進算法以提高對小型垃圾的識別精度；研發多倉或其他垃圾收集工具，以滿足多類別的需求。