段昆昕，朱博文，陈浩男，区秋鸿，吴泽耿

（广州城市理工学院，广东 广州 510800）

随着社会的发展，垃圾分类任务从可回收垃圾和不可回收垃圾细化到了包含这2 类垃圾在内的21 种类型，其中很大部分的垃圾处理工艺大相径庭[1]。厨余垃圾就是其中最让人头疼的垃圾种类，厨余垃圾堆肥技术可使它回到自然循环，提高垃圾的资源价值和经济价值。智能分类处理机器可以将倒入容器中的厨余垃圾进行预处理、脱水、研磨、生物降解和发酵制肥等一系列操作，取出时则是处理后的、无异味的肥料。

自动驾驶作为当下汽车行业最为前沿的技术，也是人工智能的主要应用场景之一[2]。无论是谷歌、百度，还是福特、通用、宝马等都加快在汽车自动驾驶领域的布局。智能分类处理机器也拥有该方面的部署。机器可以按照地面系统发布的任务统一进行分配，进行智能化的路线规划。除此之外，可以在机器空余时间对规划路线进行路面清扫和洒水，代替地面清扫车的任务，减少了因请清扫车司机而带来的人力、物力成本。

先进的能源评估技术可以实时对车辆续航和续航预测与地面站进行同步，地面站决策车辆寻找距离最近的充电桩进行充电。地面站的高灵活部署特性使智能分类垃圾处理机器可以安装在环卫工的房间内，也可以安装在当地的环卫部门等。招手即停功能可以回收路人手中的垃圾，机器舱内的旋转分类系统可以直接分类垃圾。而对于市场上所有智能分类垃圾桶而言，最大的技术挑战就是无法对黑色垃圾袋内垃圾进行准确识别。智能分类垃圾处理机器借助先进的微波雷达技术加之深度学习神经网络对袋内垃圾进行参数化分析，车舱内的机械臂手持刀轮，解剖垃圾，更加精确、细致、有效、高效地进行分类。

1 基本结构

1.1 整体结构

智能分类垃圾处理机器是带有转向系统的叉臂减震底盘的纯电平台的集垃圾清扫、垃圾分类和垃圾处理为一体的自主巡航、道路规划的智能机器车，如图1 所示。

图1 自主巡航、道路规划的智能机器车

5C 译为Category 5，即可以收集5 类垃圾，其中包含4 种干垃圾的分类和1 种厨余垃圾的分类。桶内垃圾容量高达1 100 L，搭载宁德时代的聚合物磷酸铁锂动力电池，续航时间可达10 h。使用了生物分解的堆肥技术，高效的研磨电机可将厨余垃圾磨碎，6 h 即可完成堆肥，如图2 所示。

图2 研磨刀和研磨腔

基于强悍的英伟达算力平台和5G 技术，智能分类垃圾处理机器可以轻松完成路面处理任务和自动道路规划的算法计算。先进的能耗评估系统可对自身系统进行实时能耗评估，效率更高。机体搭载了日本进口的飓风叶轮负压电机、钢网过滤系统和鸭嘴形吸尘刷组成的路面垃圾清扫系统。后面有无刷电机驱动的钢丝刷进行顽固污渍的刷洗任务。垃圾投入后下方为垃圾道，道内末端连接一可控的平板，垃圾置于平板上方的时候，摄像头进行垃圾种类的推断，再由平板下方开口落入垃圾桶内，完成简单的垃圾分类任务。

1.2 智能底盘

5C 智能分类处理机器使用了自主研发的纯电平台，使用12 寸锻造轮毂和单永磁电机中置的布局，是可控的全时四驱系统。

智能底盘由1 个永磁同步电机、1 个转向电机、转向连杆、转向架、转向球头、独立梁和4 支减震支臂组成，如图3 所示。

图3 智能底盘示意图

永磁同步电机是由布鲁萨（深圳）电子技术有限责任公司生产的高性能电机，其核心技术及产品广泛被奔驰、宝马、大众、奥迪、保时捷、沃尔沃、丰田、本田等全球车企采用。具有极高的性能和空前的稳定性。

减速箱同样也是由布鲁萨公司提供，该减速箱为固定齿比减速箱，具有适中的传动比，系同公司同技术水平设计，工作配合协调性更好，具有额定效率高、输出扭矩大、噪声低、发热低等特点。

可调阻尼、硬度的可调液压支臂，将普通的液压支臂进行风格化的改进，在原有液压支臂的液压壳体倒上了螺纹，加了一个可以和螺纹配合的大螺栓，这个大螺栓既可以压迫减震弹簧向下以增加弹簧硬度，又可以自锁，防止它上下滑动，这样的设计符合不同的应用场景。

智能底盘分控制系统负责配合和机器总控系统之间的任务交流，和应用性能优良的CAN（Controller Area Network）总线进行通讯。另外，控制箱内部包含众多设置，具体如下：4 个高精度电压侦测器，实时监测电池包、发电机、控制器和其他周边设备的输入输出电压并及时反馈；1 个128 GB 的SSD（Solid State Disk）硬盘，用于记录车辆的行驶记录和设备的一些雷达传感器数据，并以日志的方式储存下来，方便设备维护升级；4 个摄像头数据总线，可以在车辆周围安装4 个高分辨率摄像头，其中1 个为主摄像头，可以装载支持深度感知的双目摄像头；1 个12 路的超声波雷达控制器，可以安装汽车用毫米波雷达等类似以超声波或微波为原理工作的传感器模块；4 路胎压监控传感器数据总线，可以安装4 轮胎压监控设备。

强电箱内安装有2 路转向电机控制器，2 路主电机控制器以一主一备的冗余思想为原则，2 路控制器由分电板提供电力，4 路控制器不共享数据总线，而是每一路单独设置总线，提高调度响应速度和失真率。

1.3 分类系统

分类系统由机械部分和电控系统部分组成，机械部分包括分拣机械臂（如图4 所示）、投入口紧紧相连的滑道和与滑道相连的筛板。机械臂是1 个6 自由度的机械臂，自由度高、动作灵活，手部夹爪捡拾效率高。筛板上带有无数微孔，筛板与电机带动的一个偏心机构相连，电机振动带动筛板振动使待识别物摊平于筛板之上。机械部分负责控制信号的执行，称为执行机构，电控系统是由摄像头、微波雷达、控制器等设备组成的系统，是整个垃圾分类系统的灵魂。分类控制系统也可以通过5G 技术和物联网技术与地面站进行通讯。

图4 分拣机械臂

1.4 厨余堆肥系统

厨余垃圾分类部分由研磨机、脱水机、负压真空机、加温器和堆肥箱组成。经过分类系统的筛选，执行机构将厨余垃圾分类整理送至研磨机构，研磨机构对磨碎后的垃圾进行生物制肥。

1.5 图像识别系统

图像识别系统由高分辨率摄像头模组、红外摄像头模组、红外补光灯模组、微波雷达模组和图像数据处理模块[3]等组成。

1.6 综合控制系统

综合控制系统是整个机器的大脑、小脑和神经，它与底盘积极“沟通”，也与垃圾处理设备建立通讯，实现各个模块的实时通讯、调度、管理。综合控制系统由2 部分组成：①STM32 单片机搭建的“守护者”程序，负责整个机器智能部分的开机、自检及应急措施的任务；②Intel 公司生产的低功耗至强e3 处理器为计算核心的工业控制主机，主机通过PCI（Peripheral Component Interconnect）总线通讯的方式与AMD R9图像计算平台进行实时通讯，完成道路标线识别、道路安全性分析、地面垃圾和箱体内垃圾数据及激光雷达传回数据的科学化处理，以及完成深度学习网络推理任务，CPU（Central Processing Unit）则是处理中间信息的计算单元。

1.7 地面清洁系统

地面清洁系统由清扫刷头、喉管、扁吸嘴、扫尘刷、离心风机组成。吸尘器主要由起尘、吸尘、滤尘3部分组成。

1.8 自主巡航传感器

自主巡航部分主要是传感器的合理化配合，自主巡航套件主要包含3 个激光雷达和12 个超声波雷达及双目深度相机（主摄像头）和3 个高清摄像头。

1.9 智能发电机模组

智能发电机组采用双缸15 kW 汽油动力发电机，发电效率高、能源热值高，高效节能。

1.1 0 地面站和地面控制系统

地面站和机器的通讯系统采用高通SDX55 5G 基带芯片2 款不同封装（LGA、M.2）的5G 通信模组SRM815 和SRM825W。

2 工作原理

2.1 分类系统工作原理

垃圾投放口：垃圾投放口处设有“红外帘幕”，即红外对射传感器，主要用来检测是否有实体经过。红外对射全称为主动红外入侵探测器（Active Infrared Intrusion Detectors），其基本的构造包括发射端、接收端、光束强度指示灯、光学透镜等，其侦测原理是利用红外发光二极管发射的红外射线，再经过光学透镜做聚焦处理，使光线传至很远距离，最后光线由接收端的光敏晶体管接收。当有物体挡住发射端发射的红外射线时，由于接收端无法接收到红外线，所以会发出警报。红外线是一种不可见光，而且会扩散，投射出去后，在起始路径会形成圆锥体光束，随着发射距离的增加，其理想强度与发射距离呈反平方衰减。当物体越过其探测区域时，遮断红外射束而引发警报。传统型主动红外入侵探测器由于只有2 光束、3 光束、4 光束类型，常用于室外围墙报警。

紧连的滑道：该滑道为不锈钢材质的斜置平台，上端连接投掷口，下端连接分类筛板，滑道上涂有放生锈涂层。

分类筛板：分类筛板与一偏心机构电机相连，电机转动，带动筛板，使落入筛板的垃圾摊平，从而更好地帮助摄像头进行识别，如图5 所示。

图5 分类筛板

分类箱容器：分类桶为四分类圆形桶，中部被十字板分隔成4 个独立的空间，共有1 100 L 的可用空间。箱体为可旋转箱体，下部刚性连接有4 个方向的日内瓦轮，日内瓦轮由1 个闭环控制的步进电机驱动，步进电机主轴每旋转1 个周期，日内瓦轮带动箱体转动90°。因此，控制电机即可完成对分类箱体旋转到哪一个分区进行精确的控制。

2.2 厨余堆肥系统的工作原理

有机肥堆肥厌氧性方式是把垃圾堆积，减少与空气的接触，以厌氧性分解为主要反应，促使有机肥有机物安定化的处理方式，传统自然堆积法即属于此，此有机肥堆肥法反应缓慢，需要数个月才能完成腐熟。

有机肥堆肥好氧性方法是用翻堆或强制送风、抽风，以好氧性分解有机肥使有机物安定化的方式，因反应快可减少堆肥化的处理时间，目前被称为高速有机肥堆肥化法。好氧性有机肥堆肥处理在形式上又可分为连续式高速堆肥法及堆积式堆肥法2 类。

机器主要采用波卡西堆肥法，波卡西堆肥法是日本琉球大学比嘉照夫教授研究开发的，波卡西（BOKASHI）堆肥法是指将EM 活菌制剂混合到被发酵物里，一同存放进密封的发酵容器，通过间缺性缺氧发酵，来分解被发酵物质的一种堆肥方法。波卡西（BOKASHI）堆肥是引进国外先进的园艺理念制成的新式堆肥器，通过对厨房食物垃圾的分解发酵，得到营养丰富的有机土及液体肥料，变废为宝，是厨余垃圾最有效的绿色环保回收利用方式，解决了垃圾分类厨余垃圾难处理的问题。

2.3 图像识别与微波雷达系统的工作原理

图像识别系统主要靠双目摄像头和微波雷达作为识别元件，双目摄像头在识别开始指令下达后，开始连续采集帧数据，再由算力平台提供的部分算力进行编码，并送入卷积神经网络进行预测。由于摄像头的相对位置是固定的，分类筛板的位置也是相对固定的。那么就可以通过算法虚拟出一个二维坐标系，该坐标系内的散点的坐标为四元变量信息（x，y，flags，n），其中，x和y是垃圾重心所在位置的横坐标和纵坐标，该坐标用2 组浮点数存放；四元变量中的flags是垃圾种类的标识符，该变量为一整形变量，用于存放物品类型的预测值，这个预测值是预先在数据集中完成映射的flags；四元变量中n为该识别对象的置信度，若置信度大于一定值则近似认为被识别物品就是确定的识别结果。所有的四元变量在计算单元特定的缓冲区内被映射为一个四元数组，四元数组存放着摄像头推流信号当前识别帧的物品识别数据。该缓冲区的布置在设计之初就考虑到了数据交换问题，因此，算法采用双缓冲区机制，采用1 个公有的标志符变量，将奇数帧预先写入第一缓冲区，偶数帧写入第二缓冲区，当新的奇数帧识别结果得出时，原先第二缓冲区的数据会流向第一缓冲区，当然，第一缓冲区的数据会被以日志的形式进行编码并流向日志储存区域进行记录，新的奇数帧数据被写入第二缓冲区，以此循环，每当新的数据帧得出时，缓冲区内的数据会以步进的方式向前迭代，最终流向日志记录区域。

产品的深度神经网络采用YOLOv5 算法，该算法是一种单阶段目标检测算法，YOLOv5 在YOLOv4 的基础上添加了一些全新的改进思路，使它无论在速度上还是精度上都有了极大的提升。

在输入端上的改进：在模型的训练阶段，增加了自适应图片缩放、Mosai 数据增强和自适应锚框的计算。

在基准网络上的改进：融合了一些Focus 结构与CSP 结构算法的新思路。

在Neck 网络上的改进：目标检测网络在BackBone与最后的Head 输出层之间往往会插入一些层，YOLOv5 中添加了FPN+PAN 结构。

在Head 输出层的改进：输出层的锚框机制与YOLOv4 相同，主要改进的是训练时的损失函数GIOU_Loss，及预测框筛选的DIOU_nms。

2.4 YOLOv5 算法实例的分层概述

输入端：图像数据从输入端进入整个神经网络，该网络可以输入416×416，单位为像素的图像数据。该阶段主要负责图像的预处理，即将其他尺寸的图片文件缩放到神经网络要求的尺寸并进行归一化处理。

基准网络：基准网络在绝大多数时候都是一些性能优异的分类器网络，该模块用来提取图片中一些通用的特殊的特征信息。

Neck 网络：Neck 网络通常位于基准网络的中部位置，利用它可以进一步提升特征的多样性。

Head 输出端：它用来完成目标检测的输出结果。针对于不同的目标检测算法，输出端的分支数量也不完全相同，通常包含一个分类分支和一个回归分支。在YOLOv4 中利用GIOU_Loss 来代替Smooth L1 Loss函数，从而进一步提升算法的检测精度。

Mosaic 数据增强技术：在YOLOv5 中，训练模型的时候仍采用了Mosaic 数据增强技术，该技术是以算法为载体的技术，亦可以称之为Mosaic 数据增强算法。该算法是在CutMix 数据增强算法上演变而来的。CutMix 会对输入的几张图片数据进行两两拼接，而Mosaic 数据增强算法则更改为用4 张图片进行随机缩放、随机裁剪和随机排布的方式进行拼接。这样做的目的是丰富训练集的内容，训练速度大幅提升，因此使用很少的数据也可以达到不错的精度。更重要的是在模型训练阶段，对模型训练集群服务器的内存要求更低。

自适应锚框计算：在YOLO 系列算法当中，与其他算法不同的是，YOLO 算法需要预先设定长宽比例、大小比例不同的锚框。在网络训练阶段，模型在锚框所框选出的特定位置上进行输出预测，计算它与GT框之间的差距，并执行反向更新操作，从而更新整个网络的参数。在YOLOv3 和YOLOv4 中，不同模型都要自定义锚点框，而在YOLOv5 中，每次训练新的数据模型时，根据数据集的名称自适应计算结果生成自适应锚点框。

自适应图片缩放：为了方便将图片数据输入到神经网络中，经常要对输入的图片进行简单的缩放处理等一系列预处理操作，即将原始的图像数据缩放到一个固定的比例后再送入神经网络。若图形比例较为特殊，在缩放填充之后可能会出现大量重复的冗余信息，冗余信息对于模型训练有害而无利，并且拖慢模型的训练速度，甚至影响模型的精度。因此，需要将冗余的数据变为黑框，避免冗余数据的出现。

3 结论

在5C 智能分类处理机器中，垃圾分类遇到最棘手的问题就是用户不能将垃圾进行合理的分类就进行打包，然后直接投掷进入垃圾桶内，图像识别对于垃圾分类识别就束手无策了，因此，通过毫米波进行穿透性分析和隔绝环境下分析可以带来不错的效果。在毫米波雷达使用数据进行训练时，可以在一些有毒有害的物质上进行标签的特化标注，告知模型遇到类似波形该如何处理。

在5C 智能分类处理机器中，针对于垃圾袋集中投放问题还有第二类解决方案，这种解决方案似乎比前一种简单很多。在设计时加入了振动解剖刀，对该模块的普通刀头进行改进，将直流电机与连杆安装在一起，这样做的目的是让刀头在切割起来更加锋利，不会因为遇到坚硬物而受阻。市场，2017（2）：182-183.

［2］吴碧程，邓祥恩，张子憧，等.基于卷积神经网络的智能垃圾分类系统［J］.物理实验，2019，39（11）：44-49.

［3］张方超，董振，张栋，等.基于图像视觉的垃圾分类机器人识别控制系统算法设计［J］.电子测量技术，2019，42（20）：63-67.