基于StEMD_VGG的智能垃圾分類抓取機械手臂分析研究

朱紅娟

（南京機電職業(yè)技術學院，江蘇 南京 211135）

0 引言

隨著經濟社會的發(fā)展與人口的逐日遞增，據不完全統計，全球每天產生550萬噸生活垃圾，并且除去生活垃圾，還有各種各樣其他來源的垃圾，譬如：工業(yè)垃圾、農業(yè)垃圾、建筑垃圾、醫(yī)療垃圾等等。在如今的時代，垃圾分類是可持續(xù)發(fā)展是一個必然的趨勢，那么資源的循環(huán)利用就是不可或缺的一環(huán)。值得一提的是，生活垃圾中還包含有一部分有害垃圾，如果不針對處理，將會對我們生活的自然環(huán)境產生不可估量的傷害，由此看來，垃圾分類存放的確是大勢所趨。

正如上述所言，全球垃圾生產速度驚人，如此巨量的垃圾如果寄希望于先集中后分類，這無疑是一個讓人“聞而生畏”的工作；反之，如果從垃圾的產生源頭就對其分類，對于垃圾的后續(xù)處理無疑是一條“捷徑”。然而，強制進行垃圾分類無疑會成為降低人們生活品質，壓榨閑暇時間的沉重負擔。

目前，在垃圾分類領域，大部分垃圾依靠環(huán)保工人手動進行分類，這種分類方法效率低、工作強度大，且所處環(huán)境會對工人身體產生影響,且采用人工進行垃圾分類，效率低，浪費人力，同時，工作人員憑借自己的經驗進行垃圾分類，容易出現誤分類的情況。因此，本文提出一種智能垃圾分類技術，來突破垃圾分類效率低、容易出現誤分等問題。

1 垃圾分類抓取機械手臂的機構設計

機械手臂由減速電機控制法蘭盤旋轉從而實現不同類型垃圾的抓取。法蘭盤上有安裝有兩種不同的機械手爪，機械手爪與法蘭盤之間的角度由推桿控制，但推桿伸出時手爪與法蘭盤平行，推桿縮回時，手爪與法蘭盤成一定角度，角度的大小取決于垃圾所在位置[1]。

法蘭盤中間安裝有攝像頭實現360無死角抓拍，識別到某個位置有其他形狀的垃圾時，比如餐巾紙團或水果核等，由減速電機控制法蘭的旋轉讓第一機械手爪接近物體[2]。如果識別到某個位置有圓柱形狀垃圾時，比如煙頭或礦泉水瓶等，由減速電機控制法蘭的旋轉讓第二機械手爪接近物體。然后控制推桿與法蘭盤成一定角度，從而帶動機械手爪傾斜，再讓夾緊推桿伸出，直到機械手爪接觸到垃圾，抓取垃圾直接放入進分類垃圾箱，無需接觸垃圾，進行分類。每個機械手爪的夾緊和松開都由一個電動推桿實現，有對應的按鈕控制，如圖1所示。

圖1 垃圾分類抓取機械手臂

第一機械手爪6和第二機械手爪7數量均為兩個，均勻間隔安裝在所述法蘭盤4表面。手爪多的情況下，可以多次抓取垃圾，抓取量增加，效率提高。這樣可以一次性抓取多種類的垃圾，從而提高抓取效率，節(jié)省了垃圾分類的整體時間[3]。

2 垃圾分類圖形識別

注意力機制算法——稀疏經驗模態(tài)分解（Sparse transformation Empirical Mode Decomposition，StEMD）對攝像頭采集圖像進行關鍵點檢測，獲得采集圖像的顯著性視圖，然后把顯著性視圖送入VGG進行分類處理，通過StEMD_VGG模型檢測出不同垃圾的所在位置，啟動外部驅動電源。如圖2所示，是StEMD_VGG算法的實現框圖[4]。

圖2 StEMD_VGG算法的實現框圖

2.1 稀疏表示理論

稀疏表示是對超完備字典中基向量進行線性組合,以緊湊的方式表示原信號,原信號則可通過被選擇的權值非零的字典基向量表示，且大多數字典基向量的權值為零[5]，信號向量x的稀疏表示為

x=φα

式中：φ為n×m的矩陣，其列向量為字典原子；α是x在φ上的稀疏表示系數，為m×1維列向量。

顯然，信號的稀疏表示問題[6]是通過尋找合適的字典φ、及字典φ已知時求解稀疏表示系數α。

2.2 K-SVD字典學習算法

對于復雜的高維圖像信號來說，構造合適的過完備字典是圖像進行稀疏表示的關鍵步驟。本文在此選取用于稀疏表示的具有較強泛化能力的 K-SVD 字典學習算法，以期得到更加符合垃圾圖像信號特征的字典 D。該算法的實質是求解下式的優(yōu)化問題，即

式中：X為N組信號列向量組成矩陣；A為iα組成的稀疏矩陣，φ表示過完備字典。算法具體過程如下：

1）稀疏編碼階段。求解稀疏表示系數，即將式（1）所示的優(yōu)化問題分解為N個獨立問題，其中算法中的稀疏編碼采用正交匹配追蹤(orthogonal matching pursuit，OMP)算法進行求解[7]。

2）字典更新階段。使用K-SVD依次更新字典φ的每一列，并計算重構誤差。

2.3 圖像識別過程

（1）以K-SVD字典為稀疏基，對數據做稀疏分解獲得圖像的稀疏系數，此過程可被描述為

其中，OMP(·)是正交匹配追蹤算法函數，x攝像頭采集圖像，D是K-SVD字典，α是稀疏系數；

（2）對稀疏系數求符號處理，可描述為

其中，sign(·)是求符號函數；

（3）以符號函數為稀疏系數對圖像做重構，可描述為

其中，y是重構圖像數據；

（4）對y圖像按列展開，然后對重構數據做經驗模態(tài)分解[8]，此過程可描述為

其中，EMD(·)是經驗模態(tài)分解函數，IMF1、IMF2、IMF3、IMF4、IMF5是內涵模態(tài)分量，IMF1是最高頻段模態(tài)分量，IMF5是最低頻段模態(tài)分量，res是殘差分量；

（5）清空高頻段模態(tài)分量IMF1、IMF2、IMF3，重構數據，重構過程可描述為

其中，S是數據集x經過顯著性檢測獲得的數據的顯著性特征集[9]。

（6）把顯著性數據送入VGG模型進行垃圾類型識別。

3 結語

以自行設計的垃圾分類抓取機械手臂為研究對象，通過顯著性檢測算法稀疏經驗模態(tài)分解對攝像頭采集圖像進行關鍵點檢測，獲得顯著性視圖，然后把顯著性視圖送入VGG進行分類處理，通過StEMD_VGG模型檢測出不同垃圾的所在位置，從而實現不同類型垃圾的智能化分類。