实验步骤

• 使用CanMV开发环境，基于MicroPython实现

• 采用K210芯片进行AI推理，实现94.26%的识别准确率

• 响应时间达到261.7ms，满足实际使用需求

• 通过I2C协议控制舵机，实现垃圾桶自动开合

• 支持四分类：可回收、厨余、有害和其他垃圾

• CanMV是嘉楠科技开源的一个在 [[K210]] 等嵌入式AI SoC上运行的环境，基于MicroPython语言改造实现

• CanMV IDE是基于OpenMV，参考MaixPly IDE的嘉楠科技自己开源的开发环境

• DNK210 串口2的RX接pyMotors I2C协议的XH2.54接口的SCL，TX接SDA，5V接VCC，地接地；用IO 8和6（串口2的RX和TX接口）映射为I2C的SCL和SDA，初始化一个I2C的实例，就可以通过串口模拟一个I2C接口使用了，这里用到的线是PH2.0转2.54杜邦线-4头。接法如下：

• 模型、代码、pyMotors库等文件全部拷到SD卡，主程序main.py代码如下

参考

• 测试模型
• 垃圾分类-下载最多：model-17881.kmodel
• #A 垃圾分类-3000：model-84232.kmodel，最终用了这个，因为准确率最高
• 垃圾分类-工训比赛：model-83588.kmodel
• 工训大赛垃圾分类-3000：model-88693.kmodel

• 相关网站
• CanMV文档
• MaixPy v1文档
• DNK210开发板资料汇总#文献/网址
• K210模型训练网站：MaixHub#文献/网址
• MaixHub模型训练

“垃圾银行“智能分类垃圾桶项目研究报告

• 摘要
• 本研究旨在响应习近平新时代生态文明思想，针对当前垃圾分类推进过程中存在的问题，探索一种基于人工智能计算机视觉技术的智能分类垃圾桶。通过收集垃圾分类数据集，运用卷积神经网络训练并精简模型，将其部署在开发板上，结合舵机等硬件改造传统垃圾桶，实现垃圾的自动识别与分类投放，降低普通人垃圾分类的难度，提高垃圾分类的效率和准确率，减少分类垃圾桶资源的浪费。

• 关键词：[[人工智能]]；[[计算机视觉]]；[[智能分类垃圾桶]]；[[垃圾分类]]；[[垃圾银行]]

• 研究背景
• 随着习近平新时代生态文明思想的深入贯彻，国家对环保愈发重视，垃圾分类政策全面推行。然而，垃圾分类标准较为复杂，需要民众花费时间和精力去学习，且垃圾种类繁多，普通人难以准确进行分类，这在一定程度上影响了垃圾分类工作的推进，同时也导致现有的分类垃圾桶资源未能得到充分有效的利用，造成了资源浪费。

• 研究目的
• 研发一种基于人工智能计算机视觉技术的智能分类垃圾桶，使民众在丢弃垃圾时，只需将垃圾放置在垃圾桶前，垃圾桶的摄像头即可对垃圾进行视觉识别，并自动打开对应分类的垃圾桶，从而实现快速、自动的垃圾分类，降低普通人进行垃圾分类的难度，提高垃圾分类的效果和效率。

• 研究内容
• 数据收集与整理：依据国家垃圾分类标准，广泛收集身边各类垃圾的图片，构建种类全面的垃圾分类数据集，为后续的模型训练提供充足的数据支持。
• 模型训练与优化：运用卷积神经网络的人工智能技术对收集到的垃圾分类数据集进行模型训练，并在训练完成后对模型进行精简处理，使其能够在算力较低的开发板上稳定运行，以满足实际应用的需求。
• 硬件改造与集成：对传统的分类垃圾桶进行改造，将部署了人工智能垃圾分类识别模型的开发板内嵌其中，并在垃圾桶上安装由舵机驱动的盖子，通过各硬件之间的协同工作，实现垃圾的自动识别以及垃圾桶盖子的自动开合。

• 研究方法
• 市场需求调研：通过问卷调查、实地访谈等方式，深入了解市场对智能垃圾桶的需求情况，包括功能需求、价格接受范围、使用场景等，为智能垃圾桶的设计提供市场依据。
• 功能组件设计：经过对市场需求的分析和技术可行性的研究，确定智能垃圾桶的主要功能组成，包括具备一定算力的视觉识别模块、摄像头、舵机驱动板、舵机、垃圾桶，确保各组件之间能够有效配合，实现智能垃圾桶的各项功能。
• 硬件采购和组装：经过市场对比，采购了基于K210 芯片的开发板、适用于 K210 芯片的视觉识别模型、一个舵机驱动板、四个舵机以及一套 4 个分类垃圾桶模型，根据设计将各个组件进行安装固定。
• 数据集准备和标注：按照国家关于垃圾分类的标准，从两方面准备数据集，一是基于网络上开源的垃圾分类图片库，二是根据身边常见的垃圾，拍摄一部分各种类型的垃圾作为补充数据集。对数据集进行分类标注。用开源数据集保证垃圾数据集样本的完整，用拍摄图片保证数据集的现实适应性和准确性。对数据集进行分拆，随机选取其中90%作为训练数据集，剩余10%作为验证数据集。
• 模型训练：根据国家标准分类，使用MobileNet V3网络对垃圾分类数据集进行训练，得到模型文件。
• 系统软件开发和联调：结合硬件设计进行软件开发，确定识别窗口、分类舵机判定、舵机驱动板调用、舵机旋转角度设定以及舵机自动归位延时，将软件和模型部署到K210开发板存储中，连接好开发板和舵机驱动板，驱动板和舵机，最终完成智能分类垃圾桶的模型制作。

• 实验过程和结果
• 实验过程：使用安装好的“垃圾银行”智能分类垃圾桶对验证数据集进行识别并与数据集准备过程中的分类标注进行比对，可以计算出垃圾识别的准确率。对识别的过程进行计时，用于记录模型识别的响应时间。根据相应时间和准确率对模型进行持续多轮调优，直到达到90%以上准确率、识别时间1S以内的性能要求。
• 实验结果：经过多次实验测试，智能垃圾桶在识别常见垃圾种类时，平均识别准确率达到了94.26%，相应时间达到261.7 ms，能够满足实际使用场景的需求。但在识别一些形状不规则、颜色相近或表面有污渍的垃圾时，识别准确率有所下降，需要进一步优化模型和改进算法。

• 分析和讨论
• 技术可行性分析：本研究采用的人工智能计算机视觉技术在垃圾识别领域具有较高的可行性和应用潜力。通过卷积神经网络对大量垃圾图片的学习和训练，模型能够较好地提取垃圾的特征信息，实现对不同种类垃圾的准确识别。然而，由于实际环境中垃圾的多样性和复杂性，模型的泛化能力仍有待提高。
• 性能优化分析：在实验过程中发现，智能垃圾桶的性能受到开发板算力、摄像头分辨率、模型复杂度等因素的影响。为了提高性能，需要在保证识别准确率的前提下，进一步优化模型结构，降低模型的计算量和存储需求，同时选择性能更优的硬件设备，以提高系统的整体响应速度。
• 用户体验分析：从用户体验的角度来看，智能垃圾桶的自动识别和分类功能大大降低了普通人进行垃圾分类的难度，提高了用户的便利性和积极性。但在实际使用中，也有部分用户反映垃圾桶的体积较大，占用空间较多，且在垃圾投放高峰期可能会出现排队等待识别的情况，需要在后续的设计中加以改进。

• 研究结论
• 本研究成功研发了一种基于人工智能计算机视觉技术的智能分类垃圾桶，通过实验验证了其在垃圾分类领域的可行性和有效性。该智能垃圾桶能够自动识别并分类常见的垃圾种类，降低了普通人进行垃圾分类的难度，提高了垃圾分类的效率，准确率达到94.26%，对于推动垃圾分类工作的开展具有积极意义。然而，目前该智能垃圾桶仍存在一些不足之处，如识别准确率有待提高、性能需进一步优化、用户体验需不断改善等。在未来的研究中，将继续深入探索和优化相关技术，不断完善智能垃圾桶的功能和性能，为实现环保目标和生态文明建设做出更大的贡献。