基于視覺分析的垃圾分類識別系統的設計與實現

摘 要：隨著垃圾產生量的不斷上升、環境的持續惡化，如今垃圾分類已經成為必要的管理措施。為了實現垃圾自動識別、分類和投放，詳細探討了垃圾分類系統的設計與實現。選擇Jetson Nano作為主控硬件，以神經網絡模型ResNet-50作為識別模型，使用大量數據集進行深度學習訓練，從而實現垃圾的自動識別與分類。系統還搭載了一組舵機并配合機械臂實現垃圾的自動投放。通過測試發現：所設計系統的分類速度快、識別準確率高，可為日常生活中的垃圾分類處理提供更多的便利。

關鍵詞：視覺分析；垃圾分類；ResNet-50；Jetson Nano；深度學習；神經網絡

中圖分類號：TP391.4；TP183 文獻標識碼：A 文章編號：2095-1302（2024）09-00-03

DOI：10.16667/j.issn.2095-1302.2024.09.006

0 引 言

隨著科技的進步、生活水平的逐漸提高，人們對物質生活的追求不再局限于生活必需品，而是開始傾向于質量更佳、規格更高的產品。隨著消費者購買力的提升，垃圾產生量也在同步增多[1]。目前國內主要采取兩種垃圾分類方式：一是居民自行判斷垃圾類型后投放到相應的垃圾桶中；二是垃圾中轉站集中進行人工分類[2]。這兩種方式都需要通過人工進行分類，但由于大部分居民的垃圾分類知識相對薄弱，而中轉站垃圾分類工作人員具備較高的專業性，因此第二種方式更符合目前的需求。然而，垃圾中轉站每天需要集中處理大量垃圾，工作人員的工作負擔很大，加之長時間接觸大量垃圾也會對他們的身體健康產生不利影響，進而造成垃圾處理滯后、準確率下降等問題。傳統的人工分揀方式效率低下、過程繁瑣，既浪費時間，又浪費大量人力、物力和財力。因此，亟需一種新型的垃圾分類方法，以解決當前和未來的垃圾處理問題。

垃圾分類方案的實施不僅有助于保護環境，而且能積極響應可持續發展的理念。通過垃圾分類、廢棄物回收，實現資源的循環利用，從而改善生活環境[3]。垃圾分類處理、回收利用問題在國內乃至全球范圍內都亟待解決，已有眾多研究者開始探索尋求更優的解決方案。

吳蓬勃等人[4]通過分析市場對垃圾分揀的需求，設計了基于TensorFlow的垃圾視覺分揀機器人平臺。千承輝等人[5]將陀螺儀和編碼器相結合，配合GPS路徑繪畫、攝像頭等設計了一款基于視覺分析的垃圾分揀機器人。姚依銘等人[6]運用深度學習語音識別技術，設計了一款智能垃圾桶，旨在協助人們進行垃圾分類。基于上述研究成果，本文以ResNet-50作為識別模型，以Jetson Nano為系統控制單元，設計了可以自動識別、分類、投放垃圾的系統。采用深度學習的神經網絡算法構建模型；通過攝像頭采集照片，借助圖像識別技術，運用OpenCV對其進行處理；然后將這些照片上傳至已訓練好的模型，進而完成垃圾的自動識別、分類和投放。

1 系統實現原理與硬件選擇

1.1 實現原理

本文將神經網絡融入垃圾分類系統中，將訓練好的模型部署至Jetson Nano平臺，通過模型的分類結果控制相應的硬件設備，以此實現對垃圾的精確識別和分類。本研究旨在構建一種新型的垃圾分類模式，以減輕人們的垃圾分類負擔，填補國內在垃圾智能分類方面的空缺。本系統選擇了殘差卷積神經網絡模型ResNet-50作為垃圾分類系統的核心，以Jetson Nano作為系統的主控單元，配合機械臂和普通垃圾桶實現系統運行。在系統運行過程中，將攝像頭拍攝的照片通過OpenCV[7]進行處理并上傳至服務器，在訓練好的模型中對圖片信息進行對比分析和識別并輸出識別結果，Jetson Nano主控單元根據識別結果控制相應舵機打開，機械臂則將垃圾投放至對應的垃圾桶內，實現垃圾的自動分類與投放。

1.2 硬件選擇

雖然Jetson Nano與樹莓派開發板具有許多相似的關鍵功能，但是Jetson Nano開發板在性能方面更勝一籌，它能夠高效地執行深度學習任務，并且具有更強的實用性，能夠更好地滿足系統的各項需求。兩者之間的主要區別在于：Jetson Nano開發板配備了一款更強大、性能更優異的GPU，為開發對性能要求較高的系統提供了可能性。此外，Jetson Nano本身還支持多種操作系統和高級語言，有著豐富的文檔說明和生態環境，針對開發中遇到的一些問題能及時獲得很好的解決方案，從而快速地開發出更高質量的應用程序。因此，為了使整個系統具有更高的性能、更強的適應性和更穩定的運行狀態，本文選擇了Jetson Nano作為主控單元。

系統配置了機械臂，以實現對分類后的垃圾進行自動抓取，并將其投放至相應的垃圾桶中。在眾多機械臂中，鑒于六軸機械臂在運動過程中表現出較好的穩定性[8-9]，能很好地自動抓取垃圾并投放到垃圾桶中，因此本文選用六軸機械臂來實現對垃圾的抓取。為提升系統運行的穩定性并避免不必要的經費浪費，采用了專業軟件SolidWorks[10]對機械模型進行創建和模擬，建立的機械臂模型如圖1所示。在確定了設計出的機械臂能與系統適配并正常運行后再進行相關材料的采購以及組裝實驗。

2 算法部分

在神經網絡ResNet中，最關鍵的部分就是殘差網絡單元，如圖2所示，殘差網絡單元可以直接跨層連接，而這樣的一條條跨層曲線正是ResNet與一般網絡的區別所在。設圖2中第一個卷積層輸入數據x，經過中間的激活函數F（x），再通過第二個卷積層之后通過右側曲線實現F（x）和x的求和，得到新的函數記為H（x）=F（x）+x，再將求得的結果傳遞給下一個卷積層。這使得ResNet可以通過疊加這些殘差網絡單元來增加網絡深度，很好地解決了梯度不穩定問題并且提高了網絡的精度。

ResNet-50結構如圖3所示，共分為7個部分。其中第一部分主要對輸入的數據進行一系列的處理和計算；第二到第五部分都包含殘差塊，這些殘差塊是ResNet中最核心的部分，可以很好地提高網絡的訓練效率。在ResNet-50中，每個殘差塊都有三層卷積，這些卷積層能夠幫助提取各種輸入圖像的特征，從而對圖像進行分析和識別；50層的網絡結構也使得ResNet-50的精度和速度比其他網絡都較高。因此，ResNet-50被廣泛應用在各種圖形處理任務和圖形識別任務中，能很好地滿足系統的大量圖像識別和處理的需求。基于以上分析，本文選擇了ResNet-50進行圖形識別。

神經網絡模型ResNet-50的識別速度和精度都能很好地滿足本系統對各種垃圾進行分類處理的性能需求。此次訓練模型的數據集采用了2019年華為云垃圾分類數據集和收集到的其他大量官方數據，在保證訓練數據量充足的同時還要確保訓練數據的準確性和可信度。在上述數據集的訓練下，所獲得模型的識別準確率和穩定性得到進一步提升，也為后期模型的參數調整和訓練創造了較為便利的條件。

3 系統實現

如圖4所示，系統的具體運行流程為：由外置攝像頭拍照并采集信息，Jetson Nano主控單元接收攝像頭采集的圖片，通過OpenCV對圖片進行處理；將處理后的圖片返回服務器端，服務器端通過訓練好的算法模型對圖片進行分類，得出分類結果，并將處理好的結果返回給Jetson Nano；Jetson Nano根據返回結果控制垃圾桶的相應舵機開合，機械臂自動抓取垃圾進行投放，最終實現垃圾的自動分類和投放功能。在設計時考慮到系統的便捷性和人性化，額外添加了一個顯示屏，Jetson Nano可以將垃圾信息顯示在屏幕上，還可以顯示垃圾桶的剩余容量，在容量不足時發出警告信息；同時配有智能光電開關來檢測當前是否有人使用本裝置并智能控制裝置，從而節省能源。

系統內嵌了攝像頭，用于實時捕獲并上傳垃圾樣本圖像至系統后臺，以便進行自動分類；系統還配置了多個紅外感應器，當感應到活動物體時，攝像頭會自動捕捉并識別該物體所處的特定區域，幫助用戶精準地將垃圾放入垃圾桶；系統還搭載了一組舵機，這些舵機通過曲柄連桿結構[11]進行協調，可實現垃圾桶的開關動作，在Jetson Nano接收到垃圾分類信息后控制舵機打開相應的垃圾桶并配合機械臂實現垃圾的分類和投放。

圖5是系統的整體架構，從圖中可以看出各個模塊之間是如何協作運行的，能夠較為直觀地了解整個系統的運行機制和工作流程。

4 系統測試

系統測試主要包括兩個部分：一是在本地運行模型，對上傳的圖片進行識別分類；二是將圖片上傳至服務器主機上，再對圖片進行分類。在算法模型和數據集的不斷優化和訓練的前提下，實驗測試結果的準確率在可接受范圍之內。模型的本地運行測試結果如圖6所示。

5 結 語

本文設計了以Jetson Nano為主控單元，以神經網絡模型ResNet-50作為識別模型的垃圾分類系統，旨在有效地解決當前我國居民的垃圾分類意識普遍較弱、垃圾處理量過大而導致耗時長的問題。該垃圾分類系統以其出色的處理能力，大大縮短了處理垃圾所需的時間，還呈現出自動垃圾分類系統的人性化特點[12]。通過使用這種垃圾分類系統，能夠加深居民對垃圾分類問題的了解，進一步提高居民的環保意識和垃圾分類的能力。

參考文獻

[1]高澤梅，韓欣諾，霍艷鳳.基于灰色預測模型的北京市垃圾量預測[J].現代信息科技，2021，5（8）：130-132.

[2]魏子瑄，劉小剛，陳真貴，等.基于語音識別技術的智能分類垃圾桶[J].單片機與嵌入式系統應用，2020，20（1）：79-82.

[3]佚名.垃圾分類處理有哪些好處？[J].中國環境科學，2011，31（9）：1540.

[4]吳蓬勃，姚美菱，王拓，等.基于TensorFlow的垃圾分揀機器人設計[J].實驗室研究與探索，2020，39（6）：117-122.

[5]千承輝，侯天遠，肖若蘭，等.基于機器視覺的垃圾分揀機器人設計[J].單片機與嵌入式系統應用，2019，19（9）：39-42.

[6]姚依銘，何巧紅，韋延鋒，等.基于深度學習的語音識別垃圾桶的設計[J].長江信息通信，2022，35（12）：78-79.

[7]李玉臣.基于OpenCV的計算機圖像識別技術研究與實現[J].電腦編程技巧與維護，2022，29（11）：147-149.

[8]賀恒.機械臂分類及選型邏輯研究[J].一重技術，2022，41（4）：21-24.

[9]楊寬，金建輝.基于運動力學分析的六軸機械臂牽引控制設計[J].農業裝備與車輛工程，2022，60（11）：32-35.

[10]孫一斌.三維仿真軟件在工業機器人建模中的課程設計[J].中國教育技術裝備，2022，36（8）：41-43.

[11]劉勁松.曲柄滑塊機構教學裝置的設計與制作[J].機械，2019，46（4）：34-36.

[12]王濤，馬寧，張蘭云.基于單片機的智能垃圾桶設計[J].中小企業管理與科技（下旬刊），2020，13（5）：180-181.

收稿日期：2023-09-10 修回日期：2023-10-12

基金項目：沈陽航空航天大學大學生創新創業項目（X2022101 43118）

作者簡介：黃明宇（2002—），男，研究方向為計算機算法。

曹一鵬（1981—），男，碩士，講師，研究方向為單片機教學及嵌入式系統開發。

佟英芝（2002—），女，研究方向為計算機算法。

于佳弘（2003—），男，研究方向為計算機硬件開發。