CN215507875U - 基于人工智能神经网络的饮料瓶罐分类装置 - Google Patents

Abstract

本实用新型公开了一种基于人工智能神经网络的饮料瓶罐分类装置，包括底座、安装在底座上的外筒、设置在外筒顶部的盖板以及安装在外筒内部的内筒，底座上安装有一同内筒连接并驱动内筒旋转的第一舵机，内筒被分隔板分隔成若干存放区，盖板上开设有一投掷口，投掷口下方安装有一同第二舵机连接的挡板，第二舵机驱动挡板旋转以开启或关闭投掷口，盖板上安装有一朝向投掷口设置的摄像头。本实用新型的优点是：可以识别饮料瓶罐的类别，将其分为纸制、塑料、玻璃和金属四类；根据识别结果，分类投掷饮料瓶罐；可以判断瓶中是否有大量残余的液体，并给出灯光和语音的提示；可以判断装置容器是否已满，在容器已满后，给出灯光和语音的提示。

Description

基于人工智能神经网络的饮料瓶罐分类装置

技术领域

本实用新型涉及垃圾分类的技术领域，尤其是一种基于人工智能神经网络的饮料瓶罐分类装置。

背景技术

垃圾的分类方法是以垃圾的最终处理方式为依据进行设计的，分为湿垃圾、干垃圾、可回收垃圾、有害垃圾四类。四种类型的垃圾都会进行分开的运输和处理，其中可回收垃圾会被送入垃圾分拣中心进行二次分拣，把不同的材质分离开来。经过分拣中心的流水线上的分拣后，剩下的垃圾将被填埋或者焚烧发电，挑拣出来的将会送到造纸厂、塑料制品厂和金属制品厂再次利用。随着城市规模的不断扩大、生活水平的不断提高，每日垃圾量也在快速的增长，目前一个垃圾分拣中心每天需要承担1600-1800吨的垃圾分拣量，已经达到满负荷运转的状态。虽然进一步细分可回收垃圾可以省去垃圾二次分拣的环节，降低垃圾分拣中心的负担，提高垃圾处理的效率，但是细分可回收垃圾会增加市民垃圾分类的难度、增加市民的生活负担，因此目前的垃圾分类制度还是将垃圾的二次细分交由垃圾处理企业进行处理。

饮料瓶罐是日常生活中的最常见的可回收垃圾，也是各种旅游景点、运动场所和娱乐场所等公共场所垃圾的主要来源。饮料瓶罐主要包括纸制、塑料、金属和玻璃四个种类，也是可回收垃圾最常见的种类。而如何将不同种类的饮料瓶罐进行分类也成为了一大问题。

因此，需要一种可以解决上述问题的饮料瓶罐分类装置。

实用新型内容

本实用新型的目的是根据上述现有技术的不足，提供了一种基于人工智能神经网络的饮料瓶罐分类装置，通过神经网络系统识别摄像头拍摄到饮料瓶罐的种类，舵机驱动内筒旋转至对应存放区，并使饮料瓶罐从盖板的投掷口落入对应存放区，实现了对饮料瓶罐的分类。

本实用新型目的实现由以下技术方案完成：

一种基于人工智能神经网络的饮料瓶罐分类装置，其特征在于：包括底座、安装在所述底座上的外筒、设置在所述外筒顶部的盖板以及安装在所述外筒内部的内筒，所述底座上安装有一同所述内筒连接并驱动所述内筒旋转的第一舵机，所述内筒被分隔板分隔成若干存放区，所述盖板上开设有一投掷口，所述投掷口下方安装有一同第二舵机连接的挡板，所述第二舵机驱动所述挡板旋转以开启或关闭所述投掷口，所述盖板上安装有一朝向所述投掷口设置的摄像头。

所述外筒外侧设有一环形的蓄水池。

所述挡板上安装有压力传感器。

所述内筒的开口处设有红外光电开关对且所述内筒的开口处与所述盖板间留有间隔。

所述盖板上设置有双色LED指示灯和喇叭。

还包括开发板，所述开发板内设有神经网络系统，所述开发板的I2C输出端通过PWM驱动模块分别同所述第一舵机和所述第二舵机的输入端口连接，所述开发板的通用输出端口通过通用IO端口驱动模块同所述双色LED指示灯的输入端口连接，所述红外光电开关对的输出端口通过所述通用IO端口驱动模块同所述开发板的通用输入端口连接，所述开发板的通用输出端口依次通过所述通用IO端口驱动模块、音频驱动模块同所述喇叭的输入端口连接，所述压力传感器的输出端口依次通过模数转换电路、单片机同所述开发板的串口连接，所述摄像头同所述开发板的USB接口连接。

所述开发板由太阳能电池板或外部电源供电，所述太阳能电池板或所述外部电源依次通过升压电路、锂电池、降压电路同所述开发板连接。

本实用新型的优点是：

1、可以识别饮料瓶罐的类别，将其分为纸制、塑料、玻璃和金属四类；

2、根据识别结果，分类投掷饮料瓶罐；

3、可以判断瓶中是否有大量残余的液体，并给出灯光和语音的提示；

4、可以判断装置容器是否已满，在容器已满后，给出灯光和语音的提示；

5、太阳能供电；

6、可以根据后期的使用体验和反馈，升级智能系统。

附图说明

图1为本实用新型饮料瓶罐分类装置的剖面图；

图2为本实用新型饮料瓶罐分类装置的立体图；

图3为本实用新型饮料瓶罐分类装置的工作流程图；

图4为本实用新型饮料瓶罐分类装置的电子硬件框架图；

图5为本实用新型饮料瓶罐分类装置的软件系统流程图；

图6为本实用新型训练数据集的准备流程图；

图7为本实用新型神经网络训练过程图；

图8为本实用新型神经网络训练实验数据表。

具体实施方式

以下结合附图通过实施例对本实用新型特征及其它相关特征作进一步详细说明，以便于同行业技术人员的理解：

如图1-8所示，图中标记1-30分别表示为:底座1、外筒2、盖板3、内筒4、分隔板5、投掷口6、蓄水池7、开发板8、I2C输出端9、PWM驱动模块10、第一舵机11、第二舵机12、通用输出端口13、通用IO端口驱动模块14、双色LED指示灯15、红外光电开关对16、通用输入端口17、音频驱动模块18、喇叭19、压力传感器20、模数转换电路21、单片机22、串口23、摄像头24、USB接口25、太阳能电池板26、升压电路27、锂电池28、降压电路29、饮料瓶罐30。

实施例：如图1-8所示，本实施例涉及一种基于人工智能神经网络的饮料瓶罐分类装置，其主要包括底座1、外筒2、盖板3以及内筒4，外筒2安装在底座1上，盖板3设置在外筒2顶部，内筒4安装在外筒2内部并且内筒4的开口处与盖板3间留有一定间隔。盖板3上开设有投掷口6，投掷口6的形状和大小均满足饮料瓶罐30的投掷要求，投掷口6下方安装有挡板，饮料瓶罐30可放置在挡板上，挡板同第二舵机12连接，并且第二舵机12可驱动挡板进行旋转，用于开启或关闭投掷口6。挡板上安装有压力传感器20，用于称量挡板上饮料瓶罐30的重量，当重量超过设定的阈值时就表示饮料瓶罐30中有大量的残留液体。外筒2的外侧偏下方设有环形的蓄水池7，用于存放饮料瓶罐30中的废液。盖板3上安装有摄像头24，摄像头24朝向投掷口6设置，可采集饮料瓶罐30的图像，用于识别饮料瓶罐30的种类。内筒4被分隔板5分隔成四个存放区，分别为塑料饮料瓶罐存放区、金属饮料瓶罐存放区、纸质饮料瓶罐存放区和玻璃饮料瓶罐存放区，其分配比例为4:2:1:1。底座1上安装有第一舵机11，第一舵机11同内筒4连接并且第一舵机11可驱动内筒4以一定角度进行旋转，如图3所示，将饮料瓶罐30放置在投掷口6处，根据摄像头24识别到的饮料瓶罐30种类结果，第一舵机11可驱动对应的饮料瓶罐存放区旋转至投掷口6的正下方，然后再打开投掷口6将饮料瓶罐30投下，以存放该饮料瓶罐30。外筒2的直径比内筒4的直径略大一些，主要用来保护内筒4在旋转时不被外界影响。内筒4的开口处设有红外光电开关对16，当有饮料瓶罐30挡住红外光电开关对16射出的红外光线时，红外光电开关16将处于断开状态，表示内筒4已满，用于判断内筒4的存放情况。盖板3上设置有双色LED指示灯15和喇叭19，双色LED指示灯15包括红色LED指示灯和绿色LED指示灯，红色LED指示灯亮时则表示内筒4已满，绿色LED指示灯亮时则表示饮料瓶罐30中含有大量残余液体，喇叭19能够输出两种音频，分别为第一音频和第二音频，第一音频输出时则表示饮料瓶罐30中含有大量残余液体，第二音频输出时则表示内筒4已满。本实施例中，装置采用有机玻璃作为主要材料，装置的尺寸为直径450毫米、高度900毫米。装置的底部设置有万向轮，便于移动。装置的信号线采用带有屏蔽层的信号线，可以减少线与线之间产生干扰而导致数据通信出现误码情况的发生。

如图4所示，本饮料瓶罐分类装置内安装有开发板8，开发板8内设有神经网络系统。开发板8的I2C输出端9通过PWM驱动模块10分别同第一舵机11和第二舵机12的输入端口连接，PWM驱动模块10用于控制第一舵机11和第二舵机12的旋转角度。开发板8的通用输出端口13通过通用IO端口驱动模块14同双色LED指示灯15的输入端口连接，红外光电开关对16的输出端口通过通用IO端口驱动模块14同开发板8的通用输入端口17连接，开发板8的通用输出端口13依次通过通用IO端口驱动模块14、音频驱动模块18同喇叭19的输入端口连接，通用IO端口驱动模块14（由三极管搭建而成）用于增强开发板8的输入输出端口的驱动能力，通用IO端口驱动模块14可控制双色LED指示灯15、红外光电开关对16以及音频驱动模块18，音频驱动模块18用来控制喇叭19的播放。压力传感器20的输出端口依次通过模数转换电路21、单片机22（本实施例中为STM32单片机）同开发板8的串口23连接，单片机22和模数转换电路21是用来读取压力传感器20的数值，模数转换电路21将压力传感器20的输出转换为数字信号，再由单片机22读取并通过串口23将数据传递给开发板8。摄像头24同开发板8的USB接口25连接。开发板8由太阳能电池板26（或外部电源）供电，太阳能电池板26（或外部电源）依次通过升压电路27、锂电池28、降压电路29同开发板8连接，本实施例中，锂电池28的电压为7.4V，降压电路29可将锂电池28的电压降至5V。

饮料瓶罐分类装置的软件系统是基于Linux系统进行开发的，利用编程语言开发人工智能控制平台。如图5所示，在装置上电以后，首先对所有的部件进行初始化操作，包括将内筒4旋转到0度的位置，关闭投掷口6，测试双色LED指示灯15等。在完成初始化后，系统进入等待状态，然后判断装置容器是否已满。如果装置的内筒4已满，系统将播放提示第二音频并点亮红灯直到内筒4内的饮料瓶罐30被清理。当系统检测内筒4未满时，将循环检测压力传感器20的输出是否有变化，有变化则代表投掷口6检测到有饮料瓶罐30投入。记录压力传感器20数值后，系统将命令摄像头24采集饮料瓶罐30的图像，再由人工智能神经网络根据图像信息判断饮料瓶罐30的分类。得到分类后，系统会根据分类判断投掷口6的重量是否超过阈值，即检测是否有大量残余废液。如果检测到有残余废液，则开始播放第一音频并点亮绿灯，等待压力传感器20复位。压力传感器20复位代表投掷口6的瓶罐被取走。系统在压力传感器20复位后再等待10秒，重新进入初始化后的等待状态。这里等待的10秒是预留给操作者倒掉残余液体的时间。当系统没有检测到大量残余液体后，系统将根据分类结果驱动第一舵机11将内筒4旋转到对应的位置，打开投掷口6投掷饮料瓶罐30。投掷口6开启后会保持开启状态2秒以确保饮料瓶罐30已经被投入。最后系统将关闭投掷口6再重新进入初始化后的等待状态。

图5中“判断分类”流程是由人工智能神经网络来执行的。该人工智能神经网络是在对一定量的瓶罐图像和分类进行学习训练后得到的。在训练神经网络之前，需要先进行训练数据集的准备。如图6所示，首先需要拍摄一定数量的各种瓶罐样品，然后再将拍摄得到的样品图像按照塑料、金属、玻璃、纸质和空白进行分类。增加空白分类的原因是考虑到非瓶罐类垃圾投入到装置的情况。在完成分类后，将不同类别的样品进行标注，最终生成神经网络训练所需的训练数据集。为了提高神经网络判断分类的准确性，在实际拍摄中多次更改了装置摆放的背景。

如图7所示，在完成训练数据集的制备后，选取准备使用的神经网络架构，然后初始化该网络的各种参数。在装置中，使用了神经网络结构，这种架构非常适合图像分类工作。在完成初始模型的生成后，将训练数据集分批地送入到模型中进行分类。刚开始训练时，模型分类结果的损失较大，即分类的结果与实际类别的有较大出入，人工智能系统将根据分类结果的损失利用背向算法等手段优化模型的参数使优化后的模型分类结果的损失变小，即分类的准确度得到提高。经过一定数量的循环训练后，神经网络模型分类结果的损失将会小到可以忽略或者可以被接受，这时训练得到的神经网络即是系统中进行判断分类的人工智能模型。在该装置中，使用了预训练神经网络，即网络中的参数在某些数据中进行了预训练，比简单的参数初始化分类效果更好，训练得到相同分类损失所需要循环训练的次数更少。经过50次的循环训练后，神经网络模型判断分类的损失小于0.0001，分类准确率接近1。

不同的神经网络架构对分类准确度的影响。本实施例中，选取了两种不同的神经网络架构ResNet18 和 ResNet34，使用相同的数据集分别对两个网络进行了20次的循环训练。训练后的结果显示ResNet18的损失为0.0315，准确度为0.9524，而ResNet34的损失为0.0288，准确度为0.9714。可以明显的发现，不同网络训练相同次数后，分类的准确度并不相同。在选取的两种网络中ResNet34明显好于ResNet18。如图8所示，分别是ResNet34训练5次、10次、20次和50次后的结果，可以发现，相同的神经网络架构，对数据集的循环训练次数越多，训练后的网络分类准确率越好。拍摄图像背景对神经网络判断分类准确度也有较大的影响，改变背景后，神经网络的判断准确度可以从1下降到0.65。克服背景对分类影响的最好办法是增加数据集，在更多的背景下采集数据，然后使用新的数据集对神经网络进行训练学习。这样虽然会增加训练的时间和数据集准备的复杂度，但可以有效增加在不同背景下神经网络判断分类的准确性。

虽然以上实施例已经参照附图对本实用新型目的的构思和实施例做了详细说明，但本领域普通技术人员可以认识到，在没有脱离权利要求限定范围的前提条件下，仍然可以对本实用新型作出各种改进和变换，故在此不一一赘述。

Claims (7)

1.一种基于人工智能神经网络的饮料瓶罐分类装置，其特征在于：包括底座、安装在所述底座上的外筒、设置在所述外筒顶部的盖板以及安装在所述外筒内部的内筒，所述底座上安装有一同所述内筒连接并驱动所述内筒旋转的第一舵机，所述内筒被分隔板分隔成若干存放区，所述盖板上开设有一投掷口，所述投掷口下方安装有一同第二舵机连接的挡板，所述第二舵机驱动所述挡板旋转以开启或关闭所述投掷口，所述盖板上安装有一朝向所述投掷口设置的摄像头。

2.如权利要求1所述的一种基于人工智能神经网络的饮料瓶罐分类装置，其特征在于：所述外筒外侧设有一环形的蓄水池。

3.如权利要求1所述的一种基于人工智能神经网络的饮料瓶罐分类装置，其特征在于：所述挡板上安装有压力传感器。

4.如权利要求3所述的一种基于人工智能神经网络的饮料瓶罐分类装置，其特征在于：所述内筒的开口处设有红外光电开关对且所述内筒的开口处与所述盖板间留有间隔。

5.如权利要求4所述的一种基于人工智能神经网络的饮料瓶罐分类装置，其特征在于：所述盖板上设置有双色LED指示灯和喇叭。

6.如权利要求5所述的一种基于人工智能神经网络的饮料瓶罐分类装置，其特征在于：还包括开发板，所述开发板的I2C输出端通过PWM驱动模块分别同所述第一舵机和所述第二舵机的输入端口连接，所述开发板的通用输出端口通过通用IO端口驱动模块同所述双色LED指示灯的输入端口连接，所述红外光电开关对的输出端口通过所述通用IO端口驱动模块同所述开发板的通用输入端口连接，所述开发板的通用输出端口依次通过所述通用IO端口驱动模块、音频驱动模块同所述喇叭的输入端口连接，所述压力传感器的输出端口依次通过模数转换电路、单片机同所述开发板的串口连接，所述摄像头同所述开发板的USB接口连接。

7.如权利要求6所述的一种基于人工智能神经网络的饮料瓶罐分类装置，其特征在于：所述开发板由太阳能电池板或外部电源供电，所述太阳能电池板或所述外部电源依次通过升压电路、锂电池、降压电路同所述开发板连接。

Images