基于StEMD_VGG的智能垃圾分类抓取机械手臂分析研究

朱红娟

（南京机电职业技术学院，江苏 南京 211135）

0 引言

随着经济社会的发展与人口的逐日递增，据不完全统计，全球每天产生550万吨生活垃圾，并且除去生活垃圾，还有各种各样其他来源的垃圾，譬如：工业垃圾、农业垃圾、建筑垃圾、医疗垃圾等等。在如今的时代，垃圾分类是可持续发展是一个必然的趋势，那么资源的循环利用就是不可或缺的一环。值得一提的是，生活垃圾中还包含有一部分有害垃圾，如果不针对处理，将会对我们生活的自然环境产生不可估量的伤害，由此看来，垃圾分类存放的确是大势所趋。

正如上述所言，全球垃圾生产速度惊人，如此巨量的垃圾如果寄希望于先集中后分类，这无疑是一个让人“闻而生畏”的工作；反之，如果从垃圾的产生源头就对其分类，对于垃圾的后续处理无疑是一条“捷径”。然而，强制进行垃圾分类无疑会成为降低人们生活品质，压榨闲暇时间的沉重负担。

目前，在垃圾分类领域，大部分垃圾依靠环保工人手动进行分类，这种分类方法效率低、工作强度大，且所处环境会对工人身体产生影响,且采用人工进行垃圾分类，效率低，浪费人力，同时，工作人员凭借自己的经验进行垃圾分类，容易出现误分类的情况。因此，本文提出一种智能垃圾分类技术，来突破垃圾分类效率低、容易出现误分等问题。

1 垃圾分类抓取机械手臂的机构设计

机械手臂由减速电机控制法兰盘旋转从而实现不同类型垃圾的抓取。法兰盘上有安装有两种不同的机械手爪，机械手爪与法兰盘之间的角度由推杆控制，但推杆伸出时手爪与法兰盘平行，推杆缩回时，手爪与法兰盘成一定角度，角度的大小取决于垃圾所在位置[1]。

法兰盘中间安装有摄像头实现360无死角抓拍，识别到某个位置有其他形状的垃圾时，比如餐巾纸团或水果核等，由减速电机控制法兰的旋转让第一机械手爪接近物体[2]。如果识别到某个位置有圆柱形状垃圾时，比如烟头或矿泉水瓶等，由减速电机控制法兰的旋转让第二机械手爪接近物体。然后控制推杆与法兰盘成一定角度，从而带动机械手爪倾斜，再让夹紧推杆伸出，直到机械手爪接触到垃圾，抓取垃圾直接放入进分类垃圾箱，无需接触垃圾，进行分类。每个机械手爪的夹紧和松开都由一个电动推杆实现，有对应的按钮控制，如图1所示。

图1 垃圾分类抓取机械手臂

第一机械手爪6和第二机械手爪7数量均为两个，均匀间隔安装在所述法兰盘4表面。手爪多的情况下，可以多次抓取垃圾，抓取量增加，效率提高。这样可以一次性抓取多种类的垃圾，从而提高抓取效率，节省了垃圾分类的整体时间[3]。

2 垃圾分类图形识别

注意力机制算法——稀疏经验模态分解（Sparse transformation Empirical Mode Decomposition，StEMD）对摄像头采集图像进行关键点检测，获得采集图像的显著性视图，然后把显著性视图送入VGG进行分类处理，通过StEMD_VGG模型检测出不同垃圾的所在位置，启动外部驱动电源。如图2所示，是StEMD_VGG算法的实现框图[4]。

图2 StEMD_VGG算法的实现框图

2.1 稀疏表示理论

稀疏表示是对超完备字典中基向量进行线性组合,以紧凑的方式表示原信号,原信号则可通过被选择的权值非零的字典基向量表示，且大多数字典基向量的权值为零[5]，信号向量x的稀疏表示为

x=φα

式中：φ为n×m的矩阵，其列向量为字典原子；α是x在φ上的稀疏表示系数，为m×1维列向量。

显然，信号的稀疏表示问题[6]是通过寻找合适的字典φ、及字典φ已知时求解稀疏表示系数α。

2.2 K-SVD字典学习算法

对于复杂的高维图像信号来说，构造合适的过完备字典是图像进行稀疏表示的关键步骤。本文在此选取用于稀疏表示的具有较强泛化能力的 K-SVD 字典学习算法，以期得到更加符合垃圾图像信号特征的字典 D。该算法的实质是求解下式的优化问题，即

式中：X为N组信号列向量组成矩阵；A为iα组成的稀疏矩阵，φ表示过完备字典。算法具体过程如下：

1）稀疏编码阶段。求解稀疏表示系数，即将式（1）所示的优化问题分解为N个独立问题，其中算法中的稀疏编码采用正交匹配追踪(orthogonal matching pursuit，OMP)算法进行求解[7]。

2）字典更新阶段。使用K-SVD依次更新字典φ的每一列，并计算重构误差。

2.3 图像识别过程

（1）以K-SVD字典为稀疏基，对数据做稀疏分解获得图像的稀疏系数，此过程可被描述为

其中，OMP(·)是正交匹配追踪算法函数，x摄像头采集图像，D是K-SVD字典，α是稀疏系数；

（2）对稀疏系数求符号处理，可描述为

其中，sign(·)是求符号函数；

（3）以符号函数为稀疏系数对图像做重构，可描述为

其中，y是重构图像数据；

（4）对y图像按列展开，然后对重构数据做经验模态分解[8]，此过程可描述为

其中，EMD(·)是经验模态分解函数，IMF1、IMF2、IMF3、IMF4、IMF5是内涵模态分量，IMF1是最高频段模态分量，IMF5是最低频段模态分量，res是残差分量；

（5）清空高频段模态分量IMF1、IMF2、IMF3，重构数据，重构过程可描述为

其中，S是数据集x经过显著性检测获得的数据的显著性特征集[9]。

（6）把显著性数据送入VGG模型进行垃圾类型识别。

3 结语

以自行设计的垃圾分类抓取机械手臂为研究对象，通过显著性检测算法稀疏经验模态分解对摄像头采集图像进行关键点检测，获得显著性视图，然后把显著性视图送入VGG进行分类处理，通过StEMD_VGG模型检测出不同垃圾的所在位置，从而实现不同类型垃圾的智能化分类。