**计算机系统的介绍
文章目录
一 概要
二、系统分析三、机器视觉系统设计2.1 硬件设备2.2 图像采集与存储2.2.1 图像采集3 数据集的获取3.1 数据种类的确定3.2 数据的获取方法
四、神经网络与深度学习的实现4.1软件及环境选择4.1.1编译软件4.1.2神经网络框架4.2模型训练
五、 结论六、 目录
一 概要
本文旨在设计一款利用python图像识别,实现垃圾智能分类的智能化环保安全型垃圾桶。它利用基于python深度学习的图像分类技术，精确识别出四种垃圾种类（干、湿、可回收、有害垃圾）的分类信息后进行自动化分类,而且具有精度较高的特点;该设计在智能分类、环保安全等方面优势明显,具有很高的实用价值。 关键词：垃圾分类；图像识别；自动化
二、系统分析
本装置以日常生活垃圾分类为主题，自主设计并制作一台能完成生活垃圾智能分类的装置。该装置能够实现“可回收垃圾、厨余垃圾、有害垃圾和其他垃圾”等四类常见城市生活垃圾的智能判别、分类与储存。 在功能方面生活垃圾智能分类装置对投入的垃圾具有自主判别、分类、投放到相应的垃圾桶、满载报警、播放垃圾分类宣传片等周边功能。 在机械设计方面自主设计并制造生活垃圾智能分类装置的机械部分（除标准件外）。每个垃圾桶至少朝外的面透明，能看清楚该桶内的垃圾，以满足用户可视化效果。而且该装置上设有一个垃圾投放口，用户将垃圾放置在该区域，然后由智能垃圾分类装置自动分类和投入到相应的垃圾桶。 本文主要利用机械设计的本地机械装置进行辅助验证电子控制系统及驱动方案。因此本文将着重从各种角度阐述智能垃圾分类系统的设计方案。但本设计方案有如下几个固定特征： (1)为满足社会大众使用体验及产业化应用，生活垃圾智能分类装置所用传感器和电机的种类及数量不限，但将采用AI技术。 (2)在该装置的上方配有一块高亮显示屏，支持各种格式的视频和图片播放，并显示该装置内部的各种数据，如投放顺序、垃圾类别名称、数量、任务完成提示、满载情况等。 (3)该装置为家用智能装备，因此各机构均使用电能驱动，而且最高工作电压不大于24伏，电池供电、交流电供电等供电方式不限。 (4)为保证系统运作稳定性，该装置中央控制系统确定为双处理器协同运作。其一负责对于图像的解析及运算，作为最高位运算控制器。其二负责对各种信号进行解析双向完成控制与运算任务，作为低位运算控制器。
三、机器视觉系统设计
本文研究的对象为智能垃圾分类装置，是由机械机构和电子系统两部分组成。在电子系统中又由视觉系统、嵌入式系统、动力元件、驱动元件等几部分组成。本章将先简要描述机器视觉系统的硬件设备与视觉系统的摄像方法。
2.1 硬件设备
随着摄像头成本和尺寸的不断下降以及图像处理软件及算法功能的不断增强，智能系统在新型视觉引导应用中大量出现，机器视觉和计算机视觉使用的摄像头类型有很多，有单目的也有用双目的。视觉摄像头主要可以分为以下几种类型： ① 2D成像技术 对于具有机器视觉，但不需要深度或距离信息的机器人，普通2D数码摄像头是比较通用的选择。数码摄像头尽管看起来像胶片相机，实际上它基于完全不同的科学原理。它与电视也不同，电视投射出数百万个微小的彩色光点或像素以合成图像，而数码摄像头则捕获从物体反射回来的光粒子（光子），并将其转换成可作为数字存储起来的电信号，或叫像素。一张数码照片实际上是一长串描述每个像素的数字。在屏幕上，这一长串数字又被转换为像素并合成图像。 优点：2D摄像头可有效地识别物体。它可以清晰地定义目标的边缘，并以高分辨率收集目标的许多细节。 缺点：2D摄像头对环境中的光照条件比较敏感。它会将镜像图像识别为第二个物体，而不是图像。最后，2D相机的图像捕获过程较慢，需要摄像头和物体相对静止。对于需要获取3D信息的场景，使用超声、红外或3D感测技术的摄像头会更适合。
2.2 图像采集与存储
2.2.1 图像采集
图像采集是对垃圾识别与分类的第一步。当垃圾进入智能垃圾分类桶中摄像头则需要对进入的垃圾进行拍照与保存，以便于后续的运算与识别。 对于图像采集主要可以分为两个步骤：先是利用摄像头进行拍摄，再将拍摄到的图像照片存入特定的文件夹用于后续对其进行识别。这个步骤过程中可以利用Opencv技术进行实现。本文采用基于Python语言的OpenCV2，它是一种跨平台计算机视觉和机器学习软件库，实现了图像处理和计算机视觉方面的很多通用算法
3 数据集的获取
本项目的智能垃圾分类装置在运作过程中，系统内部署了庞大的数据模型，利用这个模型对新拍摄到的图像进行对比识别。因此在前期我们需要针对几个数据种类进行收集工作以便于数据模型的训练。这个过程叫做网络爬虫，其就是一段程序，可以通过这些程序可以在网络上获取所需要的信息，比如图像、文本、视频等。[5]
3.1 数据种类的确定
本课题根据常见的生活垃圾进行了4大分类，分别为：可回收垃圾、厨余垃圾、有害垃圾和其他垃圾。在可回收垃圾中确定了：易拉罐和小号矿泉水瓶；在有害垃圾中确定了：一号电池、二号电池和五号电池；在厨余垃圾中确定了：完整或切割过的水果或蔬菜；在其他垃圾中确定了：砖瓦陶瓷及烟头。依据上述四类垃圾进行数据收集。
3.2 数据的获取方法
在此部分主要阐述图片数据的获取方法，因为需要很多的时间来完成图片的获取，为了减少人工复制黏贴的时间成本，本部分使用爬虫技术，向百度图片网页发出请求，自动化地完成搜索以及下载的任务。使用的依赖库如下：urllib、requests和selenium。 在爬取图片数据的过程中主要用到了Request （请求），其在每一个展示在用户面前的网页都必须会经过这一步，也就是向服务器发送访问请求。同时也使用了Response（响应）服务，该服务是在服务器在接收到用户的请求后，会验证请求的有效性，然后向用户（客户端）发送响应的内容，客户端接收服务器响应的内容，将内容展示出来，也就是网页请求，如图3.1所示。
四、神经网络与深度学习的实现
编译软件及环境是整个项目完成预测与机器学习的关键，本项目主要利用python语言进行编辑，运用现有的神经网络框架进行部署与训练。 机器学习主要是利用计算机程序随着数据的积累自动提升或自我改良的一个过程[6]。本章将利用机器学习的技术来对拍摄到的垃圾图像特征进行分析、学习与预测。
4.1软件及环境选择
4.1.1编译软件
在项目的过程中，先在计算机中进行程序的设计与编写，再将程序部署至嵌入式上运行。嵌入式和计算机运行python程序需要安装python3_3.7.3环境和AiStudio平台对python语言进行编译以及对程序进行烧录。
4.1.2神经网络框架
在神经网络框架部分选择了并配置TensorFlow_1.14.0、keras_2.3.1及PaddlePaddle1.8.4用于神经网络模型的运算及部署等。 TensorFlow作为本文最主要的机器学习框架，在该框架中不光有CPU、GPU的计算模式，还包括了TPU，比如阿普拉狗和阿普拉零就用到了TPU集群，大幅度提升了训练和运算速度。其出色的异构性能让他能够更好的支持更多的操作系统和外围硬件。[7]本项目中是需要在电脑上搭载该框架进行运算测试，成功后再部署至本地嵌入式系统上。
4.2模型训练
上述内容中，我们通过了OpenCV2进行了图像的采集，我们已经得到了待测垃圾的图片。为对其进行类别识别，一般需要分为两个步骤，分别为垃圾数据集的建立以及图像识别模型的训练。 垃圾数据集的建立实际上是指多张不同种类垃圾的图片，分为训练集与测试集，以备后续的模型训练；其中按照不同种类的垃圾进行分类（例如：纸板箱、易拉罐、玻璃瓶等等）。因此在本项目中，使用了80000张垃圾的图片作为数据集。
整体流程为：摄像头获得图像信息，搭配嵌入式设备和深度学习模型将运行图像识别总程序，最终结果展示在屏幕上，以下垃圾识别的三个结果如图4.3所示，包含三种垃圾（可回收、干垃圾和有害垃圾）的采集照片、分类结果以及准确率。 图4.3 不同垃圾的预测与准确率
五、 结论
本文主要基于神经网络对不同种垃圾进行识别和预测，提出了一种新型的智能垃圾分类装置的设计。并对其进 行方案的对比，也对各个不同电子元件下的方案进行了研究，得到了如下的结论： 根据神经网络模型在不同环境下实际的预测情况，分析出了在计算机中的神经网络模型移植到嵌入式开发板中 准确度会丢失的情况，基于这个结果提出了响应的提升识别准确率的方法。运用机械设计相关知识对该装置进行建 模，以及制造。基于自动化设计运用了不同类型的开发板进行互相通讯，采用不同传感器对信号进行获取。 将各个部分最优的方案进行组合，形成最终的垃圾分类装置的设计。
六、 目录
目 录 1 绪论………………………………………………………………………………1 1.1 研究背景和意义…………………………………………………………………1 1.2 国内外研究现况…………………………………………………………………1 1.2.1 图像识别与学习……………………………………………………………1 1.2.2 自动垃圾分类与回收………………………………………………………1 1.3 本文研究的主要内容…………………………………………………………………2 1.4 本章小结…………………………………………………………………………2 2 机器视觉系统设计 …………………………………………………………………4 2.1 硬件设备…………………………………………………………………………4 2.2 图像采集与存储………………………………………………………………5 2.2.1 图像采集……………………………………………………………5 2.2.2 图像预处理…………………………………………………………6 3 数据集的获取………………………………………………………………………8 3.1 数据种类的确定……………………………………………………………………8 3.2 数据的获取方法……………………………………………………………………8 4 神经网络与深度学习的实现……………………………………………………………14 4.1 软件及环境选择………………………………………………………………………14 4.1.1 编译软件………………………………………………………………………14 4.1.2 神经网络框架…………………………………………………………………14 4.2 模型训练……………………………………………………………………………14 4.3 数据增强……………………………………………………………………………16 4.4 对图像进行预测与识别……………………………………………………………18 5 自动化运作与控制设计……………………………………………………………20 5.1 传感器的确定………………………………………………………………………20 5.2 执行元件的确定……………………………………………………………………21 5.3 驱动元件的确定……………………………………………………………………21 5.4 嵌入式系统设计……………………………………………………………………23 5.5 供电系统设计………………………………………………………………………26 6 垃圾分类装置机械运作机构……………………………………………………27 6.1 框架及整体设计思路…………………………………………………………27 6.2 四分类装置的设计……………………………………………………………27 6.3 零件加工与材料选择…………………………………………………………28 结论………………………………………………………………………………………29 谢辞………………………………………………………………………………………30 参考文献…………………………………………………………………………………31
精彩文章
您阅读本篇文章共花了：
发表评论