1.作品描述
废品回收一直是环境保护、资源回收和社会民生的重要问题。为提升可回收物的资源利用率，本作品设计了一款基于深度学习的智能垃圾分类系统，主要包括用户软件和分拣设备两大部分，其中用户软件用于可回收物计费及分类信息可视化，分拣设备将常见的可回收物进行分类归箱。
用户软件利用PyQt技术开发界面，实现投放过程的信息可视化；利用物联网技术实现用户IC卡的计费管理，根据用户投放的垃圾，给予用户经济回报。分拣设备以树莓派4B+板卡为中央控制器，基于Tensorflow框架，使用ResNet-50模型进行图像特征提取及分类，利用余弦退火和迁移学习策略对模型进行优化改进，实现高精度可回收物识别；考虑计算与存储需求，采用云部署方式，利用Flask技术将模型预测直接打包成http接口，通过TCP网络通讯技术实现树莓派和云端服务器数据的交互，实现快速识别；利用可编程引脚传递脉冲信号，以驱动器为媒介，通过编程进行86电机的调速与定位，进而控制方形滑板角度实现分类收集；
经测试，用户软件人机交互效果好，收益计算准确无误，后台数据更新速度快。分拣装置使用云部署识别速度为0.114s/次，识别精度为97.42%。系统运行稳定，垃圾分类工作效率高，且硬件成本低廉，具有良好的市场前景。
2.创意来源
可回收物的无序堆积直接导致了末端分拣工作的高强度负荷，是垃圾分类的一大难题。根据《城市生活垃圾分类及其评价标准》行业标准，可回收垃圾有织物、玻璃、金属、塑料和纸五种类别。社区中往往设有专门回收箱，用于二次利用织物资源；玻璃由于易导致人们受伤，常被单独存放。而其他三类，则是无序堆放的重点对象。现行方法中，进行人工二次分拣耗时耗力，在累积量大时只能选择直接焚烧，回收效率低下；利用高光谱技术和机械手臂进行分拣精度高且速度快，但硬件成本高且并行操作时易磨损，维护难度大；将垃圾送至废品回收站，存在站点有限、距离远和空间局限性等问题，也只是杯水车薪。人工智能方法在分拣中表现出良好性能，但配套设施成本高。针对此，在前端设施中利用人工智能技术进行一次分拣是一个可行方案，但仍缺少一种低成本、高效率的硬件载体和实施方案。针对持续增加的可回收物堆放问题，团队着眼于垃圾分类中可回收物的一次分拣过程，旨在利用深度学习技术实现可回收物的高效回收利用。
3.运行环境
处理器 i5 -4210M 四核，2.60GHZ
树莓派 4B+双核，1.80GHZ，内存4G
操作系统 Ubuntu
