小说改编的网页游戏,玄幻小说完本,殿上欢

基于深度學習的智能垃圾分揀車系統

2022年電子技術應用第1期

王慧，蔣朝根

西南交通大學計算機與人工智能學院，四川成都611756

摘要： 針對生活垃圾的高效分類及搬運處理，設計了一款以邊緣嵌入式AI設備Jetson Nano為控制器的光電智能小車系統，該系統設計以YOLOv5為目標檢測算法，以Pytorch1.8.1為深度學習框架。使智能小車從指定區域出發，通過自身的光電傳感器在指定范圍內搜尋垃圾，利用六軸機械臂對垃圾進行分揀并送到指定分類地點。對采集到的5 048張圖片(包括5種垃圾類別)進行300次的迭代訓練，實驗測試結果表明：平均精確度達到91.8%，準確率達到94.5%，召回率達到89.03%。

關鍵詞： JetsonNano 智能小車六軸機械臂 YOLOV5

中圖分類號： TP399
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.211795
中文引用格式： 王慧，蔣朝根. 基于深度學習的智能垃圾分揀車系統[J].電子技術應用，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，我國大多采用人工進行垃圾分揀工作，該分揀方式存在分揀效率低、對人體危害大等弊端。隨著人工智能的發展，深度學習如今被廣泛應用于各個領域。文獻[1]介紹了基于openCV與TensorFlow框架的垃圾分類設計，但是該項目只是講解怎樣去處理圖像，實現垃圾識別分類，并未應用于實際。文獻[2]提出以STM32作為控制器進行垃圾分揀任務，以OpenMV攝像頭進行垃圾分類識別，但是由于以STM32作為控制器運行神經網絡，使得檢測效率并不高。文獻[3]提出了基于并聯機器人的分揀系統設計，該系統對廢舊塑料瓶的檢測率達到98%，效率很高，但是該系統只能檢測單一垃圾，并且不能判斷檢測的垃圾種類。文獻[4]提出了以MobileNet SSD為模型、以Jetson TX2為控制器的垃圾分揀機器人系統，該系統設計對Jetson設備進行了部署加速，使得檢測速度較快，但是檢測準確率并不是很高。有學者設計機械手來進行垃圾分揀任務，具有較高的分揀準確度及穩定性^[5]，但是該設計基于理論知識，未能應用于實踐，真實檢測效果還有待考量。機器學習需要在計算能力、儲存能力等都有限的平臺上表現出優越的性能，才能在更廣闊的范圍內得到推廣和應用^[6]。文獻[7]在嵌入式FPGA運行改進的SoC神經網絡模型，使得卷積神經網絡的運行速度提升了很多。在該項目中以NVIDIA Jetson Nano作為控制器，在該移動端部署訓練模型，該邊緣嵌入式設備含有GPU算力，網絡推理速度更快，有完整的操作系統，界面可視化，操作方便。

本文詳細內容請下載：http://m.viuna.cn/resource/share/2000003911。

作者信息：

王慧，蔣朝根

(西南交通大學計算機與人工智能學院，四川成都611756)

原創聲明：此內容為AET網站原創，未經授權禁止轉載。

相關內容