[发明专利]一种基于ZYNQ的实时智能垃圾自分类系统

说明书

本发明公开了一种基于ZYNQ的实时智能垃圾自分类系统，该系统包含一个摄像头、两个主板和一个垃圾桶。本发明在第一主板上设置了图像采集模块和图像预处理模块，实现图像的采集和预处理。在第二主板上设置了LeNet‑5卷积神经网络垃圾分类模块和垃圾桶控制信号生成模块，实现垃圾的实时分类。经过测试，本发明提出的智能垃圾自分类系统使用更少的硬件资源和更简单的神经网络实现了93％的准确率。本发明解决了以前设计方案中分类实时性差，功耗高和计算资源占用率大的问题，满足了日常生活垃圾分类应用的实时性、低功耗和低成本的需求，具备很好的实用性。

技术领域

本发明涉及日常生活垃圾自动化、智能化分类的技术领域，具体指一种基于ZYNQ的实时智能垃圾自分类系统。

背景技术

工业革命至今，人类文明的不断进步推动城市化的快速改革，期间人口、科技、工业化等水平均处于快速发展的阶段，随之而来的是严重的环境污染。研究表明，2025年全球范围内每年的固体垃圾将达到22亿吨，垃圾处理的费用将达到3755亿美元。由人类各类生活和生产活动而产生的固体垃圾逐年增加，已经达到威胁环境和人类健康水平的数量。而垃圾的不正当处理也会造成严重的环境污染，进而影响到人类的身体健康。城市固体垃圾的处理是垃圾处理最主要的成分之一，针对于城市固体垃圾，回收已是日常生活中常见且有效的处理方式。

垃圾被认为是被丢弃的资源，对可回收垃圾的分类回收、处理、再利用，以及对不可回收垃圾的分类处理不仅能缓解当前环境污染的问题，还能提升资源的利用率，节省自然资源的消耗。在垃圾处理及二次利用的过程中，分类是最为关键的步骤。按照传统的垃圾分类方法，垃圾可被粗分为可回收垃圾和不可回收垃圾两大类；进一步，垃圾还可根据外观、材料、化学和物理等性质细分为塑料、金属、纸、果皮等多个类别。一般的垃圾分类过程需要设置多个垃圾桶，依靠人们的意识将不同类别的垃圾投入到对应的垃圾桶中。由于该过程极大的依赖于人们的自觉意识和垃圾分类意识，因此传统的垃圾分类无法取得很好的效果。随着物联网、计算机科学以及图像处理等先进技术的出现，通过传感器实时检测垃圾的物理、化学等性质进行垃圾分类或通过图像处理的方法进行垃圾分类均可以提高分类的精度和细度。但前者由于垃圾的种类繁多、属性复杂，需要不同种类的传感器支撑，会大大增加该分类方法的成本；后者则由于图像处理的数据量大，算法复杂，需要高性能、高功耗的计算设备支持，无法满足垃圾分类的实时性和低功耗的要求，此外，由于传统图像处理算法的精度较低，无法对垃圾进行更为精细的分类。

随着计算机处理能力的不断提升，人工智能引来了它的高潮。其中深度学习算法的性能尤为突出。深度学习是一种机器学习形式，使计算机能够从经验中学习，深度神经网络是它的典型代表。深度神经网络例如卷积神经网络CNN，在图像分类、图像处理、计算机视觉等方面有着突出的表现。因此，很多研究者开始研究它在垃圾分类方面的应用，以求通过深度神经网络的自学习能力，学习垃圾图像的特征，从而实现垃圾的高精度、高细度分类，提高垃圾分类的效率和准确率，解决当前人为垃圾分类造成的效率低、效果差的问题，进一步做好垃圾的处理、回收工作。

由于深度神经网络计算复杂，运算量大，蕴含大量的累乘加操作；因此，需要高性能计算设备例如CPU、GPU、TPU等的支持。而CPU由于串行执行的特点运算速度较慢，GPU功耗、成本较高，TPU更是一种高成本的计算核心。因此，上述计算设备虽能运行深度神经网络模型，满足日常生活垃圾分类应用的准确率要求，但无法满足日常生活垃圾分类应用低成本、低功耗和高实时性的要求。

发明内容

本发明的目的是为了克服上述深度神经网络模型在垃圾分类的实际应用场景中高成本、高功耗和低实时性等缺点，提供一种基于ZYNQ的实时智能垃圾自分类系统，该系统解决了现有的基于深度神经网络垃圾智能分类系统无法满足日常生活垃圾实时分类应用的准确率、实时性、低功耗和低成本的要求。

实现本发明目的的具体技术方案是：