随着城市发展，垃圾回收和再处理成为现代城市需要提供的基本服务。国内垃圾分类方式主要包括人工分拣和大型垃圾场分类，大型垃圾场的垃圾分类措施依然采取大量人工进行分拣。张河等[1]设计基于51单片机的智能垃圾桶系统，具有自动检测开盖以及超重预警功能。许韩睿等[2]设计基于STM32的智能垃圾桶系统，具有可旋转开盖、防火报警和显示垃圾余量等功能。随着深度学习技术在视觉领域的应用和发展，利用最新的人工智能技术实现垃圾分类成为可能，利用摄像头拍摄垃圾图片，检测垃圾类别，使机器实现自动垃圾分拣，极大地提高垃圾分拣效率。卷积神经网络的提出增加了分类的效率。Butt等[3]采用VGG19网络模型对视频图像进行监控。文章提出基于VGG16网络模型，采用树莓派4B和STM32单片机设计垃圾分类系统。1主体设计1.1结构设计装置主体上层为控制部分电路盒，中层为垃圾分类机械结构，下层为4个独立的垃圾桶。采用SOILDWORKS软件对分类装置进行建模，垃圾桶高850 mm，长、宽各450 mm。电路盒放置系统需要的电子硬件和连接的杜邦线，盒子上方放置7寸的高亮显示屏；垃圾分类机械结构包括两个轴承、两个舵机，轴承保证二自由度的机械结构进行垃圾分类时减少摩擦；4个独立的垃圾桶长宽各200 mm，高500 mm，分别放置厨余垃圾、可回收垃圾、有害垃圾、其他垃圾。装置上方为20 cm×20 cm的垃圾投放口，垃圾通过投放口投放至装置内。垃圾桶结构建模如图1所示。10.19301/j.cnki.zncs.2022.06.022.F001图1垃圾桶结构建模整体框架使用铝材制作，电路盒和分类机构使用3D打印机器加工，垃圾桶使用亚克力板制作。1.2控制电路（1）控制电路设计。本装置选择树莓派4B作为上位机，选择32系列单片机作为下位机。上位机与下位机进行信息传递，连接光电传感器1、摄像头和LED灯。光电传感器1连接树莓派的GPIO18口，末端固定在分类机构的分类槽中。垃圾投放至分类槽时，光电传感器的光线被阻挡，反馈上位机信号；上位机接收到信号，运行相应程序并发送对应指令给下位机。下位机接收到上位机的指令，通过PWM控制电机旋转角度，完成对应的动作，将垃圾投放至相应的垃圾桶内，完成分类。桶内垃圾超过容积的80%时，光电传感器会给下位机反馈，下位机控制无源蜂鸣器报警。硬件电路连接如图2所示。10.19301/j.cnki.zncs.2022.06.022.F002图2硬件电路连接（2）程序设计。程序设计流程如图3所示。10.19301/j.cnki.zncs.2022.06.022.F003图3程序设计流程2算法设计2.1数据集数据集包括训练集和测试集，约50%数据来自公共数据集，采集不同状态下的垃圾，保证整体的泛化性，其余50%为课题组拍摄的图片（3 854张）。为了增加样本的多样性，降低训练过程中的过拟合，需要增加样本量，对每一个样本进行水平竖直翻转，将验证集的图像尺寸调整为150×150像素。扩充样本后，数据集图片共8 800张，按照7∶3的比例随机分割为训练集、检验集。其中，6 160张作为训练集，2 640张作为验证集。每批训练图片数量为24，迭代次数为20次。课题组图像像素为640×480，为3通道RGB图像。数据集分类如表1所示。10.19301/j.cnki.zncs.2022.06.022.T001表1数据集分类项目分类数量/张其他垃圾数据集砖瓦陶瓷571鹅卵石374厨余垃圾数据集蔬菜2 926水果1 241可回收垃圾数据集易拉罐725水瓶773有害垃圾数据集各类电池2 1902.2垃圾分类算法设计本设计以卷积神经网络VGG16为特征提取网络。VGG16的结构简洁，网络使用相同尺寸的卷积核（3×3）和最大池化尺寸（2×2）；通过加深网络结构提升网络性能；多个小滤波器（3×3）卷积层的组合效果比1个大滤波器（5×5或7×7）卷积层好；在网络测试阶段将训练阶段的3个全连接替换为3个卷积，使测试得到的全卷积网络无全连接的限制，可以接收任意宽或高的输入。为了增加网络的泛化能力，对VGG16网络进行优化。在原有数据的基础上，扩充不同的垃圾图片共3 000张；在原有VGG16网络基础上，添加归一化处理，进一步提高网络的泛化能力；添加全连接层和dropout处理。3试验结果3.1试验环境和特征提取模型的准确性验证试验平台电脑配置：i5-8300H CPU，8G RAM，64位window 10操作系统，GPU为NVIDIA GeForce GTX 1050 Ti。为了评估垃圾种类识别特征提取模型的性能，采取对比试验。利用自定的训练集进行验证，将优化VGG16模型与VGG16和 AlexNet模型进行对比，进行20次迭代训练。模型迭代准确率与损失率如图4、图5所示。10.19301/j.cnki.zncs.2022.06.022.F004图4模型迭代准确率10.19301/j.cnki.zncs.2022.06.022.F005图5模型迭代损失率由图4、图5可知，优化VGG16的识别准确率比VGG16和AlexNet高，损失值较低。将5次训练的准确率和损失值分为5组，取平均值。分析不同方法5次训练的准确率，优化VGG16的识别效果优于其他两个模型，准确率最高为0.98；分析损失率，AlexNet模型训练损失率最高，最高为0.204，最低为0.186，优化VGG16的模型损失率整体最低，最低为0.019，平均约0.05。训练后的VGG16模型准确率维持在0.96以上，损失值低至0.05，精度能够达到垃圾识别分类的要求。不同方法的准确率如表2所示。10.19301/j.cnki.zncs.2022.06.022.T002表2不同方法的准确率次数准确率损失率AlexNetVGG16优化VGG16AlexNetVGG16优化VGG1610.8340.9340.9770.1880.1720.02220.8450.9410.9800.1920.1650.06530.8220.9270.9650.2040.1740.03740.8270.9310.9750.1980.1630.04850.8300.9330.9790.1860.1690.019%3.2模型的移植与测试在完成模型的选择与优化，将模型移植到树莓派中，进行系统的实物搭建，在实际环境中对系统的分类功能和识别速度进行测试，共测试100次。实际测试结果如表3所示。10.19301/j.cnki.zncs.2022.06.022.T003表3实际测试结果项目识别正确次数/次平均正确识别率/%正确分类至垃圾桶次数/次机械结构分类成功率/%其他垃圾砖瓦陶瓷49984897.96鹅卵石501004998.00厨余垃圾蔬菜501004998.00水果5010050100.00可回收垃圾易拉罐501004998.00水瓶48964695.83有害垃圾各类电池49984795.92由表3可知，系统能够很好地识别对应的垃圾种类；对驱动装置进行测试，舵机能够准确地执行分类动作，实现垃圾的正确分类。整体运行结果显示，模型能够通过摄像头传输的图片准确识别垃圾种类，机械结构能够正确地将对应垃圾分类到对应的垃圾箱内。测试的4种垃圾都能够精确识别，准确可靠。测试识别时间如图7所示。10.19301/j.cnki.zncs.2022.06.022.F006图7测试识别时间由图7可知，系统稳定运行，完成1次垃圾分类识别时间约0.95 s，模型在实际系统中具有良好的识别速度。4结语本研究提出依据优化VGG16网络模型与迁移学习结合的垃圾分类系统方法，通过识别垃圾图像对投掷的垃圾进行分类并投放到对应的垃圾桶。分类系统完成1次分类回收的时间为0.95 s，平均识别精度超过95%。研究发现，一些深层次问题仍需解决，应改进算法以提高对小型垃圾的识别精度；研发多仓或其他垃圾收集工具，以满足多类别的需求。