ddr888’s Blog http://blog.ddr888.cc/ 纵有疾风起 人生不言弃 Sun, 10 May 2026 01:49:07 GMT https://validator.w3.org/feed/docs/rss2.html https://github.com/jpmonette/feed zh-CN All rights reserved 2026, ddr888 <![CDATA[UOS统信系统使用]]> http://blog.ddr888.cc/article/2dec7764-eba4-8027-bfaf-fef00dce609f http://blog.ddr888.cc/article/2dec7764-eba4-8027-bfaf-fef00dce609f Sun, 04 Jan 2026 00:00:00 GMT
使用了一台UOS系统的电脑：华为擎云L420x，使用的华为 HUAWEI Kirin 9000C @ 2.3GHz CPU，CPU架构是arm64，又是基于Debian 10.10，UOS 1070版本。随手记录一下UOS使用的经验教训。

Clash-meta实现UOS科学上网

因为习惯使用Google 日历的原因，还要在这样的系统上进行科学上网，参考了墙妈妈这篇文章进行了安装和服务的设置（服务的配置文件要用全局目录不能使用~代替home目录）。实现了在命令行下的Clash客户端运行，运行完成后在系统层面进行了系统代理的设置，这里使用了http代理不行，不知道为什么，又切换成Clash-meta命令行默认的socks代理`127.0.0.1:7891`，2026年4.9日又配置了https代理，也可以运行，系统实现科学上网。这样的设置后，可以实现系统启动后自动后台运行 `clash-meta` 的自启动，通过系统代理的方式实现了科学上网，还有一种方式可以通过浏览器插件的方式启用socks代理使用的，这里没有使用不再介绍了。整体效果还可以，只是缺少了灵活配置clash的界面不太方便。
notion image
更换节点可以通过编辑 /home/HUAWEI/.config/clash/config.yaml ，把对应分组的节点移动到分组最上面后，重启服务即可。
notion image

Thorium浏览器

系统自带的浏览器不好用，但是不管是官方Chrome还是Chromium都没有找到对应CPU架构的版本可以安装，系统自带应用商店的浏览器有个Chromium 90版本，通过应用商店发现了 `Thorium Brower` 里面的树莓派版本是支持arm64架构linux的，最新版本也停留在了2024年底的128，将就使用。2026.2.28更新了138版本：thorium-browser_138.0.7204.303_arm64.deb。
notion image

笔记软件-Obsidian

有适配的appimage版本直接使用。将工作笔记和个人笔记分离，个人继续使用Logseq，工作使用Obsidian（使用坚果插件进行同步）。

终端

从apt安装fish shell，fish shell的配置文件在核心全局配置文件是 ~/.config/fish/config.fish，这是你日常修改、添加配置的主要文件。 语法和 bash 和 zsh 不兼容。
因为大多数网上的安装脚本都是在兼容bash的脚本，与fish环境下的脚本有不兼容情况，而zsh的兼容性要好很多，因此又换成zsh

Node.js环境

按照官方推荐的方式进行安装，因为使用了fish shell，所以选了fnm进行nodejs的版本管理
`corepack enable pnpm` 的时候可能存在系统配置了代理，环境变量里面有设置了all_proxy，corepack会自动使用代理进行下载pnpm，但是系统代理使用了socks代理协议，而corepack只允许http或者https协议的代理或地址，所以要先清理一下all_proxy的环境变量，才能下载安装npnm和yarn。

输入法

默认使用的是搜狗定制的输入法，因为使用的双拼，有时会出现中英混输的情况，无法正常将双拼下的原始英文字符通过回车直接输入，而是出现对应双拼键位的所有英文字符。查询中州韵官网后，提供了使用 fcitx-rime 的建议。使用apt进行了安装，版本比较老 0.3.2-5 arm64 。（apt库里面还有更新的 zhongzhouyun 0.5.6.2 arm64，有时间再更新）
安装使用白霜拼音词库。

ClaudeCode

按照官网命令进行安装
国内大模型的配置使用，我是在 ~/.zshrc 里添加bse url和API key环境变量的：
 
]]> <![CDATA[国产大模型免费API]]> http://blog.ddr888.cc/article/2ffc7764-eba4-8066-b59c-fa6655d4b343 http://blog.ddr888.cc/article/2ffc7764-eba4-8066-b59c-fa6655d4b343 Fri, 06 Feb 2026 00:00:00 GMT
2026年初， OpenCode 和 OpenClaw 突然火了，两个工具都是燃烧token的大户，OpenCode使用2个小时就可以使用100+次的prompt调用，token数应该比较可观。因此为了进一步测试，试用了几个平台的免费api服务，最终推荐2个。

ModelScope魔搭（重点推荐）

ModelScope 可以提供2000次/天的免费调用额度（API-Inference），每个模型不超过500次/天，实际上比较热门的模型比如GLM4.7（2026.2.1）实际只能调用100次，DeepSeak调用的话，频率稍微高些经常被限制，需要不断的尝试，这里我主要使用 GLM4.7 和 Qwen3-30B-A3B-Instruct 。
使用方式：注册→绑定阿里云账号→Token管理中申请。然后就可以在各种前端配置调用了，配置和调用还不是非常方便，上面的两个工具都没有提供魔搭的默认配置，需要修改配置文件，有一定门槛。但是由于目前额度比较高，模型更新比较快，还是最推荐。

BigModel智谱

智谱AI （通过我的邀请链接注册即可获得 2000万Tokens ）目前是好多Fast大模型调用都免费，包括GLM4.70Fast等等，试用了一下，还没有测出来调用额度是多少。智谱的 GLM Coding Lite 套餐是我见过最便宜的了，每月20元，100次/5小时（MiniMax要29元/月，40次/5小时，也不错），对我足够用了，现在每天竟然还要抢购。。。如果可以接受付费（我准备抢购了😄），也比较推荐这个Lite Plan，相对免费的服务，稳定性和速度要更好些，而且对于官方的付费服务，一般工具都会默认适配。
春节期间，已经恢复为每月132元/季度了，还不能使用最新的 GLM 5 ，不知道智谱是怎么想的，不用再抢购了。

阿里云百炼Coding Plan

40元/月，性价比也非常高，用量给的很足：固定月费，每月1.8万次请求。

𝐗𝐀𝐈 𝐗𝐀𝐏𝐈 代理

能搜索到最便宜的包月API服务了，提供了MiniMax 2.5 12元包月服务，试用中。。。
之前查到还有一些其他方式的免费API调用服务，因为各种原因还没有尝试，比如英伟达、OpenRouter（基础版免费）、硅基流动（非常小的模型）、星火（Lite模型）。

模型推荐

  • Minimax 2.1
  • GLM 4.7
  • KIMI 2.5
2025年，AI圈子还在突飞猛进的发展，前期资本的力量还在显现，随着OpenClaw等代理工具和OpenCode等编程工具的火爆，编程领域好像正要发生范式转移，传统堆人式的模式在Vibe Coding面前显得落后太多，API的商业模式也就基本成立了，国内的大模型同步就开始了内卷，各种Coding Plan层出不穷，价格一降再降，现在基本已经处于大众可以接受的范围（甚至不排除像共享单车一样，大战后还会涨价）。以后使用到比较好的免费大模型再更新。
notion image
]]> <![CDATA[Logseq使用Git或Github同步]]> http://blog.ddr888.cc/article/ca2a5750-515c-4bb7-ab65-573e57cac0fb http://blog.ddr888.cc/article/ca2a5750-515c-4bb7-ab65-573e57cac0fb Thu, 11 Apr 2024 00:00:00 GMT

PC端

  • 安装 [[Git]] for windows
  • 启用 [[Logseq]]的多版本控制自动git commit，会在图谱里面git init一个本地仓库进行历史版本记录
  • 按照Logseq-Git-Sync-101教程进行配置
    • 把post-commit and pre-commit放到.git/hooks目录下
    • 修改post-commit中git push origin main为git push origin master
    • post-commit
      • pre-commit
      • 参考这个教程 添加了.gitignore
        • logseq/bak/ logseq/.recycle .DS_Store
      • 中间会要求输入用户名和邮箱，以及登录github

      iOS端

      • 安装 working copy（需要16.2以上）
      • 新建外部连接库（会员功功能，但是可以试用10天，之后仍可以拉取），在我的手机logseq应用目录里面新建logseq目录（图谱目录）
      • 添加 [[github]] 远程仓库，进行拉取
      • logseq里面新建仓储，选择已有仓库指定为上面创新的图谱目录即可

      Mac端

      • git clone git@github.com:username/reponame.git一个本地库
        • 这一步因为是私有仓库，默认的用户名密码登录方式不能使用，只能使用 ssh-over-the-https 方式绕过默认被封的22号端口
        • 为什么Win可以使用https挂远程仓库而Mac不行？还是我操作有误？ #问题#Git
      • 安装 [[Logseq]]
      • 新建一个图库使用刚才的clone的目录
      • Mac 目录下会自动产生.DS_Store，需要用find . -name .DS_Store -print0 | xargs -0 git rm -f --ignore-unmatch进行删除，并在.gitignore中添加

      异常处理

      由于电脑最近开合盖频繁死机，导致 [[Logseq]] 本地 [[Git]] 仓库损坏，提示fatal: bad config line 1 in file .git/config，在本地目录把.git/config删除，在命令行重新添加一下远程目录即可恢复git remote add origin https://github.com/yourname/logseq.git
      ]]>             <![CDATA[《首席数据官知识体系指南》数据管理体系]]> http://blog.ddr888.cc/article/2c0c7764-eba4-8060-87e4-f43ae09c4ffd http://blog.ddr888.cc/article/2c0c7764-eba4-8060-87e4-f43ae09c4ffd Fri, 05 Dec 2025 00:00:00 GMT
      type
      Post
      status
      Published
      date
      Dec 5, 2025
      slug
      summary
      本书由上海市静安区国际数据管理协会采用 RACI 模式编写，共分为 5 篇，分别是 CDO 概论、管好数据、做好转型、建好团队、新技术新模式新业态，核心围绕数据管理展开，为数字经济时代企业数据管理与数字化转型提供指引。 全书核心理念明确，以 DAMA 数据管理车轮图为框架，强调成功的数据管理需由业务驱动而非 IT 驱动，同时指出数据是数字经济时代核心生产要素，数据管理是数字化转型的前提。内容整体可划分为管理数据（第 1-18 章）、团队管理（第 19-20 章）、发展趋势（第 21-23 章）三大模块。 在管理数据模块，重点涵盖多方面关键内容。数据战略由远景、数据文化等 7 部分构成，其中数据文化本质是 “用数据决策” 的决策文化，数据组织实行业务负责制；数据治理（狭义）聚焦组织、制度和流程，数据制度细分为管理办法、实施细则、操作规范，元数据管理遵循 “应归尽归”，数据质量从 “关键数据” 切入并设三道防线；数据安全覆盖全生命周期，实行分级分类管理，数据合规注重风险识别、评价与控制，还引用任正非实用主义观点强调流程价值导向；主数据管理是打通数据孤岛的关键，核心为 “两体系、一工具”；此外，还涉及指标数据建设流程、数据模型分类、DCMM 成熟度评估的 8 大能力域，以及数据分析（面向历史，用数据仓库、BI）与数据挖掘（面向未来，用数据湖）的区别，同时关注数据伦理与数据隐私。 团队管理模块围绕数据团队展开，明确其职能包括数据分析应用、治理、系统开发、平台运维等，绩效考核需结合企业实际业务落地。 发展趋势模块则介绍了仓湖一体、数字孪生等新型数据科技，以数据交易为代表的商业运营新模式，以及数据合规评估、数据资产评估等新业态，展现数据管理领域的前沿方向。
      tags
      数据管理
      数据治理
      技术
      category
      技术分享
      icon
      password

      一、书籍基础信息

      全书共 5 篇，由上海市静安区国际数据管理协会编写（协会相关链接），采用 RACI 模式编写，具体篇章如下：
      1. CDO 概论
      1. 管好数据
      1. 做好转型
      1. 建好团队
      1. 新技术新模式新业态

      二、核心概述

      • 核心框架：以 DAMA 数据管理车轮图为基础。
      • 核心原则：成功的数据管理必须由业务驱动而不是 IT 驱动。
      • 核心定位：
      1. 数据是数字经济时代最核心的生产要素。
      1. 数据是数字经济的基础，数据管理是数字化转型的前提。

      三、主要内容划分

      全书核心内容可分为三大模块，对应章节如下：
      • 管理数据（第 1-18 章）
      • 团队管理（第 19-20 章）
      • 发展趋势（第 21-23 章）

      四、管理数据模块核心要点

      4.1 数据战略
      • 组成部分：共 7 部分，包括远景、数据文化、数据组织、业务场景、数据能力、数据底座、实施线路图。
      • 关键细分：
      • 数据文化：“用数据思考、说话、管理、决策” 的价值观，本质是决策文化。
      • 数据组织：业务负责制的数据管理组织，包含 CDO、数据委员会、数据团队、数据管理专员。
      • 数据底座：统一数据管理平台，核心作用是归集企业数据资产、提供便捷数据服务。
      4.2 数据治理（狭义概念，非广义 “数据管理”）
      核心涵盖组织、制度和流程三大维度，具体细分如下：
      4.2.1 数据制度
      分为管理办法、实施细则、操作规范三类，具体内容：
      • 管理办法：数据战略、数据标准、数据架构、数据资源目录、元数据、主数据、数据安全、数据质量、数据共享。
      • 实施细则：主数据、指标数据。
      • 操作规范：数据平台、数据架构规范、集成规范。
      4.2.2 元数据和数据资源目录
      • 元数据管理原则：遵循 “应归尽归”。
      • 元数据分类：业务元数据、技术元数据、操作元数据。
      4.2.3 数据标准
      • 定义：围绕数据要素供给、流通、开发利用、安全等方面制定的标准（其中 “数据要素供给” 即描述某业务领域的数据属性）。
      • 全流程：标准规划→标准制定→标准发布→标准执行→标准维护。
      4.2.4 数据架构
      • 关联框架：企业架构 TOGAF（The Open Group Architecture Framework），包含 4 大架构 —— 业务架构、数据架构、应用架构、技术架构。
      • 核心内容：业务抽象、数据之间关系、数据组织、数据应用。
      4.2.5 数据质量
      • 切入方式：与元数据 “应归尽归” 不同，可从 “关键数据” 入手。
      • 保障机制：数据质量三道防线 —— 数据源头、使用部门、审计部门。
      4.2.6 数据安全
      • 管理范围：数据全生命周期（采集、传输、存储、使用、删除、销毁）。
      • 管理方式：数据分级、分类管理。
      4.2.7 数据合规
      • 核心流程：风险识别→风险评价→风险控制。
      • 延伸观点：任正非提出 “流程为作战服务，不产粮食的流程是多余的，IT 和变革也要聚焦，IT 不一定要遍地开花，增加一个流程要减少两个，IT 系统投入后，如果 5 年内没人用，要问责他”。这一实用主义、价值导向的观点对企业更具实操性，而当前数字化转型趋势下，需在 “决策聚焦” 的基础上，强化基础数据支撑的全面性（因数据驱动决策需更多基础数据保障）。
      4.2.8 主数据管理
      • 核心价值：主数据是打通数据孤岛的唯一办法，也是数据互联互通的基础；主数据管理是数据管理（治理）最关键的部分。
      • 核心内容：“两体系、一工具”—— 主数据管理标准体系、主数据管理保障体系、主数据管理工具。
      4.2.9 指标数据
      • 建设全流程：
      1. 编制指标体系框架
      1. 明确主题所属的指标
      1. 优化完善指标
      1. 制定指标管理体系
      1. 强化适用指标数据（需在业务及信息系统建设中应用，才能发挥实际作用）
      4.2.10 数据模型
      • 定义：现实世界数据特征的抽象，描述静态特征、动态行为、约束条件。
      • 分类：概念数据模型、逻辑数据模型、物理数据模型。
      4.2.11 其他关键环节
      • 数据集成
      • 数据存储
      • 非结构化数据管理
      4.3 成熟度评估：DCMM
      • DCMM 核心：8 个核心能力域，分别是：
      1. 数据战略
      1. 数据治理
      1. 数据架构
      1. 数据应用
      1. 数据安全
      1. 数据质量
      1. 数据标准
      1. 数据生命周期
      4.4 数据分析和挖掘
      • 核心区别：
      • 数据分析：面向历史数据，通过数据仓库、BI 实现，常用方法为逻辑树、对比等分析。
      • 数据科学（含数据挖掘）：面向未来，通过数据湖实现，常用方法为回归、分类、相关性、聚类、判别。
      • 思考问题：# 数据分析和数据挖掘的区别？ #数据管理 #大数据
      4.5 数据伦理
      核心关注数据隐私等相关议题。

      五、团队管理模块核心要点

      5.1 数据团队职能
      涵盖数据分析应用、治理、系统开发、平台运维等方向。
      5.2 绩效考核
      （书籍核心围绕数据管理体系，绩效考核部分需结合企业实际业务场景落地）

      六、发展趋势模块核心要点

      6.1 新型数据科技
      包括仓湖一体、数字孪生、区块链、数据网格等技术方向。
      6.2 基于数据的商业运营新模式
      以数据交易为典型代表。
      6.3 新业态
      涵盖数据合规评估、数据资产评估、数据质量评估、数据交易经纪、数据信托等领域。
      ]]>             <![CDATA[Windows环境下将Mac操作系统降级到macOS-Mojave-10.14.6]]> http://blog.ddr888.cc/article/1a0c7764-eba4-8020-acc8-cafda27f8ab2 http://blog.ddr888.cc/article/1a0c7764-eba4-8020-acc8-cafda27f8ab2 Thu, 20 Feb 2025 00:00:00 GMT
      2014年买的 [[Mac Mini]]一直更新系统，到了11.*以后，系统运行速度明显变慢，硬件性能不足，因此计划对系统进行降级。

      在线降级

      根据网上看到的教程，备份系统后重启，comand+OPT+shift+R，联网后系统自动下载电脑最初的系统版本macOS 10.11 El Capitan，但是据说是因为网络的原因，安装程序一直出错，导致在线降级方案失败。

      制作引导盘离线降级

      1. 在sisin的网站上提供的可引导系统镜像上下载了macOS-Mojave-10.14.6镜像（使用了deepseek查询了MACmini2014最适合的系统给的推荐，还开通了百度网盘7天会员8元）。
      1. Windows环境下使用balenaEtcher工具（管理员权限运行），这里用官网下载的最新版的一直失败，使用了教程里面的老版的一次成功，将下载的镜像写入一个U盘或者SSD硬盘，我用的SSD，速度非常快就制作完成，教程。
      1. 在mac，重启长按comand+R，使用引导盘开始恢复，这里还要修改一下系统时间，否则报错，后面下一步即可。
      1. 这里因为能用的电脑只有Windows了，所以下载镜像必须是可引导的镜像，原版的无法引导，如果有其他mac环境，直接在苹果官网下载官方镜像和指南，命令行下制作引导盘也是可以的。另外sisin这个网站是我唯一找到的可以提供可引导镜像下载的网站，还提供各种指导教程，其他一些都是要注册买VIP的，感谢sisin。
      ]]>             <![CDATA[使用K210开发板实现的自动分类垃圾桶]]> http://blog.ddr888.cc/article/1b5c7764-eba4-809d-970c-cf439c477304 http://blog.ddr888.cc/article/1b5c7764-eba4-809d-970c-cf439c477304 Thu, 13 Mar 2025 00:00:00 GMT

      实验步骤

      一个基于K210开发板的智能垃圾分类系统。该系统利用计算机视觉和人工智能技术，通过摄像头识别垃圾类型，并自动控制舵机开启对应的垃圾桶盖子，实现垃圾的自动分类投放。主要特点：
      • 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：
      notion image
      • 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

        “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。
        ]]>