基于AI扫地机器人的垃圾识别的研究

李子彬 许弘儒 马惜平

摘   要：本文研究扫地机器人的垃圾识别，使扫地机器人的自主性和智能化程度增大，为扫地机器人配置摄像头，使其获得视觉感知能力，通过有效的图像算法对垃圾进行快速、精准的识别，实现扫地机器人的自动识别与按类处理，提高工作效率和在不同工作场合工作的能力。之后能自动进行路径规划、低电量自動回充和躲避障碍等基本功能，朝着低成本、功能多样化以及超大续航方向发展。

关键词：智能化  垃圾识别  扫地机器人

1  扫地机器的发展

1.1 扫地机器人的现状

如今随着科学技术的发展，服务型机器人逐渐为人们的生活提供了便利，其中扫地机器人是最早出现在人们视野中的，也是最快进入消费市场的服务型机器人。扫地机器人能够自主进行清扫工作，提高了效率，解放了人们的双手，同时扫地机器人也在飞速发展中，从简单的扫地到拥有拖地和扫地两种模式，之后能自动进行路径规划、低电量自动回充和躲避障碍等基本功能，朝着低成本、功能多样化以及超大续航方向发展。

1.2 扫地机器人的不足及改进

虽然如今扫地机器人的功能越来越多，但其智能程度不高，主要表现在，虽然可以自动规划路径，但是有盲目性，无论路径中是否有垃圾都会执行清扫任务，不能智能识别垃圾，因此极大降低了工作效率，增加了电量消耗。所以本文对扫地机器人的垃圾识别技术进行研究，以提升未来扫地机器人的智能化程度。

2  垃圾分类与处理方式

众所周知，在公众场所人员密集区，垃圾一直是一个很严重的问题。有各种各样的垃圾，如何对垃圾进行有效的处理是智能扫地机器人的一个难题。为了更加高效的处理，本文按照物体的形状、物体的性质和大小等因素，对垃圾进行分类，并且采取了不同模式进行处理，以达到高效处理的垃圾结果。

生活中常见的垃圾可分为固体和液体两大类，对于固体和液体采取不同的处理方式。

（1）对于体积小的物体采取清扫模式，如沙子、瓜子、树叶等。

（2）对于体积大的物体采取抓取模式，如塑料瓶、纸盒、塑料袋等。

（3）对于液体采取拖地模式，如牛奶、墨水等。

3  基于SIFT算法的垃圾图像处理

3.1 SIFT算法的概述

尺度不变特征转换即SIFT （Scale-invariant feature transform）是一种计算机视觉的算法，算法采取尺度不变使特征进行变换的方法，由David G.Lowe提出，并在2004年完善，SIFT算法使其位置、尺度、旋转等因素保持不变，是一种非常稳定的局部特征的算法。

SIFT算法特征提取的步骤：

（1）提取关键点（特征点）：这些点是一些十分突出的点，不会因为光照条件的改变而消失，也是在不同尺度空间的图像下检测出具有方向信息的局部极点，具有尺度、方向、大小三个特征。

（2）对关键点附加详细的信息（局部特征）也就是所谓的描述器。

（3）通过两方特征点（附带上特征向量的关键点）的两两比较找出相互匹配的若干对特征点，也就建立了景物间的对比关系。

4  SIFT算法的优点

（1）图像的局部特征稳定，对旋转、尺度缩放、亮度变化保持不变，不会因为光照、仿射变化和噪音等因素而变化。

（2）独特性好，信息量丰富，可以对海量的图像特征进行快速、精准的匹配。

（3）多量性，少量物体也可以产生大量的SIFT特征。

（4）高效性，对SIFT算法进行优化可以达到实时匹配，增大效率。

（5）包容性，可以很方便地与其他的特征向量进行联合。

5  基于SIFT算法的垃圾识别

扫地机器人能够智能识别垃圾的第一个条件是完成垃圾的检测与种类的识别，视觉系统不仅要快速识别出垃圾的种类特征，还要尽量能避免因光照、图像尺寸、旋转以及变形而造成错误的判断，因此SIFT算法能够很好的解决此类问题。

（1）利用垃圾的图像构建尺度空间：

L（x，y，σ）=G（x，y，σ）×I（x，y）                                           （1）

其中，σ为尺度空间坐标，G（x，y，σ）为高斯核函数，I（x，y）为经过灰度化处理的垃圾的图像，得出差分高斯空间如下：

D（x，y，σ）=[G（x，y，kσ）-I（x，y）]×I（x，y）=L（x，y，kσ）-L（x，y，σ）                                                                                                 （2）

其中，k为相邻两层尺度空间的比例因子，垃圾的图像各个像素点要和同一尺度空间以和相邻的尺度空间的相邻点进行比较，若该点小于或者大于相邻像素点，则即为极值点。

（2）对垃圾的图像中的关键点的精确位置进行确定：上诉差分空间D（x）是离散函数，离散空间的极值点与真正的极值点有一定的差别，为求得精确极点位置需要对尺度空间的DOG函数进行曲线拟合，因此将其进行泰勒展开：

（3）

解得精确极值点位置为x=（x，y，σ）T.

确定特征点方向：经过第二步之后找到了关键点，为了让特征点具有旋转保持不变，利用局部特征为每一个关键点分配一个基准方向。确定了尺度空间因子σ，计算以关键点为中心，根据尺度采样的3σ原则，3×1.5σ为领域窗口半径的区域每个点L（X，Y）的梯度的幅值m（x，y）和梯度方向θ（x，y），利用直方图统计出关键点的主方向。

（4）

（5）

L为关键点所在尺度空间的值，最后对垃圾的图像进行关键点的描述，获得垃圾的图像的描述因子，该描述因子即为摄像头进行图像匹配所需的特征。

6  扫地机器人垃圾识别技术的发展

6.1 掃地机器人垃圾识别技术的重要性

目前很多扫地机器人都只适用于家庭清洁，而公共区域的清洁一直是一个难题。如果使用家庭扫地机器人的方式进行清洁，由于场地太大，将会极大的降低清扫的效率，所以提升扫地机器人的效率的方法，就是对垃圾进行有效识别，从而提高扫地机器人的自主清扫能力，从而达到对于扫地机器人智能的提升。

6.2 基于机器人视觉的垃圾识别技术的发展

基于机器人视觉识别垃圾技术是近几年才发展起来的，中国许多城市陆续实行垃圾分类，越来越多的智能垃圾识别的垃圾桶出现，使得垃圾分类更加精准。但由于仅限于个人的生活垃圾，公共卫生依然是个问题，所以基于AI扫地机器人的智能识别垃圾技术，能够有效的解决公共卫生带来的问题，又为人们带来了方便，提高了公共垃圾处理的效率，笔者认为基于AI扫地机器人的垃圾识别在未来或许能够成为清洁型机器人的主流技术。

参考文献

[1] 佚名，基于SIFT算法的图像特征点提取和匹配研究[J].南京医科大学学报：自然科学版，2013（2）：286-290.

[2] 王金龙，周志峰.基于SIFT图像处理特征提取与FLANN匹配算法的研究[J].计算机测量与控制，2018，26（2）：175-178.

[3] 廖如珺，黄建中，杨丹蓉.中国城市垃圾分类处理现状与对策[J].职业卫生与伤病，2012，27（1）：30-34.