一种自动分类系统的制作方法

本发明涉及垃圾分类技术，具体而言涉及一种自动分类垃圾的电路系统。

背景技术：

当代社会，节能减排是大家密切关注的话题，尤其在垃圾分类回收方面，更是目前社会最为突出的问题之一。生活中虽然大多都有使用分类垃圾桶，但是，根据调查与生活经验，使用者大多还是随意丢垃圾，不会根据垃圾类别将其丢进相应的垃圾箱。现有的分类垃圾桶中，各类垃圾仍然是混在一起无法区分的状态。这会造成无法对垃圾分类回收，造成资源的浪费。如果通过人工进行分拣，则会浪费大量人力财力。

因此，目前需要一种结构简单、分类过程快捷高效的垃圾分类系统来解决上述问题。

技术实现要素：

本发明针对现有技术的不足，提供一种基于人工智能的自动分类系统，以对投入垃圾桶的垃圾进行自动的识别与分类。本发明具体采用如下技术方案：

首先，为实现上述目的，提出一种自动分类系统，该系统包括摄像头、led灯、蓄电池、太阳能板、控制板、自动分类垃圾桶；所述自动分类垃圾桶包括第一舵机(2)、第二舵机(5)、控制挡板(4)，所述控制挡板(4)分别连接所述水平中心轴柱(3)，将所述筒身(1)的内部分割为上、下两个箱体；其中，所述摄像头、led灯、蓄电池、太阳能板以及所述控制板，均容纳于所述上箱体的上顶部；所述太阳能板的输出端连接所述蓄电池，所述蓄电池为所述摄像头、led灯、控制板、所述第一舵机(2)以及所述第二舵机(5)供电；所述控制板包括有：图像接收单元，其连接所述摄像头，用于获取所述摄像头所采集的图像；图像处理单元，用于处理所述图像，识别该图像中物体的种类；舵机控制单元，其连接所述第一舵机(2)和所述第二舵机(5)，用于根据图像处理单元所识别的该物体的种类驱动所述第二舵机(5)以通过所述垂直中心轴柱(6)带动所述分类挡板(7)，将上箱体内所容纳的该物体移动至其分类所对应的控制挡板(4)的上方，而后驱动所述第一舵机(2)以通过所述水平中心轴柱(3)带动所述控制挡板(4)翻转，使得该物体落入该控制挡板(4)下与该物体的种类相对应的分类箱体内。

可选地，所述第一舵机(2)和所述第二舵机(5)选择为mg995型号舵机。

可选地，所述自动分类垃圾桶还包括：筒身(1)，其侧壁的上部设置有至少一个垃圾丢入口(8)；所述第一舵机(2)固定于所述筒身(1)侧壁的外部，所述第一舵机(2)连接有水平中心轴柱(3)，所述水平中心轴柱(3)沿所述筒身(1)的直径方向贯穿所述筒身(1)的内部，所述水平中心轴柱(3)由所述第一舵机(2)驱动而旋转；所述第二舵机(5)设置于所述上箱体的上顶部，所述第二舵机(5)连接有垂直中心轴柱(6)，所述垂直中心轴柱(6)沿所述筒身(1)的轴向贯穿所述上箱体的内部；所述垂直中心轴柱(6)由所述第二舵机(5)驱动而旋转；所述控制挡板(4)能够以所述水平中心轴柱(3)为轴，随所述水平中心轴柱(3)的旋转而翻转以打开或封闭所述上箱体的底部，使得所述上箱体内所容纳的物体落入所述下箱体。

可选地，所述自动分类垃圾桶还包括：分类挡板(7)，其中部连接所述垂直中心轴柱(6)的下端，将所述上箱体分割为两部分；所述分类挡板(7)能够以所述垂直中心轴柱(6)为轴，随所述垂直中心轴柱(6)的旋转而转动，以驱动所述上箱体内所容纳的物体移动至其分类所对应的控制挡板(4)的上方。

可选地，所述下箱体以所述水平中心轴柱(3)为边界分割为多个分类箱体，每一块所述控制挡板(4)分别对应有一个所述分类箱体，所述各分类箱体的上部分别由一块控制挡板(4)封闭；所述控制板获取所述摄像头所采集的图像，识别该图像中物体的种类，根据该物体的种类驱动所述第二舵机(5)以通过所述垂直中心轴柱(6)带动所述分类挡板(7)，将上箱体内所容纳的该物体移动至其分类所对应的控制挡板(4)的上方，而后驱动所述第一舵机(2)以通过所述水平中心轴柱(3)带动所述控制挡板(4)翻转，使得该物体落入该控制挡板(4)下与该物体的种类相对应的分类箱体内。

可选地，所述自动分类垃圾桶还包括第一齿轮(21)和第二齿轮(22)；所述第一舵机(2)与所述第一齿轮(21)固定连接，所述第一齿轮(21)与所述第二齿轮(22)啮合以将所述第一舵机(2)输出的驱动力传递至所述第二齿轮(22)；所述水平中心轴柱(3)包括两个，每一个所述水平中心轴柱(3)分别连接有一个控制挡板(4)；所述两个水平中心轴柱(3)分别与所述第一齿轮(21)和第二齿轮(22)连接，所述两个水平中心轴柱(3)分别由所述第一齿轮(21)和第二齿轮(22)驱动以带动其所连接的控制挡板(4)翻转以打开或封闭所述上箱体的底部，使得所述上箱体内所容纳的物体落入所述下箱体中对应该物体种类的分类箱体内。

有益效果

本发明基于yolov3技术架构进行设计自动分类垃圾桶装置，以便对垃圾进行分类回收利用，减少垃圾污染，同时最大成本回收利用废物。本发明设计有上下双层结构的垃圾桶，上层箱体设置有垃圾丢入口，并安装有摄像头，上层箱体的上顶部设有隔层用于安装太阳能板、蓄电池，以满足系统的供电要求。摄像头捕捉投入的垃圾，利用识别算法对垃圾种类进行识别分类。下层箱体根据垃圾类别设计为双箱体或多箱体，两层箱体的连接处做机械电动控制部分，使用两个舵机分别控制控制挡板和分类挡板转动，以自动驱使垃圾落入其种类所对应的分类箱体内，本发明能够实现垃圾自动分类。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，并与本发明的实施例一起，用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明所采用的yolov3物体识别方法中所用的anchor预测边框位置的几何关系图；

图2是本发明的基于人工智能的自动垃圾分类方法的流程图；

图3是本发明利用yolov3物体识别方法所进行测试的识别结果图；

图4是本发明的基于人工智能的自动分类垃圾桶的剖面图；

图5是本发明的基于人工智能的自动分类垃圾桶的整体结构示意图；

图6是本发明的基于人工智能的自动分类垃圾桶中第一舵机的驱动方式示意图；

图7是本发明的基于人工智能的自动分类垃圾桶中第二舵机的驱动方式示意图；

图8是本发明的基于人工智能的自动分类垃圾桶中电路系统的框图。

图中，1表示筒身；11表示第一分类箱体；12表示第二分类箱体；2表示第一舵机；21表示第一齿轮；22表示第二齿轮；3表示水平中心轴柱；4表示控制挡板；5表示第二舵机；6表示垂直中心轴柱；7表示分类挡板；8表示垃圾丢入口。

具体实施方式

为使本发明实施例的目的和技术方案更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本发明中所述的“内、外”的含义指的是相对于筒身本身而言，指向其内箱体的方向为内，反之为外；而非对本发明的装置机构的特定限定。

本发明中所述的“连接”的含义可以是部件之间的直接连接也可以是部件间通过其它部件的间接连接。

本发明中所述的“上、下”的含义指的是使用者正对自动分类垃圾桶时，由舵机指向分类箱体的方向即为下，反之即为上，而非对本发明的装置机构的特定限定。

本发明的算法识别部分，首先对常见的可回收和不可回收垃圾进行图片采集，制作数据样本库，并对数据样本库打标签标记，进行训练。在随后的应用过程中，通过图像处理算法，利用上述训练结果对垃圾进行识别分类。此处识别算法拟采用yolov3算法，但不局限于这种算法。

本发明主要基于yolov3物体识别算法开发一套自动智能分类垃圾桶装置，来帮助人们解决垃圾分类的难题，其中的难点在于垃圾的种类检测上，目前主流的目标检测算法主要有fasterr-cnn、yolo、ssd等，yolo在识别精度和速度上都有很好的效果，因此本发明采用yolo网络模型进行设计可回收垃圾和不可回收垃圾自动分类装置，yolo系列算法从v1到v3，各有其优缺点，yolo的检测方式采用了端到端的思想，利用darknet网络进行训练，模型将整张图作为网络的输入，它利用回归的方法直接在输出层回归boundingbox(边界框)的位置及其所属的类别，正是这一点才与传统的识别算法不同，如rcnn采用proposal+classifier的思想，但是将提取proposal的步骤放在cnn中实现了，而yolo则采用直接回归的思路。

具体而言，参考图4所示，本发明所提供的自动分类垃圾桶，利用上述的方式进行垃圾种类的识别以对垃圾进行分类。其整体分为箱体结构、机械传动部分、光伏供能部分三部分：

筒身1，其侧壁的上部设置有至少一个，或相对的两个垃圾丢入口8；筒身1设置为两箱体的结构，整体为圆柱体型，由控制挡板分开，将其分为上下两层(上箱体和下箱体)；垃圾丢入口8设置在离控制挡板10cm处：

上箱体包括垃圾分类装置和电源cpu控制部分。垃圾分类装置由分类挡板和控制挡板组成。其结构示意图如图5所示，控制挡板4，包括至少两块，分别设置在两个垃圾丢入口8下方；所述控制挡板4分别连接所述水平中心轴柱3，将所述筒身1的内部分割为上、下两个箱体；所述控制挡板4能够以所述水平中心轴柱3为轴，随所述水平中心轴柱3的旋转而翻转以打开或封闭所述上箱体的底部，使得所述上箱体内所容纳的物体落入所述下箱体。具体而言，由齿轮固定控制的水平中心轴柱控制的两块半圆形控制挡板水平放置，其由第一舵机2控制。

下箱体是一个两箱体结构。由一块垂直放置的中心隔板从中心隔开，中心隔板放置方向与水平中心轴柱平行。两个箱体之间放置一个半圆形的垃圾收集桶，用于分类后的垃圾收集。

上述的第一舵机2，固定于所述筒身1侧壁的外部，其连接有水平中心轴柱3，所述水平中心轴柱3沿所述筒身1的直径方向贯穿所述筒身1的内部，所述水平中心轴柱3由所述第一舵机2驱动而旋转。

上述的第二舵机5，设置于所述上箱体的上顶部，其连接有垂直中心轴柱6，所述垂直中心轴柱6沿所述筒身1的轴向贯穿所述上箱体的内部；所述垂直中心轴柱6由所述第二舵机5驱动而旋转；其中，所述第一舵机2和所述第二舵机5可选择为mg995型号舵机

分类挡板7，参考图7，其中部连接所述垂直中心轴柱6的下端，将所述上箱体分割为两部分，所述分类挡板7能够以所述垂直中心轴柱6为轴，随所述垂直中心轴柱6的旋转而转动，以驱动所述上箱体内所容纳的物体移动至其分类所对应的控制挡板4的上方；也就是说，分类挡板由第二舵机5控制，垂直放置在控制挡板上方，放置方向和水平中心轴柱平行，分类挡板中心所设置的一根垂直中心轴柱，固定在舵机2转轴上，通过控制舵机转向控制分类挡板转向分类垃圾。

所述下箱体以所述水平中心轴柱3为边界分割为多个分类箱体，每一块所述控制挡板4分别对应有一个所述分类箱体，所述各分类箱体的上部分别由一块控制挡板4封闭；

摄像头，设置于所述上箱体的上顶部，用于采集所述上箱体内所容纳的物体的图像；

参考图8，由于垃圾桶应用场地和环境的多样化，室外垃圾桶电路部分还可在所述上箱体的上顶部还设置有led灯、蓄电池、太阳能板以及控制板。其中，垃圾桶顶部和舵机2所安装的隔板用于安装上述的太阳能板以作为光伏发电电源，上述隔板还用于安装控制板部分。所述太阳能板的输出端连接所述蓄电池，所述蓄电池为所述摄像头、led灯、控制板、所述第一舵机2以及所述第二舵机5供电；由此，本发明利用太阳能电池板白天接受太阳辐射能并且使其转换为电能经过控制器存在蓄电池中，对系统进行自我能量供应，实现能量的自给自足，在不接外部电源的情况下依然可以工作；

控制板包括有：图像接收单元，其连接所述摄像头，用于获取所述摄像头所采集的图像；图像处理单元，用于处理所述图像，识别该图像中物体的种类；舵机控制单元，其连接所述第一舵机2和所述第二舵机5，用于根据图像处理单元所识别的该物体的种类驱动所述第二舵机5以通过所述垂直中心轴柱6带动所述分类挡板7，将上箱体内所容纳的该物体移动至其分类所对应的控制挡板4的上方，而后驱动所述第一舵机2以通过所述水平中心轴柱3带动所述控制挡板4翻转，使得该物体落入该控制挡板4下与该物体的种类相对应的分类箱体内。

参考图6所示，在一种较佳的实现方式下，所述水平中心轴柱3设计为两根，分别控制两个控制挡板，其分别通过第一齿轮21和第二齿轮22提供驱动。其中：

所述第一舵机2与所述第一齿轮21固定连接，所述第一齿轮21与所述第二齿轮22啮合以将所述第一舵机2输出的驱动力传递至所述第二齿轮22；

所述水平中心轴柱3包括两个，每一个所述水平中心轴柱3分别连接有一个控制挡板4；所述两个水平中心轴柱3分别与所述第一齿轮21和第二齿轮22连接，所述两个水平中心轴柱3分别由所述第一齿轮21和第二齿轮22驱动以带动其所连接的控制挡板4翻转以打开或封闭所述上箱体的底部，使得所述上箱体内所容纳的物体落入所述下箱体中对应该物体种类的分类箱体内。

上述机械传动采用舵机控制，舵机是一个微型的伺服系统，其工作原理是控制电路接收信号源的控制脉冲，并驱动电机转动；齿轮组将电机的速度成大倍数缩小，并将电机的输出扭矩放大响应倍数，然后输出；电位器和齿轮组的末级一起转动，测量舵机轴转动角度；电路板检测并根据电位器判断舵机转动角度，然后控制舵机转动到目标角度或保持在目标角度。采用舵机控制在控制精度和速度上有很好的效果。本发明采用的是mg995型号舵机，mg995舵机稳定性好、控制精度更高，能稳定精确的控制分类挡板转向分类和控制挡板的打开和关闭。控制挡板由第一舵机2控制，使用两个齿轮将两块控制挡板中心轴柱啮合，达到同步控制的效果。示意图如图6所示，第二舵机5控制分类挡板，负责将垃圾正确归类。将舵机轴与分类挡板中心轴柱固定在一起，通过控制舵机转动来控制分类挡板的工作

上述垃圾桶的控制板对垃圾进行分类的步骤具体可参考图2所示，包括：

第一步，在有物体进入所述上箱体时，通过所述摄像头采集该物体的图像；

第二步，对所述图像进行去雾清晰增强处理；将所述图像的大小调整为32的整数倍；

第三步，通过yolov3方法对处理后的图像进行循环卷积神经网络训练，以对所述处理后的图像中的物体进行种类识别；其步骤具体为：

步骤301，对第二步中所获得的图像进行网格划分；

步骤302，利用k-means或iou的方法获取对应上述网格的先验框anchor；

步骤303，利用darknet网络进行训练，将上述第二步中所获得的整张图像作为网络的输入，进行回归计算以在darknet网络的输出层回归计算获得边界框boundingbox的位置及其所属的类别，计算其准确率；

步骤304，利用nms对上述所获得的边界框boundingbox的位置、其所属的类别以及准确率进行过滤处理，过滤掉准确率低于设定阈值的边界框boundingbox，根据保留的所述边界框boundingbox所对应的边界框boundingbox的位置、其所属的类别输出种类识别的结果；

第四步，根据第三步中所识别的物体种类驱动所述第二舵机5以通过所述垂直中心轴柱6带动所述分类挡板7，将上箱体内所容纳的该物体移动至其分类所对应的控制挡板4的上方，而后驱动所述第一舵机2以通过所述水平中心轴柱3带动所述控制挡板4翻转，使得该物体落入该控制挡板4下与该物体的种类相对应的分类箱体内。

上述垃圾桶主要利用图像目标检测框架对垃圾桶中的垃圾种类进行识别检测，在垃圾桶入口处装有摄像头，当物体丢入时，触动摄像头进行拍照，在利用检测算法对拍取的照片进行检测，由于应用对象是垃圾桶，其运作的快速性很重要，要做到及时响应。本发明保证了算法的实时性，下面对本发明的实施过程做进一步描述，具体如下：

1、当检测到有垃圾丢入时，触动摄像头进行拍照，并对图片进行去雾清晰增强处理，以便获得质量更好的图片，使得后期的训练网络获得更好的图像特征，增加结果的准确度。此处的图像增强网络可以使用gan网络，但不局限于这一种方法。

2、本发明是基于人工智能的自动分类垃圾桶，本发明采用拍取照片和上网搜索两种手段，采集了常见了可回收垃圾(塑料瓶、布料、书本、铁丝)和不可回收垃圾(果皮、碎玻璃、剩饭、餐巾纸)共计2667张图片，构成本发明的数据样本库，对数据集进行打标签标记，使得训练结果更加准确。

3、准备好数据集后，利用循环卷积神经网络进行训练，其中一些训练参数设置如下，decay＝0.005，learning_rate＝0.001，steps＝500000，训练在gpu上进行。在第2步中，图片尺寸需要处理为32的倍数，是因为yolov3有5次下采样，每次采样步长为2，所以网络的最大步幅(步幅指层的输入大小除以输出)为2^5＝32。在实现中，最主要的就是怎么设计损失函数，本发明算法中采用了sum-squarederrorloss设计损失函数，其最终的损失函数如下：

这个损失函数中，主要分为四部分，坐标预测、含有物体(object)的特征值(confidence)预测、不含物体(object)的特征值(confidence)预测和类别预测，利用损失函数进行约束训练网络。

4、利用yolov3算法检测，需要获得anchor(先验框)，具体可在采集的数据集上利用k-means、iou等方法重新得到新的anchor，但不限于这两种方法。anchor机制指的是对每个栅格设置一些参考的边框形状及尺寸，检测时只要对参考边框进行精修即可，代替了整张图像的位置回归。

使用anchor机制首先要确定参考边框的宽高维度。虽然网络训练的过程也会调整边框的宽高维度，最终得到准确的边框，但如果一开始就选择更有代表性的参考边框，那么网络能更容易检测到准确的位置。卷积神经网络在每一个单元格上会为每一个边界框预测4个值，即坐标(x,y)与目标的宽w和高h，分别记为xt,yt，wt，ht。若目标中心在单元格中相对于图像左上角有偏移(xc，yc)，并且锚点框具有高度和宽度wp，hp，则修正后的边界框如图1所示。其中

bx＝σ(tx)+cx

by＝σ(ty)+cy

5、利用yolov3算法对提取的图片进行识别，并且标注出物体的类别与位置。具体做法如下：

利用nms(非极大值抑制法)进行过滤处理，经过卷积网络训练后，在测试的时候，每个网格预测的类别(class)信息和boundingbox预测的confidence信息相乘，就得到每个boundingbox的类别信息和准确率信息(class-specificconfidencescore):

等式左边第一项就是每个网格预测的类别信息，第二、三项就是每个boundingbox预测的confidence。得到每个box的类别信息和准确率信息(class-specificconfidencescore)以后，设置阈值，滤掉得分低的boxes，对保留的boxes进行nms处理，就得到最终的检测结果。

由此，本发明巧妙使用了yolov3算法多尺度检测的原理，对垃圾的检测精度很高，尤其当垃圾较小时，yolov3对于小物体的识别有很好的精度，这样不会存在垃圾漏检，少检情况出现，同时运用anchorbox的方法在不改变map的情况下增加了recall，而使用新的网络结构则减少了33％的计算。速度要快过其他检测系统(fasterr-cnn，resnet，ssd)，改善了召回率和准确率，提升定位的准确度，同时保持分类的准确度。随着网络的加深和多个模型的结合，可以使得训练准确度得到提高，同时对图片进行数据增强，使得提取特征更加显著，图片质量更高。其识别结果如图3所示。

由此，本发明在训练好数据库后，将生成的模型文件调用，应用yolov3算法框架进行垃圾图片检测测试，具体测试结果如图3所示，分别对书本、塑料瓶、餐巾纸、碎玻璃、铁丝、果皮、塑料袋和布料进行了测试，具体识别图如图3所示，蓝色框体表示物体的位置，左上角红色字有物体的标签和对应的正确率，可以看出，识别效果良好，能很好的满足智能垃圾桶的工作要求。

以上仅为本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些均属于本发明的保护范围。