kaiyun官方注册
您所在的位置: 首页> 其他> 设计应用> 基于深度学习的智能垃圾分拣车系统
基于深度学习的智能垃圾分拣车系统
2022年电子技术应用第1期
王 慧,蒋朝根
西南交通大学 计算机与人工智能学院,四川 成都611756
摘要:针对生活垃圾的高效分类及搬运处理,设计了一款以边缘嵌入式AI设备Jetson Nano为控制器的光电智能小车系统,该系统设计以YOLOv5为目标检测算法,以Pytorch1.8.1为深度学习框架。使智能小车从指定区域出发,通过自身的光电传感器在指定范围内搜寻垃圾,利用六轴机械臂对垃圾进行分拣并送到指定分类地点。对采集到的5 048张图片(包括5种垃圾类别)进行300次的迭代训练,实验测试结果表明:平均精确度达到91.8%,准确率达到94.5%,召回率达到89.03%。
中图分类号:TP399
文献标识码:A
DOI:10.16157/j.issn.0258-7998.211795
中文引用格式:王慧,蒋朝根. 基于深度学习的智能垃圾分拣车系统[J].电子技术应用,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

针对生活垃圾的识别分类任务,我国大多采用人工进行垃圾分拣工作,该分拣方式存在分拣效率低、对人体危害大等弊端。随着人工智能的发展,深度学习如今被广泛应用于各个领域。文献[1]介绍了基于openCV与TensorFlow框架的垃圾分类设计,但是该项目只是讲解怎样去处理图像,实现垃圾识别分类,并未应用于实际。文献[2]提出以STM32作为控制器进行垃圾分拣任务,以OpenMV摄像头进行垃圾分类识别,但是由于以STM32作为控制器运行神经网络,使得检测效率并不高。文献[3]提出了基于并联机器人的分拣系统设计,该系统对废旧塑料瓶的检测率达到98%,效率很高,但是该系统只能检测单一垃圾,并且不能判断检测的垃圾种类。文献[4]提出了以MobileNet SSD为模型、以Jetson TX2为控制器的垃圾分拣机器人系统,该系统设计对Jetson设备进行了部署加速,使得检测速度较快,但是检测准确率并不是很高。有学者设计机械手来进行垃圾分拣任务,具有较高的分拣准确度及稳定性[5],但是该设计基于理论知识,未能应用于实践,真实检测效果还有待考量。机器学习需要在计算能力、储存能力等都有限的平台上表现出优越的性能,才能在更广阔的范围内得到推广和应用[6]。文献[7]在嵌入式FPGA运行改进的SoC神经网络模型,使得卷积神经网络的运行速度提升了很多。在该项目中以NVIDIA Jetson Nano作为控制器,在该移动端部署训练模型,该边缘嵌入式设备含有GPU算力,网络推理速度更快,有完整的操作系统,界面可视化,操作方便。




本文详细内容请下载:http://www.chinaaet.com/resource/share/2000003911




作者信息:

王 慧,蒋朝根

(西南交通大学 计算机与人工智能学院,四川 成都611756)




wd.jpg

此内容为AET网站原创,未经授权禁止转载。
Baidu
map