一種智能分類垃圾處理機器

段昆昕，朱博文，陳浩男，區秋鴻，吳澤耿

（廣州城市理工學院，廣東 廣州 510800）

隨著社會的發展，垃圾分類任務從可回收垃圾和不可回收垃圾細化到了包含這2 類垃圾在內的21 種類型，其中很大部分的垃圾處理工藝大相徑庭[1]。廚余垃圾就是其中最讓人頭疼的垃圾種類，廚余垃圾堆肥技術可使它回到自然循環，提高垃圾的資源價值和經濟價值。智能分類處理機器可以將倒入容器中的廚余垃圾進行預處理、脫水、研磨、生物降解和發酵制肥等一系列操作，取出時則是處理后的、無異味的肥料。

自動駕駛作為當下汽車行業最為前沿的技術，也是人工智能的主要應用場景之一[2]。無論是谷歌、百度，還是福特、通用、寶馬等都加快在汽車自動駕駛領域的布局。智能分類處理機器也擁有該方面的部署。機器可以按照地面系統發布的任務統一進行分配，進行智能化的路線規劃。除此之外，可以在機器空余時間對規劃路線進行路面清掃和灑水，代替地面清掃車的任務，減少了因請清掃車司機而帶來的人力、物力成本。

先進的能源評估技術可以實時對車輛續航和續航預測與地面站進行同步，地面站決策車輛尋找距離最近的充電樁進行充電。地面站的高靈活部署特性使智能分類垃圾處理機器可以安裝在環衛工的房間內，也可以安裝在當地的環衛部門等。招手即停功能可以回收路人手中的垃圾，機器艙內的旋轉分類系統可以直接分類垃圾。而對于市場上所有智能分類垃圾桶而言，最大的技術挑戰就是無法對黑色垃圾袋內垃圾進行準確識別。智能分類垃圾處理機器借助先進的微波雷達技術加之深度學習神經網絡對袋內垃圾進行參數化分析，車艙內的機械臂手持刀輪，解剖垃圾，更加精確、細致、有效、高效地進行分類。

1 基本結構

1.1 整體結構

智能分類垃圾處理機器是帶有轉向系統的叉臂減震底盤的純電平臺的集垃圾清掃、垃圾分類和垃圾處理為一體的自主巡航、道路規劃的智能機器車，如圖1 所示。

圖1 自主巡航、道路規劃的智能機器車

5C 譯為Category 5，即可以收集5 類垃圾，其中包含4 種干垃圾的分類和1 種廚余垃圾的分類。桶內垃圾容量高達1 100 L，搭載寧德時代的聚合物磷酸鐵鋰動力電池，續航時間可達10 h。使用了生物分解的堆肥技術，高效的研磨電機可將廚余垃圾磨碎，6 h 即可完成堆肥，如圖2 所示。

圖2 研磨刀和研磨腔

基于強悍的英偉達算力平臺和5G 技術，智能分類垃圾處理機器可以輕松完成路面處理任務和自動道路規劃的算法計算。先進的能耗評估系統可對自身系統進行實時能耗評估，效率更高。機體搭載了日本進口的颶風葉輪負壓電機、鋼網過濾系統和鴨嘴形吸塵刷組成的路面垃圾清掃系統。后面有無刷電機驅動的鋼絲刷進行頑固污漬的刷洗任務。垃圾投入后下方為垃圾道，道內末端連接一可控的平板，垃圾置于平板上方的時候，攝像頭進行垃圾種類的推斷，再由平板下方開口落入垃圾桶內，完成簡單的垃圾分類任務。

1.2 智能底盤

5C 智能分類處理機器使用了自主研發的純電平臺，使用12 寸鍛造輪轂和單永磁電機中置的布局，是可控的全時四驅系統。

智能底盤由1 個永磁同步電機、1 個轉向電機、轉向連桿、轉向架、轉向球頭、獨立梁和4 支減震支臂組成，如圖3 所示。

圖3 智能底盤示意圖

永磁同步電機是由布魯薩（深圳）電子技術有限責任公司生產的高性能電機，其核心技術及產品廣泛被奔馳、寶馬、大眾、奧迪、保時捷、沃爾沃、豐田、本田等全球車企采用。具有極高的性能和空前的穩定性。

減速箱同樣也是由布魯薩公司提供，該減速箱為固定齒比減速箱，具有適中的傳動比，系同公司同技術水平設計，工作配合協調性更好，具有額定效率高、輸出扭矩大、噪聲低、發熱低等特點。

可調阻尼、硬度的可調液壓支臂，將普通的液壓支臂進行風格化的改進，在原有液壓支臂的液壓殼體倒上了螺紋，加了一個可以和螺紋配合的大螺栓，這個大螺栓既可以壓迫減震彈簧向下以增加彈簧硬度，又可以自鎖，防止它上下滑動，這樣的設計符合不同的應用場景。

智能底盤分控制系統負責配合和機器總控系統之間的任務交流，和應用性能優良的CAN（Controller Area Network）總線進行通訊。另外，控制箱內部包含眾多設置，具體如下：4 個高精度電壓偵測器，實時監測電池包、發電機、控制器和其他周邊設備的輸入輸出電壓并及時反饋；1 個128 GB 的SSD（Solid State Disk）硬盤，用于記錄車輛的行駛記錄和設備的一些雷達傳感器數據，并以日志的方式儲存下來，方便設備維護升級；4 個攝像頭數據總線，可以在車輛周圍安裝4 個高分辨率攝像頭，其中1 個為主攝像頭，可以裝載支持深度感知的雙目攝像頭；1 個12 路的超聲波雷達控制器，可以安裝汽車用毫米波雷達等類似以超聲波或微波為原理工作的傳感器模塊；4 路胎壓監控傳感器數據總線，可以安裝4 輪胎壓監控設備。

強電箱內安裝有2 路轉向電機控制器，2 路主電機控制器以一主一備的冗余思想為原則，2 路控制器由分電板提供電力，4 路控制器不共享數據總線，而是每一路單獨設置總線，提高調度響應速度和失真率。

1.3 分類系統

分類系統由機械部分和電控系統部分組成，機械部分包括分揀機械臂（如圖4 所示）、投入口緊緊相連的滑道和與滑道相連的篩板。機械臂是1 個6 自由度的機械臂，自由度高、動作靈活，手部夾爪撿拾效率高。篩板上帶有無數微孔，篩板與電機帶動的一個偏心機構相連，電機振動帶動篩板振動使待識別物攤平于篩板之上。機械部分負責控制信號的執行，稱為執行機構，電控系統是由攝像頭、微波雷達、控制器等設備組成的系統，是整個垃圾分類系統的靈魂。分類控制系統也可以通過5G 技術和物聯網技術與地面站進行通訊。

圖4 分揀機械臂

1.4 廚余堆肥系統

廚余垃圾分類部分由研磨機、脫水機、負壓真空機、加溫器和堆肥箱組成。經過分類系統的篩選，執行機構將廚余垃圾分類整理送至研磨機構，研磨機構對磨碎后的垃圾進行生物制肥。

1.5 圖像識別系統

圖像識別系統由高分辨率攝像頭模組、紅外攝像頭模組、紅外補光燈模組、微波雷達模組和圖像數據處理模塊[3]等組成。

1.6 綜合控制系統

綜合控制系統是整個機器的大腦、小腦和神經，它與底盤積極“溝通”，也與垃圾處理設備建立通訊，實現各個模塊的實時通訊、調度、管理。綜合控制系統由2 部分組成：①STM32 單片機搭建的“守護者”程序，負責整個機器智能部分的開機、自檢及應急措施的任務；②Intel 公司生產的低功耗至強e3 處理器為計算核心的工業控制主機，主機通過PCI（Peripheral Component Interconnect）總線通訊的方式與AMD R9圖像計算平臺進行實時通訊，完成道路標線識別、道路安全性分析、地面垃圾和箱體內垃圾數據及激光雷達傳回數據的科學化處理，以及完成深度學習網絡推理任務，CPU（Central Processing Unit）則是處理中間信息的計算單元。

1.7 地面清潔系統

地面清潔系統由清掃刷頭、喉管、扁吸嘴、掃塵刷、離心風機組成。吸塵器主要由起塵、吸塵、濾塵3部分組成。

1.8 自主巡航傳感器

自主巡航部分主要是傳感器的合理化配合，自主巡航套件主要包含3 個激光雷達和12 個超聲波雷達及雙目深度相機（主攝像頭）和3 個高清攝像頭。

1.9 智能發電機模組

智能發電機組采用雙缸15 kW 汽油動力發電機，發電效率高、能源熱值高，高效節能。

1.1 0 地面站和地面控制系統

地面站和機器的通訊系統采用高通SDX55 5G 基帶芯片2 款不同封裝（LGA、M.2）的5G 通信模組SRM815 和SRM825W。

2 工作原理

2.1 分類系統工作原理

垃圾投放口：垃圾投放口處設有“紅外簾幕”，即紅外對射傳感器，主要用來檢測是否有實體經過。紅外對射全稱為主動紅外入侵探測器（Active Infrared Intrusion Detectors），其基本的構造包括發射端、接收端、光束強度指示燈、光學透鏡等，其偵測原理是利用紅外發光二極管發射的紅外射線，再經過光學透鏡做聚焦處理，使光線傳至很遠距離，最后光線由接收端的光敏晶體管接收。當有物體擋住發射端發射的紅外射線時，由于接收端無法接收到紅外線，所以會發出警報。紅外線是一種不可見光，而且會擴散，投射出去后，在起始路徑會形成圓錐體光束，隨著發射距離的增加，其理想強度與發射距離呈反平方衰減。當物體越過其探測區域時，遮斷紅外射束而引發警報。傳統型主動紅外入侵探測器由于只有2 光束、3 光束、4 光束類型，常用于室外圍墻報警。

緊連的滑道：該滑道為不銹鋼材質的斜置平臺，上端連接投擲口，下端連接分類篩板，滑道上涂有放生銹涂層。

分類篩板：分類篩板與一偏心機構電機相連，電機轉動，帶動篩板，使落入篩板的垃圾攤平，從而更好地幫助攝像頭進行識別，如圖5 所示。

圖5 分類篩板

分類箱容器：分類桶為四分類圓形桶，中部被十字板分隔成4 個獨立的空間，共有1 100 L 的可用空間。箱體為可旋轉箱體，下部剛性連接有4 個方向的日內瓦輪，日內瓦輪由1 個閉環控制的步進電機驅動，步進電機主軸每旋轉1 個周期，日內瓦輪帶動箱體轉動90°。因此，控制電機即可完成對分類箱體旋轉到哪一個分區進行精確的控制。

2.2 廚余堆肥系統的工作原理

有機肥堆肥厭氧性方式是把垃圾堆積，減少與空氣的接觸，以厭氧性分解為主要反應，促使有機肥有機物安定化的處理方式，傳統自然堆積法即屬于此，此有機肥堆肥法反應緩慢，需要數個月才能完成腐熟。

有機肥堆肥好氧性方法是用翻堆或強制送風、抽風，以好氧性分解有機肥使有機物安定化的方式，因反應快可減少堆肥化的處理時間，目前被稱為高速有機肥堆肥化法。好氧性有機肥堆肥處理在形式上又可分為連續式高速堆肥法及堆積式堆肥法2 類。

機器主要采用波卡西堆肥法，波卡西堆肥法是日本琉球大學比嘉照夫教授研究開發的，波卡西（BOKASHI）堆肥法是指將EM 活菌制劑混合到被發酵物里，一同存放進密封的發酵容器，通過間缺性缺氧發酵，來分解被發酵物質的一種堆肥方法。波卡西（BOKASHI）堆肥是引進國外先進的園藝理念制成的新式堆肥器，通過對廚房食物垃圾的分解發酵，得到營養豐富的有機土及液體肥料，變廢為寶，是廚余垃圾最有效的綠色環保回收利用方式，解決了垃圾分類廚余垃圾難處理的問題。

2.3 圖像識別與微波雷達系統的工作原理

圖像識別系統主要靠雙目攝像頭和微波雷達作為識別元件，雙目攝像頭在識別開始指令下達后，開始連續采集幀數據，再由算力平臺提供的部分算力進行編碼，并送入卷積神經網絡進行預測。由于攝像頭的相對位置是固定的，分類篩板的位置也是相對固定的。那么就可以通過算法虛擬出一個二維坐標系，該坐標系內的散點的坐標為四元變量信息（x，y，flags，n），其中，x和y是垃圾重心所在位置的橫坐標和縱坐標，該坐標用2 組浮點數存放；四元變量中的flags是垃圾種類的標識符，該變量為一整形變量，用于存放物品類型的預測值，這個預測值是預先在數據集中完成映射的flags；四元變量中n為該識別對象的置信度，若置信度大于一定值則近似認為被識別物品就是確定的識別結果。所有的四元變量在計算單元特定的緩沖區內被映射為一個四元數組，四元數組存放著攝像頭推流信號當前識別幀的物品識別數據。該緩沖區的布置在設計之初就考慮到了數據交換問題，因此，算法采用雙緩沖區機制，采用1 個公有的標志符變量，將奇數幀預先寫入第一緩沖區，偶數幀寫入第二緩沖區，當新的奇數幀識別結果得出時，原先第二緩沖區的數據會流向第一緩沖區，當然，第一緩沖區的數據會被以日志的形式進行編碼并流向日志儲存區域進行記錄，新的奇數幀數據被寫入第二緩沖區，以此循環，每當新的數據幀得出時，緩沖區內的數據會以步進的方式向前迭代，最終流向日志記錄區域。

產品的深度神經網絡采用YOLOv5 算法，該算法是一種單階段目標檢測算法，YOLOv5 在YOLOv4 的基礎上添加了一些全新的改進思路，使它無論在速度上還是精度上都有了極大的提升。

在輸入端上的改進：在模型的訓練階段，增加了自適應圖片縮放、Mosai 數據增強和自適應錨框的計算。

在基準網絡上的改進：融合了一些Focus 結構與CSP 結構算法的新思路。

在Neck 網絡上的改進：目標檢測網絡在BackBone與最后的Head 輸出層之間往往會插入一些層，YOLOv5 中添加了FPN+PAN 結構。

在Head 輸出層的改進：輸出層的錨框機制與YOLOv4 相同，主要改進的是訓練時的損失函數GIOU_Loss，及預測框篩選的DIOU_nms。

2.4 YOLOv5 算法實例的分層概述

輸入端：圖像數據從輸入端進入整個神經網絡，該網絡可以輸入416×416，單位為像素的圖像數據。該階段主要負責圖像的預處理，即將其他尺寸的圖片文件縮放到神經網絡要求的尺寸并進行歸一化處理。

基準網絡：基準網絡在絕大多數時候都是一些性能優異的分類器網絡，該模塊用來提取圖片中一些通用的特殊的特征信息。

Neck 網絡：Neck 網絡通常位于基準網絡的中部位置，利用它可以進一步提升特征的多樣性。

Head 輸出端：它用來完成目標檢測的輸出結果。針對于不同的目標檢測算法，輸出端的分支數量也不完全相同，通常包含一個分類分支和一個回歸分支。在YOLOv4 中利用GIOU_Loss 來代替Smooth L1 Loss函數，從而進一步提升算法的檢測精度。

Mosaic 數據增強技術：在YOLOv5 中，訓練模型的時候仍采用了Mosaic 數據增強技術，該技術是以算法為載體的技術，亦可以稱之為Mosaic 數據增強算法。該算法是在CutMix 數據增強算法上演變而來的。CutMix 會對輸入的幾張圖片數據進行兩兩拼接，而Mosaic 數據增強算法則更改為用4 張圖片進行隨機縮放、隨機裁剪和隨機排布的方式進行拼接。這樣做的目的是豐富訓練集的內容，訓練速度大幅提升，因此使用很少的數據也可以達到不錯的精度。更重要的是在模型訓練階段，對模型訓練集群服務器的內存要求更低。

自適應錨框計算：在YOLO 系列算法當中，與其他算法不同的是，YOLO 算法需要預先設定長寬比例、大小比例不同的錨框。在網絡訓練階段，模型在錨框所框選出的特定位置上進行輸出預測，計算它與GT框之間的差距，并執行反向更新操作，從而更新整個網絡的參數。在YOLOv3 和YOLOv4 中，不同模型都要自定義錨點框，而在YOLOv5 中，每次訓練新的數據模型時，根據數據集的名稱自適應計算結果生成自適應錨點框。

自適應圖片縮放：為了方便將圖片數據輸入到神經網絡中，經常要對輸入的圖片進行簡單的縮放處理等一系列預處理操作，即將原始的圖像數據縮放到一個固定的比例后再送入神經網絡。若圖形比例較為特殊，在縮放填充之后可能會出現大量重復的冗余信息，冗余信息對于模型訓練有害而無利，并且拖慢模型的訓練速度，甚至影響模型的精度。因此，需要將冗余的數據變為黑框，避免冗余數據的出現。

3 結論

在5C 智能分類處理機器中，垃圾分類遇到最棘手的問題就是用戶不能將垃圾進行合理的分類就進行打包，然后直接投擲進入垃圾桶內，圖像識別對于垃圾分類識別就束手無策了，因此，通過毫米波進行穿透性分析和隔絕環境下分析可以帶來不錯的效果。在毫米波雷達使用數據進行訓練時，可以在一些有毒有害的物質上進行標簽的特化標注，告知模型遇到類似波形該如何處理。

在5C 智能分類處理機器中，針對于垃圾袋集中投放問題還有第二類解決方案，這種解決方案似乎比前一種簡單很多。在設計時加入了振動解剖刀，對該模塊的普通刀頭進行改進，將直流電機與連桿安裝在一起，這樣做的目的是讓刀頭在切割起來更加鋒利，不會因為遇到堅硬物而受阻。市場，2017（2）：182-183.

［2］吳碧程，鄧祥恩，張子憧，等.基于卷積神經網絡的智能垃圾分類系統［J］.物理實驗，2019，39（11）：44-49.

［3］張方超，董振，張棟，等.基于圖像視覺的垃圾分類機器人識別控制系統算法設計［J］.電子測量技術，2019，42（20）：63-67.