论文部分内容阅读
摘要：近年来我国积极推行垃圾分类政策，但受群众反映仍然存在这垃圾分类困难的问题，因此为垃圾分类提供一种自动化，智能化的解决方案迫在眉睫。本文提出了一款智能化垃圾分类箱，以STM32F103C8T6单片机作为控制终端，搭建TensorFlow与Open CV相结合的人工智能深度学习图像识别框架，集成了舵机、红外识别模块、蓝牙等模块，最终设计与实现精准识别垃圾种类、自动分类垃圾、满桶提醒、蓝牙数据传输等功能。本文讨论的智能垃圾分类箱基于深度学习的AI图像识别技术具有较高的智能性，提高了垃圾分类的准确率和效率，方便了群众了解与进行垃圾分类。
关键词：垃圾分类;深度学习;图像识别;
1. 引言
当前社会对于垃圾分类的知识较为薄弱，对于垃圾处理的方法较为低效，因此我们应提高垃圾分类的自动化水平，为人们解决垃圾分类不准确，耗时较长等问题。
垃圾分类主要面临以下几个关键问题：
1）居民缺乏垃圾分类意识
据调查，近八成的居民表示，平日扔垃圾没有分类投放的意识和想法，对于垃圾桶的表示关注度较低，很少注意扔得对不对，仅仅为了寻求方便，以至于几乎所有分类垃圾桶内的垃圾都是混装的。
2）垃圾种类繁多，分类准确率低
现实社会当中生产的垃圾种类繁多，在大多时刻，人工分类的依据主要取决于个人对垃圾分类方法的主观判断，且分类效率低下。因此使用机器分类对于垃圾分类的推行是十分重要的环节。
2. 系统设计方案
本项目的硬件端以STM32作为核心，控制红外模块、OLED模块、WIFI模块、步进电机以及舵机各种硬件实现各种功能，本项目具有图像识别系统、数据处理系统、电机系统、辅助学习系统。电机系统由步进电机，继电器和舵机组成;辅助学习系统由OLED模块和语音播报模块组成;图像识别系统由TensorFlow与Open CV技术相结合共同实现;数据处理系统由WiFi模块与数据统计分析软件组成。
3. 系统的硬件结构
3.1主控制模块
主控制模块主要由STM32F103C8T6控制器构成。它是整个系统的大脑。当红外线模块检测到有物体时，反馈给控制器进行图像识别系统的运行。当图像识别系统识别出图像的类别后再反馈控制器，控制电机系统，辅助学习系统以及数据处理系统进行垃圾的智能分类投放。
3.2辅助学习系统
该系统采用了7XFS5152CE语言模块以及OLED显示屏实现辅助学习系统，当图像识别系统将图像识别分类后，通过语言模块进行语言播报，提醒投放垃圾者垃圾的类别，同时也会在OLED显示屏当中显示垃圾类别，方便用戶了解垃圾分类知识。
3.3电机系统
电机系统由舵机模块，步进电机模块，红外模块共同组成。垃圾桶内部有四个垃圾桶，分别是有害垃圾，可回收垃圾，厨余垃圾，其他垃圾。在垃圾桶投放口安装一个红外模块检测是否有物品存在，若存在就反馈给主控制器一个信号，进行图像识别系统的运行，当物品识别种类完成后，主控制模块将根据编写的算法控制步进电机与载物台舵机模块旋转相应角度进行垃圾精准投放。
3.4数据处理系统
该系统由WiFi模块，数据处理APP软件构成。WiFi模块采用的是ESP8266模块。这是一款低成本的串口Wi-Fi模块，支持串口与Wi-Fi之间的数据传输，还可以通过事先预定的垃圾投放次数阈值，当垃圾投放超过阈值时判断为垃圾桶溢满，向该区域的垃圾处理总站发送警报信息。同时开发一款APP对垃圾分类的数据进行处理分析，记录各类垃圾投放次数，方便管理人员进行数据的查看与分析。
4. 系统的软件结构
软件结构分为两部分，一部分由于采用STM32F103C8T6作为主控制器所以部分软件借助KEIL5开发平台使用C语言编程实现功能逻辑，另一部分则是运用Open CV计算机视觉函数库与TensorFlow搭建的深度学习图像识别的框架。考虑到垃圾图像分类的准确性和实效性，本项目针对图像垃圾分类系统设计了两层框架，包括获取图像层、深度学习层。
4.1获取图像层
获取图像层采用Open CV技术运用其函数库将图像进行处理，通过摄像头拍摄图片后进行图像预处理，让图像数据更适合AI模型进行处理，同时通过图像预处理技术，还可以实现数据集的扩充，这种方法成为数据增强。
4.2深度学习层
深度学习层接收来自获取图像层拍摄上传的照片，将照片进行灰度处理后放入已经训练好的深度学习模型中进行分类判断。使用深度学习中的卷积神经网络作为核心进行训练。卷积神经网络的基本结构包括了卷积，激活，池化，全连接等多个过程，并且重复多次卷积与池化过程，通过全连接映射到多类标记维度上。在图像处理中，通过选取合适的卷积核（或称算子），可以对图像进行锐化，去噪，模糊，加强边沿，提取深层次复杂特征。
5. 性能评估
该项目所设计的智能垃圾分类箱能实现较为精确和快速的预测结果，从而做出正确的分类决策。本项目所设计的深度学习网络的训练数据来自于互联网中收集到的垃圾图像数据集，数据集包含2452张图像，包含的类别有易拉罐类，纸类，塑料类，湿垃圾及其他类的5类别，模型实验的样本准确性如下表所示。
6. 结语
本项目设计以STM32F103C8T6单片机作为控制中心，功能模块作为条件，以Open CV与TensorFlow作为图像识别系统的核心技术实现了垃圾桶自主识别垃圾并精准投放，垃圾溢满警报，语音播报和OLED辅助学习，WiFi上传数据与分析等功能。经过硬件设计与软件编程，神经网络深度学习框架的训练，不断调试、仿真运行、寻找输入训练数据集，最终使该智能垃圾分类箱实现了垃圾分类的功能。该系统将常见的垃圾进行数据测试，证明了本文所设计的智能分类箱能够有效的对日常生活垃圾进行分类，如若投放至社会街道当中使用，可以有效提高垃圾分类率与环卫工人的工作效率，极大的降低了垃圾分类的人力资源与成本的投入，大幅提高了社会效益和经济效益，更加符合了现代化智能标准。
参考文献
[1]卢淑怡，魏爽，万思远 基于深度学习的智能分类垃圾箱[J].计算机与数学工程，2021，49（5）：1011-1029.
[2]齐鑫宇，龚劬，李佳航，何建龙 基于深度学习的垃圾图片处理与识别[J].电脑知识与技术，2021，17（09）：20-24.
[3]迈克尔·贝耶克勒，Michael，Berkeley.机器学习：使用Open CV和Python进行智能图像处理[M].北京：机械工业出版社，2018.
[4]刘朝辉，王维高 基于TensorFlow的水果识别系统设计[J].电脑知识与技术，2021，17（03）：190-191+203.
本文系广州软件学院大学生创新创业训练计划项目，项目名称：智能垃圾分类箱，项目编号：DCXM2021012
作者简介：陈贵生，男，2001.6.21，广东梅州，本科，研究方向：图像识别技术，嵌入式技术
关键词：垃圾分类;深度学习;图像识别;
1. 引言
当前社会对于垃圾分类的知识较为薄弱，对于垃圾处理的方法较为低效，因此我们应提高垃圾分类的自动化水平，为人们解决垃圾分类不准确，耗时较长等问题。
垃圾分类主要面临以下几个关键问题：
1）居民缺乏垃圾分类意识
据调查，近八成的居民表示，平日扔垃圾没有分类投放的意识和想法，对于垃圾桶的表示关注度较低，很少注意扔得对不对，仅仅为了寻求方便，以至于几乎所有分类垃圾桶内的垃圾都是混装的。
2）垃圾种类繁多，分类准确率低
现实社会当中生产的垃圾种类繁多，在大多时刻，人工分类的依据主要取决于个人对垃圾分类方法的主观判断，且分类效率低下。因此使用机器分类对于垃圾分类的推行是十分重要的环节。
2. 系统设计方案
本项目的硬件端以STM32作为核心，控制红外模块、OLED模块、WIFI模块、步进电机以及舵机各种硬件实现各种功能，本项目具有图像识别系统、数据处理系统、电机系统、辅助学习系统。电机系统由步进电机，继电器和舵机组成;辅助学习系统由OLED模块和语音播报模块组成;图像识别系统由TensorFlow与Open CV技术相结合共同实现;数据处理系统由WiFi模块与数据统计分析软件组成。
3. 系统的硬件结构
3.1主控制模块
主控制模块主要由STM32F103C8T6控制器构成。它是整个系统的大脑。当红外线模块检测到有物体时，反馈给控制器进行图像识别系统的运行。当图像识别系统识别出图像的类别后再反馈控制器，控制电机系统，辅助学习系统以及数据处理系统进行垃圾的智能分类投放。
3.2辅助学习系统
该系统采用了7XFS5152CE语言模块以及OLED显示屏实现辅助学习系统，当图像识别系统将图像识别分类后，通过语言模块进行语言播报，提醒投放垃圾者垃圾的类别，同时也会在OLED显示屏当中显示垃圾类别，方便用戶了解垃圾分类知识。
3.3电机系统
电机系统由舵机模块，步进电机模块，红外模块共同组成。垃圾桶内部有四个垃圾桶，分别是有害垃圾，可回收垃圾，厨余垃圾，其他垃圾。在垃圾桶投放口安装一个红外模块检测是否有物品存在，若存在就反馈给主控制器一个信号，进行图像识别系统的运行，当物品识别种类完成后，主控制模块将根据编写的算法控制步进电机与载物台舵机模块旋转相应角度进行垃圾精准投放。
3.4数据处理系统
该系统由WiFi模块，数据处理APP软件构成。WiFi模块采用的是ESP8266模块。这是一款低成本的串口Wi-Fi模块，支持串口与Wi-Fi之间的数据传输，还可以通过事先预定的垃圾投放次数阈值，当垃圾投放超过阈值时判断为垃圾桶溢满，向该区域的垃圾处理总站发送警报信息。同时开发一款APP对垃圾分类的数据进行处理分析，记录各类垃圾投放次数，方便管理人员进行数据的查看与分析。
4. 系统的软件结构
软件结构分为两部分，一部分由于采用STM32F103C8T6作为主控制器所以部分软件借助KEIL5开发平台使用C语言编程实现功能逻辑，另一部分则是运用Open CV计算机视觉函数库与TensorFlow搭建的深度学习图像识别的框架。考虑到垃圾图像分类的准确性和实效性，本项目针对图像垃圾分类系统设计了两层框架，包括获取图像层、深度学习层。
4.1获取图像层
获取图像层采用Open CV技术运用其函数库将图像进行处理，通过摄像头拍摄图片后进行图像预处理，让图像数据更适合AI模型进行处理，同时通过图像预处理技术，还可以实现数据集的扩充，这种方法成为数据增强。
4.2深度学习层
深度学习层接收来自获取图像层拍摄上传的照片，将照片进行灰度处理后放入已经训练好的深度学习模型中进行分类判断。使用深度学习中的卷积神经网络作为核心进行训练。卷积神经网络的基本结构包括了卷积，激活，池化，全连接等多个过程，并且重复多次卷积与池化过程，通过全连接映射到多类标记维度上。在图像处理中，通过选取合适的卷积核（或称算子），可以对图像进行锐化，去噪，模糊，加强边沿，提取深层次复杂特征。
5. 性能评估
该项目所设计的智能垃圾分类箱能实现较为精确和快速的预测结果，从而做出正确的分类决策。本项目所设计的深度学习网络的训练数据来自于互联网中收集到的垃圾图像数据集，数据集包含2452张图像，包含的类别有易拉罐类，纸类，塑料类，湿垃圾及其他类的5类别，模型实验的样本准确性如下表所示。
6. 结语
本项目设计以STM32F103C8T6单片机作为控制中心，功能模块作为条件，以Open CV与TensorFlow作为图像识别系统的核心技术实现了垃圾桶自主识别垃圾并精准投放，垃圾溢满警报，语音播报和OLED辅助学习，WiFi上传数据与分析等功能。经过硬件设计与软件编程，神经网络深度学习框架的训练，不断调试、仿真运行、寻找输入训练数据集，最终使该智能垃圾分类箱实现了垃圾分类的功能。该系统将常见的垃圾进行数据测试，证明了本文所设计的智能分类箱能够有效的对日常生活垃圾进行分类，如若投放至社会街道当中使用，可以有效提高垃圾分类率与环卫工人的工作效率，极大的降低了垃圾分类的人力资源与成本的投入，大幅提高了社会效益和经济效益，更加符合了现代化智能标准。
参考文献
[1]卢淑怡，魏爽，万思远 基于深度学习的智能分类垃圾箱[J].计算机与数学工程，2021，49（5）：1011-1029.
[2]齐鑫宇，龚劬，李佳航，何建龙 基于深度学习的垃圾图片处理与识别[J].电脑知识与技术，2021，17（09）：20-24.
[3]迈克尔·贝耶克勒，Michael，Berkeley.机器学习：使用Open CV和Python进行智能图像处理[M].北京：机械工业出版社，2018.
[4]刘朝辉，王维高 基于TensorFlow的水果识别系统设计[J].电脑知识与技术，2021，17（03）：190-191+203.
本文系广州软件学院大学生创新创业训练计划项目，项目名称：智能垃圾分类箱，项目编号：DCXM2021012
作者简介：陈贵生，男，2001.6.21，广东梅州，本科，研究方向：图像识别技术，嵌入式技术