基于机器学习的智能垃圾分类系统设计分析

【摘" 要】 垃圾分类是目前我国环保工作的重要组成部分。我国作为人口大国，每日垃圾产生量非常庞大，而人工垃圾分类工作量大、难度大、效率低，难以满足目前我国垃圾分类的要求。基于此，文章提出一种基于机器学习的智能垃圾分类系统，该系统主控模块采用了STM32F103ZET6单片机，OpenMv4 H7摄像采集模块可以捕捉图片，根据BRISK特征提取算法检测垃圾图像，并通过语音模块播报识别信息，更好地服务于垃圾分类领域。

【关键词】 机器学习；垃圾分类；智能系统

我国作为人口大国，每年所产生的垃圾数量可达10亿吨以上，这些垃圾如果不能得到有效处理将会污染环境、威胁人们的身体健康。我国近年大力推动垃圾分类工作的实施，通过垃圾分类针对性处理生活垃圾，加强资源回收利用率。但从目前垃圾分类现状来看，依然存在一定的问题，传统垃圾主要由人工分类，具有工作流程烦琐、工作量大、效率低等问题。人工智能技术不断发展，也为垃圾分类工作提供了新的发展思路，但依然有可完善之处，如无法脱离网络使用、可靠性不足等。本研究提出基于机器学习的智能垃圾分类系统，通过图片检测、识别判定垃圾种类，旨在降低垃圾分类难度。

一、机器学习相关阐述

机器学习是一门多领域交叉的学科，包括统计学、概率学、逼近论、凸分析等多门学科。专业研究领域是通过计算机模拟人的思维或行动的一种学习行为，并在学习中不断提升或改善自身性能。算法的功能是通过求解最佳模型参数，在假设空间当中挑选出符合用户需求的模型。机器学习参数求解最终会转化为最优化问题，本研究所设计智能垃圾分类系统采用了BRISK算法。

BRISK算法是一种特征提取算法，也是一种二进制的特征描述算子，该算法具有良好的尺度不变性、旋转不变性、鲁棒性等优势，在图像配准应用中识别速度大于传统的FREAK、ORB等算法，特别是在模糊图像配准中表现更加出色。该算法利用FAST9-16进行特征点检测，想要解决尺度不变性，必须检测尺度空间的特征点，通过BRISK算法构建图像金字塔即可实现多尺度表达。

二、智能垃圾分类系统研究现状

随着移动设备终端不断发展以及机器学习方法的出现，机器学习已经逐渐被应用到各个领域。在智能垃圾分类中应用机器学习，实现自动化、智能化垃圾识别，提高了垃圾分类效率和精准度。一些学者通过收集垃圾信息并创建了垃圾图像数据集，算法选用了SVM、CNN识别垃圾，SVM算法和CNN算法的识别精准率分别为63%和22%，识别精度有待进一步提升，并且整个系统流程十分烦琐。为了简化流程，也有学者提出了智能废料分类系统，采用50层残差预训练卷积神经网络模型开采。为了提升模型预测性能，还有学者采用了RecycleNet模型，虽然该模型减少了垃圾参数量，但将垃圾识别精准度提升到了80%以上。如今，关于机器学习应用到垃圾分类中的研究有很多，也提出了多种设计模型和设计思路。但整体上将机器学习应用到垃圾分类上的研究依然不多，垃圾分类公开数据量较为局限。所以将机器学习与垃圾分类相融合，已经成为垃圾分类研究的重要趋势。

三、智能垃圾分类系统设计思路

本智能垃圾分类系统采用了物体识别技术，主要检测对象包括有害垃圾、可回收垃圾、厨余垃圾、其他垃圾。通过识别垃圾特征量，根据特征量参数判定垃圾的具体类型。本研究所设计的智能垃圾分类系统所采用的算法为BRISK算法。此外，该系统还采用了AGAST算法（角点检测算法），该算法作为FAST算法的优化改进算法，在图像计算中可以在平面上连续显示图像特征。因此在设计中可以构建尺度空间金字塔，通过AGAST算法检测角点，二次拟合连续尺度空间中测度相应函数值，抑制非极大值、提出非稳定极值点。通过抛物线拟合稳定极值参数，最终获取到连续尺度空间中定位精度的稳定极值点。

AGAST算法在BRISK算法体系内运行，主要负责特征点检测，而特征描述方面借助自动以邻域采样模式，也就是在特征点周围40个像素块中构建同心圆，圆周上均匀分布采样点，每个圆周设置60个采样点。在实际计算中，需要在描述BIRSK特征前完成预旋转工作，也就是中心点旋转采样模板的旋转角度，短距采样点集中对比采样点强度，形成512bits值特征，对值特征进行特征匹配，得出整个图像运动估计值。过去很多垃圾分类系统设计都是采用ORB算法，但存在可靠性低、检测精度低等限制。而BRISK算法通过构建连续尺度空间、预旋转作业，保证了被描述对象的尺度、旋转的不变性，更加适用于高精度图像匹配，可极大地提升垃圾分类精度。

四、智能垃圾分类系统整体架构

（一）整体框架

如图1所示，本系统主控模块采用了STM32F103ZET6单片机，OpenMv4 H7摄像采集模块可以捕捉图片，根据BRISK特征提取算法检测垃圾图像特征点，并将采集的垃圾图像特征与训练集对比分析，完善垃圾的整个检测过程，将检测结果上传给显示模块，通过文字显示垃圾具体种类，同时语音系统会播报垃圾信息。

（二）单片机选型

本垃圾分类系统选用了STM32F103ZET6单片机，其工作频率为72MHz。STM32F103ZET6单片机具有技术成熟、运算效率高、硬件配置高、外带接口总线等优势，特别是外部接口可以实现外部设备的连接和功能扩展，如连接FSMC驱动LCD，提升刷屏率。

（三）显示模块

本系统的显示模块采用了3.5寸TFTLCD，分别率为320*480。显示模块中的端口与MCU引脚对应连接，单片机通过数据传输、信息控制实现显示屏的信息显示与控制功能。MCU的PBO口连接BL并行串口，可以控制液晶屏背光亮度。单片机、显示屏共用复位信号电路，单片机的FSMC总线连接显示屏总线接口，从而提升显示屏的清晰度和刷新率。

（四）语音模块

语音模块采用了JQ8400，通过将语音模块与单片机连接（I/O通信系统），可根据图像检测结果输出语音播报信息。在语音模块中存入垃圾分类的MP3文件，包括有害垃圾、可回收垃圾、厨余垃圾、其他垃圾。JQ8400语音模块采用了SOC设计方案，集成度非常高，包含了16位MCU、音频解码的ADSP，通过硬解码方案提升播报音质和播报稳定性。本次设计中只在JQ8400语音模块中存入了4个MP3文件，因此暂时只应用到ONE LINE串口进行控制。

（五）图像采集模块

本系统采用了OpenMv4 H7摄像采集模块，搭载了STM32H743II ARM Corlex-M7处理器，其运行频率可达480MHz，RAM和Flash分别为1MB、2MB。I/O引脚采用标准化输出，均为3.3V。在获取图像方面，该摄像头同时具备图像采集、图像处理多种功能，借助Python脚本即可识别所采集图像的形状、颜色、特征等信息，从而实现追踪功能。

五、智能垃圾分类系统设计

（一）训练集

机器学习需要有大量的资源作为支撑，因此设计前期需要拍摄多张垃圾图片，采用特征提取法提取垃圾图像特征反复训练，整个训练过程类似于人们判断垃圾种类的过程，将垃圾与参照物对比分析判定其可信度。本研究所提出的智能垃圾分类系统中，采用了4个样本，包括易拉罐、干电池、大蒜、医用棉签，每个样本从不同角度拍摄100张照片进行训练。

（二）硬件连接

所选单片机上没有配备专门的摄像头通信接口，本系统采用独立的OpenMv4 H7摄像头，通过端口电位检测法进行物体识别。如图2所示，设计中采用了3个检测端口（P0、P1、P2），每个端口均配备4种电位组合来匹配4种垃圾（有害垃圾、可回收垃圾、厨余垃圾、其他垃圾）。使用编程软件（OpenMv）设置每个端口的垃圾识别信号，可回收垃圾电位信号输出为P0=1、P1=0、P2=0，有害垃圾电位信号输出为P0=0、P1=1、P2=0，厨余垃圾电位信号输出为P0=0、P1=1、P2=1，其他垃圾电位信号输出为P0=1、P1=1、P2=0。单片机采用的检测端口分别为PG0、PG1、PG2，在硬件设置过程中需要将端口一一对应连接。语音模块中，单片机PB信号由ONE LINE端口接收，设置过程中一一对应连接线路即可实现语音模块功能。

（三）功能实现

在硬件操作中，在指定位置安装摄像头，将所有设备接通电源，程序初始化后，摄像头即进入到垃圾检测状态。在采集垃圾信号、分析垃圾信号后，将垃圾框选出来进行提示，所识别的垃圾在处理系统中通过P0、P1、P2端口的电位组合，单片机通过PG0、PG1、PG3端口测定端口电位，通过电位信息组合即可呈现出相应的垃圾种类。如所检测的物体为大蒜，代表厨余垃圾，则电位信号输出为P0=0、P1=1、P2=1，电位检测完毕后唤醒语音模块，并播放P0=0、P1=1、P2=1所应对的“厨余垃圾”MP3文件，完成垃圾分类提醒。

（四）功能测试

本次设计的智能垃圾分类系统的核心功能是垃圾智能识别。在完成系统设计后使用易拉罐、干电池、大蒜、医用棉签4个样本进行检测，对这4个样本分别展开100次检测，其中干电池检测为“有害垃圾”98次、“可回收垃圾”1次、“其他垃圾”1次；大蒜检测为“有害垃圾”1次、“厨余垃圾”99次；易拉罐检测为“可回收垃圾”98次、“可回收垃圾”1次、“厨余垃圾”1次、“其他垃圾”1次；医用棉签检测为“有害垃圾”1次、“其他垃圾”98次、“厨余垃圾”1次。整体来看，本设计方案垃圾分类正确率可达98%以上，并且系统运行较为稳定、可靠性强，可以较好地完成垃圾分类工作。

六、结语

综上所述，本研究针对城市居民垃圾采用了机器学习设计智能垃圾分类系统，借助AGAST算法提取垃圾特征，实现了城市垃圾的智能分类。本设计系统操作便捷，适用于绝大部分人群使用。通过测试，对城市生活垃圾正确识别率达到98%以上，实现了可以在现实应用的垃圾分类功能。

参考文献：

［1］ 潘丽，贾冕茜. 基于机器学习的智能垃圾分类系统设计［J］. 西昌学院学报：自然科学版，2022（02）：36-37.

［2］ 卫昱含，杨志锟，吴海伦，等. 基于互联网技术的智能垃圾分类系统的设计——以“趣分类”App为例［J］. 信息记录材料，2021（11）：177-179.

［3］ 江辉. 基于RFID的智能垃圾分类系统的设计与实施［J］. 安徽电子信息职业技术学院学报，2018，17（04）：403-404.

［4］ 张怀予. 基于物联网和图像识别的垃圾分类回收系统［A］//中国通信学会，中国电子学会. 物联网与无线通信论文集［C］.2018：155-156.

［5］ 范松，陈坤，朱峰，等. 智能垃圾分类回收系统的研究与设计［J］. 数码世界，2019（04）：265-266.