盧淑怡 魏 爽 萬思遠
(上海師范大學信息與機電工程學院 上海 200234)
隨著我國可持續(xù)發(fā)展政策不斷深入,對建設美麗社會有了更高的要求,生態(tài)文明建設已成為我國發(fā)展建設中的重要戰(zhàn)略部分。垃圾分類工作就是新風尚。當前社會對于垃圾分類的知識較為薄弱[1],對于垃圾處理的方法較為低效,因此我們應提高垃圾分類的自動化水平[2],以解決人為垃圾分類不準確、耗時較長等問題。
垃圾分類主要面臨如下幾個關鍵問題:
1)分類意識薄弱,群眾習慣難以改變
人工分類需要群眾具有垃圾分類的意識。當下公眾的環(huán)保意識淡薄,長期養(yǎng)成的垃圾混裝習慣難以改變,但是垃圾分類工作的開展需要群眾積極主動參與。因此實現(xiàn)垃圾智能化分類是這一問題的解決方案。
2)垃圾種類繁多,實現(xiàn)準確分類存在困難
垃圾種類繁多,此外垃圾經由各種人為原因導致的不同形態(tài)是影響垃圾分類準確性的主要原因。人工分類的準確性主要取決于個人對垃圾類別的主觀判斷,且分類效率低下。因此,選擇有效的分類方法是實現(xiàn)垃圾分類的重中之重[3]。
當前,上海市采用名稱檢索[4]的方式開展垃圾分類,這種方式通常基于事先設定的數(shù)據(jù)分類,能夠輔助居民實現(xiàn)常見垃圾的分類,但是很難有效地包含現(xiàn)有所有的垃圾以及垃圾的不同狀態(tài),更難應對未來持續(xù)增多的垃圾種類。趙冬娥等[5]提出了基于高光譜成像來實現(xiàn)垃圾分類,通過建立識別分類模型對反射率光譜信息進行分析,實現(xiàn)了對高光譜圖像中待分類垃圾的識別與分類,但是該方法僅對垃圾材質進行分類,難以滿足當下復雜的垃圾分類需求。劉雅璇等[6]提出了基于自我訓練的長效垃圾分類方法,采用KNN分類器和支持向量機結合,實現(xiàn)垃圾分類的智能化,但是僅僅幫助了用戶了解特定垃圾的種類,不具備自動化分類功能。
周慧珺等[7]提出了基于單片機的智能垃圾桶,設計了桶蓋的自動開關,遙控垃圾桶的行走,智能封袋的功能。梁婷等[8]采用了微電腦控制芯片,設計了具備智能紅外感應系統(tǒng)的智能垃圾桶,實現(xiàn)了垃圾桶桶蓋的自動開關和自動封口功能。戴禮驍?shù)龋?]設計了太陽能智能垃圾桶,實現(xiàn)了滅菌除蟲、自動翻蓋、語音功能和容量自動檢測等功能。但是這些研究局限于垃圾桶的使用功能,不具備分類功能。
隨著人們對于美好生活環(huán)境的需要日益提升,自動化垃圾分類技術亟待提升。針對當前研究存在的自動化分類功能不足,本文提出了一種基于深度學習[10~12]的智能分類垃圾桶設計。該設計具有以下兩個創(chuàng)新點:
1)“Y”字型垃圾桶結構:傳統(tǒng)的垃圾桶外觀構造較為單一,無法實現(xiàn)進行自動化分類的功能。為實現(xiàn)自動化分類垃圾這一功能,本文以先檢測,后回收為核心思想,提出了一種新的“Y”字型垃圾桶外觀結構。
2)基于自動化分類的圖像采集、深度學習模型與距離檢測的三層框架:本文考慮到自動化分類這一功能的復雜性,設計了一個系統(tǒng)功能框架。該框架包括了圖像采集層、深度學習層及距離檢測和傳輸層。本文采用卷積神經網(wǎng)絡[13~15]來應對垃圾類別的判斷,從而實現(xiàn)了準確高效的垃圾自動化分類功能。
本文所設計的垃圾桶系統(tǒng)設計圖如圖1所示。該系統(tǒng)由單片機作為主要控制模塊,集成兩大功能、四個模塊為一體。兩大功能包括自動化垃圾分類和滿桶檢測與提醒,四大模塊包括舵機模塊、深度學習模塊、超聲波模塊和藍牙模塊。其中,自動化垃圾分類通過深度學習模塊檢測和舵機模塊轉動實現(xiàn);滿桶檢測與提醒通過超聲波模塊檢測和藍牙模塊通訊實現(xiàn)。
圖1 系統(tǒng)設計圖
結合本文對硬件外觀和軟件框架的設計,所提出的垃圾桶具體實現(xiàn)的功能如下:
1)自動化垃圾分類:攝像頭獲取丟入垃圾桶的垃圾圖像,并上傳至深度學習模塊。由深度學習模塊對于投放的垃圾進行識別,并將識別后的結果通過樹莓派與Arduino的串口通信傳輸,使舵機模塊帶動隔板進行角度轉動,將垃圾自動掉入相應的桶內。
2)滿桶檢測與提醒:由超聲波模塊對于桶內垃圾高度進行監(jiān)測,當監(jiān)測結果小于設定的滿桶高度值時,智能垃圾桶頂部的LED燈將亮起,并通過藍牙模塊將信息傳輸給管理者,進行清理更換工作。
垃圾桶工作的流程圖如圖2所示。
為實現(xiàn)自動化垃圾分類這一功能,本文提出的智能垃圾桶物理結構設計采用“Y”字型結構,如圖3所示。其中,頂部中央為攝像頭,用于投入垃圾的圖像拍攝。由兩塊隔板(3)將垃圾桶一分為二,分別為檢測空間(1)和回收空間(2)。檢測空間(1)包含垃圾桶的投放口,主要對于投放的垃圾進行初步的匯集與檢測?;厥湛臻g(2)作為主要的垃圾收容桶,左邊小桶負責收容可回收垃圾,右邊小桶負責收容不可回收垃圾。隔板能夠支撐投放的垃圾,并在檢測出垃圾種類后,控制單個隔板向桶壁旋轉。在垃圾桶上方匯聚檢測完畢后,通過隔板(3)的轉動進行隔離回收,實現(xiàn)垃圾分類的功能。
圖2 工作流程圖
為了防止垃圾中液體對識別的干擾,該垃圾桶兩隔板間設有一條小的縫隙(4),使回收的液體流入,便于干濕垃圾的分離。隔板的上側設有兩個小水箱(5),實現(xiàn)隔板清洗的功能,解決了垃圾液體殘留引發(fā)的惡臭和衛(wèi)生問題。另外,垃圾桶底部設有用于存放垃圾袋的儲物裝置(6),便于環(huán)衛(wèi)工人更換垃圾袋操作。
圖3 智能垃圾桶物理模型圖
考慮到垃圾圖像分類的準確性和實效性,本文針對垃圾桶系統(tǒng)功能設計了一個三層框架,其中包括獲取圖像層、深度學習層和距離判斷與傳輸層。具體框架如圖4所示。
圖4 系統(tǒng)框架設計圖
首先,獲取圖像層通過攝像頭拍攝扔進垃圾桶的垃圾圖像,將圖像上傳到深度學習層后對垃圾類別作出判斷,并投放到相應的內桶中。完成投放任務后,距離檢測與傳輸層進行滿桶檢測和信息傳輸?shù)墓δ堋?/p>
針對戶外垃圾檢測的時效性需求,為進行實時的垃圾圖像采集以及進行圖像處理運算,本文采用了基于樹莓派平臺的圖像獲取方法:攝像頭安置于智能分類垃圾桶頂部內側,結合物理模型“Y”字型中的隔板,可直觀地獲取從垃圾投放口進入的垃圾圖像。攝像頭通過獲取每一幀圖像,用于后續(xù)的圖像處理。并上傳至服務器存儲。為智能垃圾分類提供了新的可視化信息。獲取的圖像樣式如圖5所示。
圖5 攝像頭獲取圖像
深度學習層接收來自獲取圖像層拍攝上傳的圖片,將圖片進行灰度處理后放入已經訓練好的深度學習模型中進行分類判斷。目前存在許多種卷積神經網(wǎng)絡結構,考慮到快速提取圖像信息的這一點,本文所設計的深度學習模型采用LeNet-5網(wǎng)絡結構。該模型具有凸顯圖像重要信息和減少計算量的特點,能夠達到較為精準和快速的預測結果,符合自動化判斷垃圾種類這一功能的要求。該模型結構如圖6所示。
圖6 深度學習模型圖
1)卷積層(convolutions):卷積層起到提取所拍攝到的垃圾圖像的不同特征,具體的卷積公式如下:
其中,代表模型第l層中第j個卷積輸出的特征圖像,Mj是輸入特征圖像的集合,代表第l層中第j個的權值,Bl是賦予第l層卷積的偏置項,f(·)作為非線性激勵函數(shù)。
2)池化層(pooling):池化層是卷積神經網(wǎng)絡中降采樣的一種形式。其減小垃圾圖像的空間大小,減少垃圾圖像的計算量和參數(shù)數(shù)量。由于識別垃圾圖像對時間上有著必要的要求,判別需要在一個較短的時間內,以免外界再有垃圾投入,導致兩類垃圾判斷錯誤的情況發(fā)生。本文所采用的池化公式如下:
3)全連接層(full connections):全連接層將本層的神經元逐一和上一層的所有神經元連接,起到分類器的作用,最終判斷垃圾類別。
該深度學習層所設計的模型能實現(xiàn)較為精確和快速的預測結果,從而做出正確的分類決策。
垃圾桶還配有超聲波測距模塊實現(xiàn)測距功能,其主要工作原理為該超聲波模塊接收到先前發(fā)出的特定超聲波,并通過前后時間差,計算出到垃圾離超聲波模塊的距離(D)計算公式如下:
因此能在每一次投放垃圾過后進行實時超聲波測距監(jiān)測得到距離,當?shù)玫降木嚯x小于10cm時,通過內置的藍牙模塊進行無線網(wǎng)絡通訊,提高了環(huán)衛(wèi)工人更換垃圾袋的工作效率。
如圖7所示,超聲波模塊每隔一定時間調用一次測距函數(shù),當箱內垃圾達到一定的高度時,則LED燈亮,進而達到閃爍的效果。
圖7 超聲波流程圖
本文所設計的智能分類垃圾桶能實現(xiàn)較為精確和快速的預測結果,從而做出正確的分類決策。本文所設計的深度學習網(wǎng)絡的訓練數(shù)據(jù)來自于第三世界政府提供的垃圾圖像數(shù)據(jù)集,數(shù)據(jù)集包含2664張圖像,包含的類別有易拉罐類、紙類、塑料類、濕垃圾類及其他類的5個類別。為驗證模型的有效性,模型實驗的樣本準確性如表1所示。
表1 準確性測試表
本文提出的基于深度學習的智能分類垃圾桶的設計方案,通過所設計的“Y”字型物理模型以及LeNet-5深度學習模型、舵機模塊,超聲波模塊,藍牙模塊整合成的一個完整的系統(tǒng),結合了人工智能、通信傳輸?shù)燃夹g,實現(xiàn)了垃圾的分類存放,滿桶檢測與提醒等功能,最終實現(xiàn)智能化垃圾分類。該系統(tǒng)將常見垃圾(如餐巾紙、塑料瓶等)進行了數(shù)據(jù)測試,證明了本文所提出的垃圾桶可以有效地提高垃圾分類率和環(huán)衛(wèi)工人的工作效率,大量節(jié)省了人力資源,減少了環(huán)境資源的浪費,大幅提升了社會效益與經濟效益,更加符合現(xiàn)代化智能標準。