Recycling Sorteerrobot Aangedreven door Google Coral Edge TPU

Wist je dat contaminatiepercentages in recyclingfaciliteiten tot 25% kunnen oplopen? Dat betekent dat één op de vier items nooit in de recyclingstroom komt, voornamelijk door menselijke fouten tijdens het sorteren. Naarmate klimaatverandering erger wordt, is het verminderen van contaminatie cruciaaler dan ooit. Onze oplossing – een autonoom sorteerrobot die Google Coral Edge TPU en machine-learning objectdetectie gebruikt – snijt contaminatiepercentages drastisch terwijl operationele kosten worden verlaagd.

Demo

Code Repository

Kloon het volledige project op GitHub om mee te volgen.

Stap 1: Dataset Verkrijgen

Het trainen van een nauwkeurig objectdetectiemodel vereist een diverse set gelabelde afbeeldingen. We gebruikten de TrashNet dataset, die 2.527 afbeeldingen over zes klassen bevat:

• Glas – 501 afbeeldingen
• Papier – 594 afbeeldingen
• Karton – 403 afbeeldingen
• Plastic – 482 afbeeldingen
• Metaal – 410 afbeeldingen
• Afval (niet-recycleerbaar) – 137 afbeeldingen

De dataset is beschikbaar voor download op Google Drive. Voor snelle training, download het vooraf-geresizeerde archief (dataset-resized.zip). Als je liever zelf wilt resizen, gebruik dataset-original.zip.

Stap 2: Afbeeldingen Labelen

We gebruikten labelImg om bounding boxes om elk object te annoteren. Bounding boxes moeten strak om elk item passen om modelnauwkeurigheid te maximaliseren. Alle annotatiebestanden (.xml) worden opgeslagen in een speciale map. Als labelen te lang duurt, download ons vooraf-geannoteerde dataset hier.

Stap 3: Model Trainen

We gebruikten TensorFlow's transfer-learning pipeline met de MobileNet-SSD v2 (COCO) backbone, die volledig compatibel is met de Coral Edge TPU. Training kan lokaal of in de cloud worden uitgevoerd. Lokale training is eenvoudig maar langzamer; voor versnelde resultaten, gebruik Google Cloud TPU of AWS GPU-instanties volgens Google's tutorial of de EdjeElectronics gids.

Stap 4: Compileren voor de Coral Edge TPU

Na training, exporteer het model als een frozen graph (.pb), converteer het dan naar TensorFlow Lite met post-training kwantisering. Ten slotte, compileer het TFLite-model naar een Edge TPU-binaire met edgetpu_compiler. Voor volledige instructies, zie de Edge TPU compiler documentatie.

Stap 5: Deployen op Raspberry Pi

Stel een Raspberry Pi 4 in met de Coral USB Accelerator en de Raspberry Pi Camera Module volgens de officiële setup-gids. Eenmaal klaar, voer uit:

python test_detection.py \ --model recycle_ssd_mobilenet_v2_quantized_300x300_coco_2019_01_03/detect_edgetpu.tflite \ --labels recycle_ssd_mobilenet_v2_quantized_300x300_coco_2019_01_03/labels.txt 

Een live-venster toont detecties; druk q om af te sluiten.

Stap 6: De Robotarm Bouwen

De arm is een 3D-geprinte, zes-graads-vrijheid manipulator afkomstig van Thingiverse. Volg de montage-instructies en Verbind de servo's in de volgende volgorde (onder naar boven): 3, 11, 10, 9, 6, 5. Upload basicMovement.ino naar de Arduino om grijpen en plaatsen te testen.

Stap 7: RPi en Arm Integreren

Monteer de camera aan de basis van de klauw van de arm om perspectiefvervorming te minimaliseren. Upload roboticArm.ino naar de Arduino, verbind dan de Raspberry Pi met de Arduino via USB om seriële communicatie te vestigen. Configureer de seriële poort in de Arduino-code om te matchen met de Pi's /dev/ttyUSB0 interface.

Stap 8: Afronding

Verpakt de elektronica in een aangepaste projectbehuizing voor veiligheid en esthetiek. Een afgeronde build ziet er zo uit:

Vooraf Getraind Model

Als je de training wilt overslaan, download ons klaar-om-te-deployen model hier.

Door machine learning op de Coral Edge TPU te benutten, levert deze robot nauwkeurige, lage-contaminatie sortering op een fractie van de kosten van handmatige arbeid.