《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 其他 > 設(shè)計(jì)應(yīng)用 > 基于深度學(xué)習(xí)的智能垃圾分揀車系統(tǒng)
基于深度學(xué)習(xí)的智能垃圾分揀車系統(tǒng)
2022年電子技術(shù)應(yīng)用第1期
王 慧，蔣朝根
西南交通大學(xué) 計(jì)算機(jī)與人工智能學(xué)院，四川 成都611756
摘要： 針對生活垃圾的高效分類及搬運(yùn)處理，設(shè)計(jì)了一款以邊緣嵌入式AI設(shè)備Jetson Nano為控制器的光電智能小車系統(tǒng)，該系統(tǒng)設(shè)計(jì)以YOLOv5為目標(biāo)檢測算法，以Pytorch1.8.1為深度學(xué)習(xí)框架。使智能小車從指定區(qū)域出發(fā)，通過自身的光電傳感器在指定范圍內(nèi)搜尋垃圾，利用六軸機(jī)械臂對垃圾進(jìn)行分揀并送到指定分類地點(diǎn)。對采集到的5 048張圖片(包括5種垃圾類別)進(jìn)行300次的迭代訓(xùn)練，實(shí)驗(yàn)測試結(jié)果表明：平均精確度達(dá)到91.8%，準(zhǔn)確率達(dá)到94.5%，召回率達(dá)到89.03%。
中圖分類號： TP399
文獻(xiàn)標(biāo)識碼： A
DOI：10.16157/j.issn.0258-7998.211795
中文引用格式： 王慧，蔣朝根. 基于深度學(xué)習(xí)的智能垃圾分揀車系統(tǒng)[J].電子技術(shù)應(yīng)用，2022，48(1)：71-75.
英文引用格式： Wang Hui，Jiang Chaogen. Intelligent garbage sorting truck system based on deep learning[J]. Application of Electronic Technique，2022，48(1)：71-75.
Intelligent garbage sorting truck system based on deep learning
Wang Hui，Jiang Chaogen
School of Computer and Artificial Intelligence，Southwest Jiaotong University of China，Chengdu 611756，China
Abstract： Aiming at the efficient classification and handling of domestic waste, this article designed a photoelectric smart car system with the edge embedded AI device Jetson Nano as the controller. The system is designed with YOLOv5 as the target detection algorithm and Pytorch1.8.1 as the deep learning framework. The system makes the smart car start from the designated location, search for garbage in the designated area through its own photoelectric sensor, identify and classify the garbage, and use the six-axis robotic arm to sort the garbage and send it to the designated stacking place. 300 iterations of training were performed on the collected 5 048 pictures and 5 types of garbage. The experimental test results show that the average accuracy reaches 91.8%, the accuracy rate reaches 94.5%, and the recall rate reaches 89.03%.
Key words : Jetson Nano；smart car；six-axis robotic arm；YOLOv5

0 引言

    針對生活垃圾的識別分類任務(wù)，我國大多采用人工進(jìn)行垃圾分揀工作，該分揀方式存在分揀效率低、對人體危害大等弊端。隨著人工智能的發(fā)展，深度學(xué)習(xí)如今被廣泛應(yīng)用于各個領(lǐng)域。文獻(xiàn)[1]介紹了基于openCV與TensorFlow框架的垃圾分類設(shè)計(jì)，但是該項(xiàng)目只是講解怎樣去處理圖像，實(shí)現(xiàn)垃圾識別分類，并未應(yīng)用于實(shí)際。文獻(xiàn)[2]提出以STM32作為控制器進(jìn)行垃圾分揀任務(wù)，以O(shè)penMV攝像頭進(jìn)行垃圾分類識別，但是由于以STM32作為控制器運(yùn)行神經(jīng)網(wǎng)絡(luò)，使得檢測效率并不高。文獻(xiàn)[3]提出了基于并聯(lián)機(jī)器人的分揀系統(tǒng)設(shè)計(jì)，該系統(tǒng)對廢舊塑料瓶的檢測率達(dá)到98%，效率很高，但是該系統(tǒng)只能檢測單一垃圾，并且不能判斷檢測的垃圾種類。文獻(xiàn)[4]提出了以MobileNet SSD為模型、以Jetson TX2為控制器的垃圾分揀機(jī)器人系統(tǒng)，該系統(tǒng)設(shè)計(jì)對Jetson設(shè)備進(jìn)行了部署加速，使得檢測速度較快，但是檢測準(zhǔn)確率并不是很高。有學(xué)者設(shè)計(jì)機(jī)械手來進(jìn)行垃圾分揀任務(wù)，具有較高的分揀準(zhǔn)確度及穩(wěn)定性[5]，但是該設(shè)計(jì)基于理論知識，未能應(yīng)用于實(shí)踐，真實(shí)檢測效果還有待考量。機(jī)器學(xué)習(xí)需要在計(jì)算能力、儲存能力等都有限的平臺上表現(xiàn)出優(yōu)越的性能，才能在更廣闊的范圍內(nèi)得到推廣和應(yīng)用[6]。文獻(xiàn)[7]在嵌入式FPGA運(yùn)行改進(jìn)的SoC神經(jīng)網(wǎng)絡(luò)模型，使得卷積神經(jīng)網(wǎng)絡(luò)的運(yùn)行速度提升了很多。在該項(xiàng)目中以NVIDIA Jetson Nano作為控制器，在該移動端部署訓(xùn)練模型，該邊緣嵌入式設(shè)備含有GPU算力，網(wǎng)絡(luò)推理速度更快，有完整的操作系統(tǒng)，界面可視化，操作方便。




本文詳細(xì)內(nèi)容請下載：http://ihrv.cn/resource/share/2000003911。




作者信息：

王  慧，蔣朝根

(西南交通大學(xué) 計(jì)算機(jī)與人工智能學(xué)院，四川 成都611756)




wd.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。