基于卷积神经网络和嵌入式技术的垃圾桶装置及使用方法

本申请属于图像识别技术和嵌入式，具体涉及基于卷积神经网络和嵌入式技术的垃圾桶装置及使用方法。

背景技术：

1、卷积神经网络是一种深度学习模型，其核心思想是模拟人类视觉系统的工作原理。cnn在计算机视觉领域取得了重大突破，广泛应用于图像分类、目标检测、人脸识别等任务。它们能够自动学习图像特征，通过卷积和池化等操作提取局部和全局特征，从而实现对图像的高效分析和识别。目前市面上的垃圾分类解决方案主要为人工分类，这种方法虽然可以有效地将垃圾分类，变废为宝，减少环境污染，减少占地。但是这种方法需要人工巡检和监督，需要人力物力投入，经济成本高。并且由于需要人工操作，无法保证分类的精准度，可能导致一些有用的垃圾被误分类。

技术实现思路

1、针对上述问题，本申请提出了卷积神经网络技术和嵌入式技术的智能垃圾桶的总体设计方案以及软硬件的具体实施方案，并对一些关键点的实施原理进行介绍。硬件上，出于对垃圾桶整体的成本考虑，下位机选取成本较低的stm32f103系列的单片机作为垃圾满载检测功能的控制板，同时选用51舵机控制器作为垃圾精准投放功能的控制板，为了便于管理下位机，我们自行设计并打印了一个pcb板将两块控制板集成到了一块开发板上。在实现垃圾满载检测功能时，我们先后采用了超声波和激光测距模块来进行检测，通过实验对比，我们发现超声波容易被遮挡，导致无法对垃圾桶进行精准测距，最终采用4个激光测距模块来实时监测各垃圾桶的满载情况。在实现垃圾精准投放功能时，我们采用的是二维舵机作为投放设备。

2、为了实现本申请的目的，本申请通过以下技术方案实现：基于卷积神经网络和嵌入式技术的垃圾桶装置，包括：核心板、舵机控制器、测距装置、摄像头、sd卡、电容式触摸屏、二维舵机；

3、所述核心板分别与所述舵机控制器、所述测距装置、所述sd卡、所述电容式触摸屏连接；

4、所述摄像头与所述sd卡连接；

5、所述二维舵机与所述舵机控制器连接。

6、可选的，所述核心板接收所述sd卡中存储的图像并进行图像识别后，将识别结果通过串口传递给舵机控制器进行处理。

7、应用上述装置进行垃圾桶使用方法，包括如下步骤；

8、s1、所述摄像头采集托盘上的垃圾图像数据，将所述垃圾图像数据存储到所述sd卡中；

9、s2、使用所述核心板对所述sd卡中的所述垃圾图像数据进行图像预处理，得到图像预处理结果；

10、s3、将所述图像预处理结果传送给所述舵机控制器，实现垃圾的精准投放；

11、s4、使用所述测距装置对垃圾投放后的垃圾桶进行满载检测；

12、s5、使用触摸屏显示满载情况、垃圾数量和垃圾信息。

13、可选的，所述s1中，所述摄像头采用通过usb免驱摄像头采集托盘内的垃圾图像数据。

14、可选的，在s2中，所述图像预处理的方法采用pp-yolo算法。

15、可选的，所述核心板采用英伟达的maxwell架构gpu，配备了四个arm cortex-a57核心的cpu，以及128个cuda核心的gpu，所述核心板用于深度学习推理任务，实现智能分析和决策。

16、可选的，在s3中，将所述图像预处理结果传送给所述舵机控制器的传送方法为：

17、使用串口通信进行数据传输与交互，传输方法包括：

18、所述串口通信分为判断满载串口通信与投放信息串口通信；

19、所述判断满载串口通信首先进行串口初始化，当接收的图像预处理结果中达到预设满载状态，则发送满载信息；

20、所述投放信息串口通信首先进行串口初始化，根据所述图像预处理结果对垃圾进行投放。

21、可选的，所述测距装置采用激光测距装置监测垃圾桶的满载情况。

22、与现有技术相比，本申请的有益效果为：

23、本申请利用卷积神经网络技术就可以避免以上问题。首先通过摄像头收集并标注足够数量的垃圾数据集，然后对数据集进行预处理和数据增强，随后构建一个轻量化的卷积神经网络模型来进行垃圾分类，并选择适当的损失函数和优化算法来对模型进行训练和优化，最终将训练好的模型部署在嵌入式的开发板上，并结合嵌入式的技术来将识别结果精准投放在指定垃圾桶内，即可对垃圾进行实时分类。这不仅大大提高了垃圾分类的准确率和效率，还减少了人力，物力的投入，并且能够部署在城市的任何角落。

24、本申请中应用到了卷积神经网络技术，嵌入式技术、串口通信技术，单片机控制等技术。同时，基于卷积神经网络技术和嵌入式技术的垃圾桶这一解决方案的思路，也为工业自动化中的零件分类、农业领域中的作物分类、医学领域中的疾病诊断等其他领域问题提供了解决思路，将推动着社会中其他相关领域的发展，促进这些领域早日进入智能化的时代。

技术特征：

1.基于卷积神经网络和嵌入式技术的垃圾桶装置，所述装置固定在垃圾桶的顶部，其特征在于，所述装置包括：核心板、舵机控制器、测距装置、摄像头、sd卡、电容式触摸屏、二维舵机；

2.根据权利要求1所述的基于卷积神经网络和嵌入式技术的垃圾桶装置，其特征在于，所述核心板接收所述sd卡中存储的图像并进行图像识别后，将识别结果通过串口传递给舵机控制器进行处理。

3.应用权利要求1-2任意一项所述的基于卷积神经网络和嵌入式技术的垃圾桶装置的垃圾桶使用方法，其特征在于，包括如下步骤：

4.根据权利要求3所述的基于卷积神经网络和嵌入式技术的垃圾桶使用方法，其特征在于，所述s1中，所述摄像头采用通过usb免驱摄像头采集托盘内的垃圾图像数据。

5.根据权利要求3所述的基于卷积神经网络和嵌入式技术的垃圾桶使用方法，其特征在于，在s2中，所述图像预处理的方法采用pp-yolo算法。

6.根据权利要求3所述的基于卷积神经网络和嵌入式技术的垃圾桶使用方法，其特征在于，所述核心板采用英伟达的maxwell架构gpu，配备了四个arm cortex-a57核心的cpu，以及128个cuda核心的gpu，所述核心板用于深度学习推理任务，实现智能分析和决策。

7.根据权利要求3所述的基于卷积神经网络和嵌入式技术的垃圾桶使用方法，其特征在于，在s3中，将所述图像预处理结果传送给所述舵机控制器的传送方法为：

8.根据权利要求3所述的基于卷积神经网络和嵌入式技术的垃圾桶使用方法，其特征在于，所述测距装置采用激光测距装置监测垃圾桶的满载情况。

技术总结
本申请公开了基于卷积神经网络和嵌入式技术的垃圾桶装置及使用方法，包括：S1、所述摄像头采集托盘上的垃圾图像数据，将所述垃圾图像数据存储到所述SD卡中；S2、使用所述核心板对所述SD卡中的所述垃圾图像数据进行图像预处理，得到图像预处理结果；S3、将所述图像预处理结果传送给所述舵机控制器，实现垃圾的精准投放；S4、使用所述测距装置对垃圾投放后的垃圾桶进行满载检测；S5、使用触摸屏显示满载情况、垃圾数量和垃圾信息。本申请不仅大大提高了垃圾分类的准确率和效率，还减少了人力，物力的投入，并且能够部署在城市的任何角落。

技术研发人员：白凯,戴升升,熊晶,肖雄,雷鸣
受保护的技术使用者：长江大学
技术研发日：
技术公布日：2024/1/15