家庭垃圾分类回收的智能垃圾桶设计

王兴朝，唐瑞尹

(1.华北理工大学，电气工程学院，唐山 063210； 2.北华航天工业学院，电子与控制工程学院，廊坊 065000)

0 引言

随着我国经济的快速发展，我国城市每年产生的垃圾在逐年上涨，根据相关部门统计，在2019年我国城市生活垃圾产出量为3.43亿吨，同比去年增加6.2%，在这些生活垃圾中有很大一部分可以回收再利用，但我国的生活垃圾回收利用率不到5%，因此，城市生活垃圾的分类回收对环境治理和资源的再利用具有重大意义。各大城市针对垃圾分类回收制定了相关的政策，但由于监管体系不健全，缺乏科学的有效的信息监管手段与激励机制，使得居民参与垃圾分类回收的积极性不高，严格遵守垃圾分类政策的意识的不足，导致城市垃圾分类回收的效果并不明显。因此，使用自动化技术降低人工成本是未来解决城市垃圾分类回收问题的发展趋势，而机器视觉是实现垃圾自动分类回收的一项重要科学技术。

近年来，随着人工智能和物联网的高速发展，尤其是神经网络的发展，为机器视觉在图像识别和目标检测的应用方面提供了新的理论基础和实现方法。早期的图像识别主要利用Harris、SIFT、SURF、LBF、HOG、DPM等方法对图像特征进行提取，再通过支持向量机SVM等分类器对特征进行识别分类，由于传统的图像处理方法在图像特征提取过程中需要人工参与，导致其识别的准确率受经验影响较大，泛化能力较弱。而基于神经网络的图像识别方法不需要人为参与图像特征提取的过程，而是通过大量数据集利用梯度下降法和反向传播对神经网络的系数进行自动更新，从而使神经网络能够对图像进行识别。相比于传统的图像识别方法，基于神经网络的图像识别方法具有泛化能力强、可移植性好等特点。

针对家庭垃圾分类回收问题，本文提出一种基于神经网络的智能垃圾桶设计。垃圾桶的工作流程如图1所示，首先利用基于神经网络的图像识别模型对图像中的垃圾进行分类识别，再依据模型的分类识别结果通过控制系统将垃圾丢入相应的垃圾回收桶中。经实验结果证明，设计的智能垃圾桶能够有效地实现生活垃圾的分类回收，具有较好的稳定性和实用性，对降低生活垃圾分类回收的人工成本具有一定的实际意义。

图1 智能垃圾桶工作流程

1 目标检测模型设计

近年来，随着神经网络的快速发展，各式各样的基于神经网络的目标检测算法被提出，目前基于神经网络的目标检测算法主要分为One-stage和Two-stage两类。Two-stage目标检测算法流程是先通过一个神经网络检测出区域候选框，再通过另一个神经网络对候选框中的物体进行分类识别，主要代表算法为Fast R-CNN、Faster R-CNN和Mask R-CNN等，此类算法的准确率较高，但检测速度较慢。One-stage目标检测算法的主要流程是通过神经网络模型直接回归出目标的类别及位置信息，代表算法为YOLOv1、YOLOv2、YOLOv3和SSD等，此类算法准确率较低，但检测速度较快。本设计的输入图像比较简单且对模型的检测速度有一定要求，因此选用One-stage系列算法作为神经网络的搭建框架。

1.1 YOLOv3算法

YOLOv3是神经网络应用在目标检测方面的一个经典模型，其网络结构图如图2所示，骨干网络采用DarkNet-53，该网络由52个卷积层和一个全连接层组成，并采用了ResNet网络的残差块思想。采用了类似FPN网络的多尺度预测，经过上采样和卷积运算分别产生8×8、16×16、32×32大小的特征图。

图2 YOLOv3 网络结构

在YOLO Detection层中。首先在通过对训练集采用聚类算法得到三个不同尺度先验框并分配给三种不同尺度的特征图，然后特征图的每个cell都会预测三个边界框，每个边界框的预测信息包含边界框相对于先验框的四个位置信息tx、ty、tw和th，一个边界框置信度objectness prediction以及N个类别的置信度。

1.2 YOLOv3-tiny算法

在速度要求较高的项目中，YOLOv3网络的表现性较差，尤其是在计算能力有限的边缘设备中。由于本设计的目标检测模型需要部署在边缘设备上，因此需要选用一种轻量级的目标检测网络。

YOLOv3-tiny是一种基于YOLOv3的轻量级目标检测网络，其网络结构如图3所示，它的特征提取网络只使用卷积层和池化层，取消了残差模块并只使用两种不同尺度的特征图作为输出，相较于DarkNet-53网络参数数量降低，模型大小减小，适合部署在计算能力有限的边缘设备上，因此本设计的目标检测模型选用YOLOv3-tiny网络来搭建目标检测模型。

图3 YOLOv3-tiny网络结构

2 硬件系统设计

系统的内部结构如图4所示，由垃圾识别箱和控制系统组成。

图4 垃圾桶内部结构图

2.1 垃圾识别箱

垃圾识别箱主要由摄像头、LED灯和激光测距传感器等组成，具体装置信息如下所示：

摄像头：Risym摄像头，500万像素，用于图像的采集。

LED灯：用于增强图像亮度。

激光测距传感器：型号为ATK-VL53L0X，测量距离3cm～200cm，检测是否有垃圾丢入。

识别箱的工作流程图如图5所示，当有垃圾丢入垃圾识别箱中时，控制核心会得到位于箱底的激光测距传感器的反馈，从而得知有垃圾丢入，然后打开LED灯增加采集环境亮度，最后开启摄像头进行图像采集。

图5 垃圾识别箱工作流程

2.2 控制系统

控制系统主要由控制核心、主副舵机、转动盘和垃圾回收箱组成，具体装置参数如下：

控制主板：树莓派3b+、1.4 GHz四核CPU，博通Videocore-IV型GPU

舵机：型号DS3218，扭矩为20 kg·cm

控制系统的工作流程如图6所示，控制核心通过部署的神经网络模型对摄像头采集的图像中的垃圾进行识别，根据识别结果，首先转动主舵机，将转动盘上的垃圾识别箱转动到相应垃圾类别的回收箱的上方，再转动副舵机打开垃圾识别箱的底板，使垃圾掉入回收箱中，最后舵机复位，开启下一次垃圾回收。

图6 控制系统工作流程

3 实验结果分析

3.1 目标检测模型

3.1.1 数据集采集

采集训练数据集时，首先将垃圾识别箱的内部涂成黑色，以减少背景对识别准确率的影响，再将准备的示例垃圾放入箱中进行拍照，将收集的图像通过数据增强技术增加数据集的数量，本设计采用的数据增强方法有翻转变换、对比度变换和随机修剪。最后利用labelImg软件依据图7中上海市垃圾分类的标准对数据及进行标注，标注示例图片如图8所示。

图7 上海市垃圾分类标准

图8 标注实例图片

3.1.2 模型训练

对数据集采用聚类算法计算并设置YOLO层中的先验框大小，将YOLO层的最后输出的类别维度改为4，分别对应于可回收垃圾、干垃圾、湿垃圾和有害垃圾。

激活函数采用ReLU函数，其数学公式如(1)所示，函数图像如图9所示。

(1)

ReLU采用单侧抑制，使神经网络具有稀疏激活性，由于其非负期间的梯度为常数，因此可以解决梯度消失的问题，使得神经网络模型的收敛速度稳定，能够更好地挖掘相关特性，拟合训练集。

图9 ReLU 函数图像

在特征提取网络中加入batch normalization层，以采用更大的学习率，提高模型的收敛速度，并且避免梯度消失和梯度爆炸的问题。

训练模型采用Adam优化器，batchsize设为32，epoch设为200，训练结果如图10所示，模型在验证集和测试集上准确率收敛于90%左右，整体表现良好。

图10 模型训练结果

3.2 控制系统

用VNC远程屏幕软件连接树莓派，以便观察目标检测模型的输出信息。当向垃圾回收箱中丢入垃圾时，模型的部分输出如图11所示。

图11 模型的部分识别结果

实验平台如图12所示。

图12 实验平台

垃圾丢入垃圾桶后，垃圾桶能够依据图像识别结果准确地将垃圾放入相应的垃圾桶中，整个过程不需要人工参与，且运行稳定，实现了垃圾回收的智能化和自动化。

4 结语

针对传统的家庭垃圾分类回收所需人工成本高和自动化程度低等问题，本文提出一种基于神经网络的智能垃圾桶设计，本设计将神经网络技术和嵌入式技术结合，首先运用神经网络技术识别图像中的垃圾类别，再利用基于嵌入式的控制系统对家庭垃圾进行分类回收，降低了人工成本。但是垃圾桶对于小目标垃圾的回收准确率相对较低，且一次性回收的垃圾数量有所限制，因此提高小目标垃圾的回收准确率和优化控制结构是未来研究的方向。