基于圖像處理的智能分類垃圾桶的設計

胡耀，王棟，馬龍，張斌

（塔里木大學機械電氣化工程學院，新疆阿拉爾，843300）

關鍵字：圖像處理；樹莓派4B開發板；垃圾智能分類；智能垃圾桶

0 引言

近年來隨著經濟、工業的飛速發展，產生垃圾大量的生活垃圾、工業垃圾。垃圾現有的主要處理方式有掩埋、焚燒、填海，導致垃圾污染也從陸地蔓延到了海洋。以上垃圾的處理方法不僅污染環境而且造成資源浪費[1][2]。降低環境污染，變廢為寶，最大程度挖掘垃圾的潛在價值，垃圾分類回收勢在必行。但是人們覺得垃圾分類繁瑣、費時、容易混淆。很難真正做好垃圾源頭分類很難。綜合以上問題，本次大學生創新創業訓練項目設計一個基于圖像處理的智能分類垃圾桶，該垃圾桶以日常生活垃圾分類為主題，如：廚余垃圾、有害垃圾、可回收垃圾和其他垃圾等四類生活垃圾，該垃圾桶能具有自主判斷、垃圾分類、方便投放、滿載警報功能及播放垃圾分類宣傳片的功能。

1 智能分類垃圾桶的結構與原理

該垃圾桶的外部形狀及內部結構如下圖所示，如圖1和圖2所示。垃圾桶整體尺寸為直徑50厘米，高60厘米，垃圾桶的容積約為118升，4個子垃圾桶即垃圾投放箱可拆卸。

圖1 智能分類垃圾桶外觀

圖2 智能分類垃圾桶爆炸圖

1.1 智能分類垃圾桶的結構

該垃圾桶主要由以下幾個部分組成，垃圾桶支撐架，投放箱（4個）、隔板、舵機等。支撐架用于支撐四個子垃圾桶及垃圾桶上部投放箱、隔板及舵機，四個子垃圾桶由四個舵機單獨控制[3]。

1.2 智能分類垃圾桶的原理

（1）垃圾桶有紅外檢測功能，在光紅外傳感器模塊探測范圍內探測到有人員要投放垃圾時，垃圾桶自動打開桶蓋，人員將垃圾投放到垃圾桶上部的投放箱中，在垃圾投放箱中進行垃圾識別，此時攝像頭會獲取垃圾圖片，完成圖像信息采集。

（2）攝像頭拍照獲取垃圾圖片，并將圖片信息上傳給樹莓派開發板中的圖像處理系統，圖像處理系統會調取模型數據庫與該圖片進行分析、對比、識別，獲得該種垃圾的可信度，從得出垃圾的種類。

（3）識別出具體垃圾種類后，樹莓派開發板將發出控制命令到控制系統。假設當前識別出的是可回收垃圾，控制系統將控制該垃圾桶的舵機和隔板舵機，由舵機帶動可回收垃圾的垃圾桶旋轉到隔板投放口下方，隔板投放口打開，垃圾投入垃圾桶，完成垃圾投放。若垃圾桶內垃圾達到容納上線，位置傳感器檢測到有物體，觸發滿載報警器報警，及時提醒工作人員清空垃圾桶。

2 智能分類垃圾桶的工作流程

本項目設計的智能分類垃圾桶主要由圖像信息采集模塊、圖像處理模塊與垃圾分類執行模塊組成[4]。如圖3所示。圖像信息的采集在本項目設計的采集箱中進行，調整好光源位置，通過樹莓派攝像頭獲取圖像，并將圖像保存并傳輸到樹莓派開發板。在前期已創建好的垃圾識別模型、分類模型中對圖片進行處理、評估，從而正確得出垃圾的類別。同時將所識別出的垃圾分類信號傳輸到樹莓派開發板，樹莓派開發板發出信號控制舵機旋轉相應的角度，將對應的垃圾桶轉到垃圾投放口，完成垃圾投放。

圖3 智能分類垃圾桶工作流程

2.1 圖像信息采集模塊

主要由樹莓派4b開發板、樹莓派攝像頭和采集箱組成。如圖4所示。

圖4 垃圾圖像采集組件

2.1.1 垃圾樣本的采集

（1）訓練樣本的采集

為提高垃圾識別的精度，項目組成員進行了大量的樣本采集，保證圖像處理的訓練模塊有充足的、全面的數據庫。訓練樣本主要對可回收垃圾、干垃圾、濕垃圾及有害垃圾等四大類進行采集。每一種垃圾采集至少1000個樣本以上，以可回收垃圾為例，首先考慮到可回收垃圾的種類，其次考慮每種可回收垃圾的形狀、大小、顏色等情況，最后考慮到樣本采集時的角度、距離、光照等問題。同理其他三種垃圾樣本采集時也要考慮相關的因素。

采集的可回收垃圾主要選取了礦泉水瓶、酒瓶、易拉罐、廢紙等。有害垃圾主要選取了過期藥品、廢舊電池、過期化妝品、廢燈泡等。干垃圾即其他垃圾主要選取了煙頭、衛生紙、塑料袋、陶瓷等。濕垃圾即廚余垃圾主要選取了香蕉皮、橘子皮、蘋果核、西瓜皮、雞蛋殼等。

樣本采集完畢后，檢查所獲取的垃圾圖片是否清晰、是否有噪點，如果有要重新采集，直到清晰可用為止。檢查結束后建立文件夾將獲取的每一類垃圾圖片進行命名并保存到對應的文件夾中，方便圖像處理模塊種模型的訓練。

（2）驗證樣本的采集

驗證樣本即是對訓練的模型進行檢驗的對象，盡量與訓練樣本不同同，以免影響識別的準確率。項目組成員隨機選取四類垃圾共計175個，隨機抽取一種進行驗證直至175個垃圾都驗證完畢。

2.2 圖像處理模塊

本項目采用卷積神經網絡（CNN）算法 對圖像進行信息讀取、模型建構及模型訓練，最后得出學習函數，當隨機投入任意種垃圾時，訓練出的模型會預測垃圾的類型。 構建的模型由輸入層、卷積層、池化層、全連接層和輸出層組成。卷積神經網絡結構如圖5所示。

圖5 卷積神經網絡結構圖

（1）其中輸入層：輸入垃圾圖片，為卷積層提供信息數據。

（2）卷積層：卷積層通過卷積運算提取圖像的特征，隨著卷積層的增加，多層網絡可以提取更為復雜的圖像特征。公式，其中，是l層第j個特征平面的輸出特征,是l-1卷積層第i個特征平面的輸出，是l層第j個神經元的權值，是l層的第j個特征平面的偏置[5]。

（3）池化層：壓縮數據，降低數據維度，池化層在卷積之后對圖像進行降維。采用relu函數激活神經元。

（4）全連接層：把所有局部特征以及各通道的特征矩陣結合變為向量代表，得出每一類的得分，即起到“分類器”的作用，本項目采用Softmax函數進行分類。

2.3 垃圾分類執行模塊

垃圾正確的分類投放主要由樹莓派開發板、舵機和四個子垃圾桶共同完成。首先在圖像信息處理模塊中，完成了所投放垃圾的識別并輸垃圾類別信號，樹莓派開發板將根據所獲取的信號控制對應的舵機旋轉到投放口下方，打開投放口隔板完成此次垃圾投放。

3 垃圾分類的準確率

得出此智能分類垃圾桶的驗證結果如表1所示。將175個生活垃圾混合隨即抽取一種投入垃圾桶進行識別，同事統計每種垃圾的個數及垃圾被正確識別出來的次數，直到所有垃圾都識別完成，統計系統識別的結果。得到下表1

表1 智能分類垃圾桶驗證結果

4 結束語

本文介紹了一種智能分類垃圾桶，該垃圾桶利用了樹莓派開發板、機器視覺技術和傳感器技術等。項目組成員實地采集擬分類四種垃圾對其進行測試，結果準確率分別是90.4%、88.7%、76.2%、100%。通過了垃圾分類測試，驗證了垃圾智能分類的可行性。但是該裝置對于處理剩飯剩菜之類的廚余垃圾還有待提高，訓練模型需進一步優化改進。