描述

SeparAItor 是一個自主回收機器人的概念證明，它利用深度學習的力量來增強人類在一項既至關重要又嚴重未被充分利用的任務中的能力（大約 9% 的塑料廢物被回收，79% 進入垃圾填埋場或到環境）。

由于回收主要是一種分類工作，而深度學習的主要應用之一是對不同圖像進行分類，因此這是一個非常自然的過程。Keras（在TensorFlow2中）用于機器學習部分，主要是因為它的簡單性，以及一些用于圖像預處理的OpenCV。

根據

底座由一個簡單的平移和傾斜系統組成，頂部有一個盒子。它通過藍牙與計算機通信，并由板載電池供電，因此執行器部分是完全獨立的。Lazy Susan 轉盤軸承和 608zz 軸向軸承為系統提供了機械穩定性。

為了簡化電子設備，使用兩個伺服系統來控制底座，因此搖攝伺服系統的齒輪與底座中的齒輪之間的比例為 2:1，以便能夠旋轉 360 度。

最后，兩個超級粘性的防滑硅膠墊（例如用于將手機固定在汽車儀表盤上的墊子）既用于支撐頂部的紙板箱，又用于將底座牢牢固定到位并防止其旋轉和移動左右滑動。

?

?

訓練

組裝好底座并設置好 cental 相機后，下一步就是數據集采集。雖然我最初從互聯網上下載圖像進行訓練，但這些圖像要么是渲染圖，要么是旨在銷售產品的具有專業外觀的圖片，通常只顯示帶有徽標的一面。因為我需要讓它與現實生活中的物體一起工作，所以我認為最好的方法是在真實條件下拍照。

使用“take_picture, py”腳本，我可以通過按鍵保存圖片。這些圖像首先被預處理以將它們調整到足夠的尺寸，然后去除它們的背景，只保留圖像的相關部分用于訓練。

最后，由于添加一個對象不僅會改變該部分，還會產生陰影并使底座傾斜，因此只有最大的單個斑點被視為對象的一部分。

?

?

由于這種以不同角度重復添加對象的方法非常耗時，我只為六個類別中的每個類別拍攝了 300 張圖像，這使得數據集非常小。為了彌補這一點，我使用預訓練的 VGG19 網絡作為網絡的卷積部分，并使用 K 折交叉驗證來更好地了解訓練過程。

最后，由于最后一種方法涉及創建模型的多個實例并將其加載到 GPU 中，如果以順序方式運行，后者會很快耗盡內存，因此每個折疊都在不同的進程中運行，以便能夠釋放迭代之間的 VRAM。

?

?

排序

一旦神經網絡表現得相當好，只需編寫一些代碼來完成系統。通過藍牙連接到串口后，腳本加載訓練好的模型并初始化相機。

這里也使用了MOG2背景減法器來檢測圖像中的運動，這表明添加了新的物體，一旦出現下降沿（之前檢測后沒有發現運動，物體不再運動）圖像是已處理并標識了類別以及相應的 bin。

然后將此信息發送到基地，基地會將物品放入正確的垃圾箱中，并在完成后發送一條消息。然后更新空托盤的背景圖像，系統準備好進行新的檢測。

?