[發(fā)明專利]一種分類垃圾桶及其控制方法

在審

• 申請?zhí)枺?/td>: 202110584050.9
• 申請日: 2021-05-27
• 公開（公告）號: CN113387073A
• 公開（公告）日: 2021-09-14
• 發(fā)明（設(shè)計）人: 謝洪途;張文浩;王舒奕;吳芊芊;王國倩
• 申請（專利權(quán)）人: 中山大學
• 主分類號: B65F1/00
• 分類號: B65F1/00;B65F1/14;B65F1/16;G10L15/22;G10L25/51
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 劉俊

1.一種分類垃圾桶，其特征在于，包括可回收垃圾桶、不可回收垃圾桶、廚余垃圾桶、有害垃圾桶、可回收垃圾桶蓋、不可回收垃圾桶蓋、廚余垃圾桶蓋、有害垃圾桶蓋、舵機A、舵機B、舵機C、舵機D、控制板、語音識別及聲源定位模塊、紅外避障模塊、攝像頭和移動底盤；可回收垃圾桶蓋與可回收垃圾桶連接，連接處安裝所述舵機A；不可回收垃圾桶蓋與不可回收垃圾桶連接，連接處安裝所述舵機B；廚余垃圾桶蓋與廚余垃圾桶連接，連接處安裝所述舵機C；有害垃圾桶蓋與有害垃圾桶連接，連接處安裝所述舵機D；可回收垃圾桶、不可回收垃圾桶、廚余垃圾桶、有害垃圾桶依次連接，安裝在移動底盤上方；語音識別及聲源定位模塊與控制板安裝在移動底盤上方與垃圾桶下方，語音識別及聲源定位模塊與控制板相連接，攝像頭安裝在移動底盤正前方，并與控制板相連接；紅外避障模塊安裝于移動底盤的左前方與右前方，并與控制板相連接。

2.根據(jù)權(quán)利要求1所述的分類垃圾桶，其特征在于，所述控制板為Raspberry Pi控制板。

3.根據(jù)權(quán)利要求1所述的分類垃圾桶，其特征在于，所述舵機A、舵機B、舵機C、舵機D均為MG996R舵機。

4.根據(jù)權(quán)利要求1所述的分類垃圾桶，其特征在于，所述語音識別及聲源定位模塊為ReSpeaker 4-Mics陣列。

5.一種如權(quán)利要求1-4任一項所述的分類垃圾桶的控制方法，其特征在于，包括以下按步驟：

S1：用戶發(fā)出語音喚醒詞，語音識別及聲源定位模塊將語音喚醒詞傳遞至控制板控制移動底盤啟動行駛，并利用紅外避障模塊運行到指定位置，用戶按下控制按鈕，啟動拍照功能，攝像頭拍攝垃圾照片，并保存在本地；

S2：控制板利用tflite模型進行垃圾種類識別，將照片與學習到的垃圾種類參數(shù)進行對比，從而獲得所檢測垃圾的類型；若未能成功識別，則分類到其他垃圾類別；

S3：控制板根據(jù)垃圾類型的識別結(jié)果，啟動舵機打開相應(yīng)類別的桶蓋，一定時間后自動關(guān)閉。

6.根據(jù)權(quán)利要求5所述的分類垃圾桶的控制方法，其特征在于，所述步驟S1中的語音識別及聲源定位模塊的工作過程是：

采用snowboy語音識別，用戶發(fā)出的喚醒詞和用戶位置，啟動respeaker4的python文件，發(fā)出角度信號angle，并通過轉(zhuǎn)換函數(shù)time＝T*angle，將角度變換對應(yīng)的高電平保持時間，T為常數(shù)，為表示轉(zhuǎn)一定角度所需的時間，通過移動底盤實際轉(zhuǎn)向測試獲得，收到角度信號，移動底盤接收到時間信號，變換為角度信號angle＝time/T，從而驅(qū)動移動底盤運動。

7.根據(jù)權(quán)利要求6所述的分類垃圾桶的控制方法，其特征在于，所述移動底盤是四電機驅(qū)動輪，實現(xiàn)原地轉(zhuǎn)向，左側(cè)驅(qū)動輪前向運動、右側(cè)驅(qū)動輪后向運動，實現(xiàn)原地左轉(zhuǎn)任一角度，由轉(zhuǎn)動時間決定移動底盤行駛；行駛過程障礙物由紅外模塊檢測，當右邊存在障礙物時，右邊紅外避障模塊輸出1，驅(qū)動底盤左轉(zhuǎn)；當左邊存在障礙物時，左邊紅外避障模塊輸出1，驅(qū)動底盤右轉(zhuǎn)；當紅外避障模塊都輸出1，表明到達目的地或有不可逾越的障礙物，移動底盤停下，啟動垃圾分類識別。

8.根據(jù)權(quán)利要求7所述的分類垃圾桶的控制方法，其特征在于，獲得垃圾分類識別結(jié)果后，控制板將控制舵機自動打開相應(yīng)垃圾桶蓋，并在5秒后自動關(guān)閉。

9.根據(jù)權(quán)利要求8所述的分類垃圾桶的控制方法，其特征在于，利用tflite模型識別垃圾種類的預(yù)訓練模型采用yolov3模型，利用keras輔助框架在訓練集上進行對yolov3模型進行訓練，設(shè)置epoch參數(shù)得到最終準確率accuracy以及損失率loss；根據(jù)結(jié)果判斷擬合程度，設(shè)置并改進yolov3網(wǎng)絡(luò)的學習率參數(shù)、改進原tflite模型的網(wǎng)絡(luò)結(jié)構(gòu)和yolov3網(wǎng)絡(luò)的損失函數(shù)和優(yōu)化算法，提高準確率以及損失率，完成識別模型中網(wǎng)絡(luò)的訓練。

10.根據(jù)權(quán)利要求9所述的分類垃圾桶的控制方法，其特征在于，tflite模型進行足夠多的訓練后，可預(yù)測新的圖片是否屬于訓練數(shù)據(jù)中的種類，即輸出相應(yīng)的概率矩陣，每個概率對應(yīng)訓練數(shù)據(jù)中的一個標簽，概率明顯占優(yōu)的標簽即為模型所預(yù)測的分類，在識別過程中，輸入一張測試圖片，tflite模型將會輸出對應(yīng)的標簽序號k，其中，0≤k≤39，并通過序號輸出識別分類的結(jié)果。