基于AI识别的医疗废物分拣机器人控制设计

基于AI识别的医疗废物分拣机器人控制设计第1章绪论1.1研究目的及意义利用AI视觉检测系统进行医疗废弃物分拣，可以方便医疗废弃物的分拣，增加其效率。开发一款基于AI识别的医疗废物分拣机器人，可以学习到医疗废弃物，并且通过对废弃物的识别，可以完成相应的操作。典型的机器视觉检测系统包括相机、镜头、光源、工控机、图像处理系统、执行机构、被测物等[1]。其检测原理是通过相机对被测对象进行图像拍摄，然后将图像数据传送至图像处理系统。图像处理系统通过检测算法对图像进行特征提取、识别，输出检测结果并执行相应操作[2]。机器视觉检测在工业领域具有广阔的市场空间，主要应用场景包括物品的分拣、目标识别、目标定位和目标测量等等[3]。组织机构与管理制度形同虚设。有些医院虽然成立了医疗废物管理组织和管理制度,但在执行方面存在诸多问题,表现在人员配制及资金投入等明显不足；分类收集管理不完善、回收交接制度不严格[4]。医疗废物分类收集是实施医疗废物无害化管理的关键环节,未按规定进行严格的医疗废物分类而与生活垃圾混放;在废物；医护人员对疗废物管理处置的重要性认识不够。医院对医疗废物处置的宣传、教育力度不够,医护人员对分类、安全防护以及应急处理等知识缺乏[5]。中国分拣机器人正呈现出智能化、集成化、小型化、柔性化的发展趋势,强调人机交互更加智能、传感视觉技术更加集成、体型结构更加轻便小型、操作形式更加柔性[6]。本项研究方向正是解决大量问题的自动分拣工作的实干型研究，而这也是今后研究的必然趋势，大环境下本项目必定有所成就[7]。1.2国内外研究现状当前国内外对于AI视觉技术的研究有着很大的进步，由于国外发展相对早，对于AI视觉技术的研究也比我们早，所以国外对于AI视觉技术有着更加强大的开发能力，但是国内也不断的对AI技术进行开发，取得了相对大的进步，在医疗废弃物的分拣中采用该技术可以提高医疗废弃物的分拣效率[10]。2021年，周哲画在《医疗废物自动分拣装置》文中谈到基于树莓派为核心的医疗废物分拣装置，采用OV2640摄像头和HuskyLens视觉模块结合对图像进行采集和分析处理，利用YOLOv3目标检测算法，通过机器学习实现对医疗废物的识别，利用舵机驱动引导板控制舵机实现对医疗废弃物进行分类[11]。2019年，赵明、刘超、陈捷、洪荣晶、秦钟伟在《基于AI机器视觉的产品识别与分拣系统》文中讲到，工件通过光电传感器检测识别，每个工件通过包装盒包装，通过对包装盒上二维码和包装盒颜色将工件分拣为优质品、合格品两类类，分别放入对应的储存箱中。通过MCGS环境进行系统界面设计，明确其界面操作过程。经试验调试表明，系统运行良好，达到了研制预期[12]。2021年，贺泓博在《医疗废弃物识别与分拣垃圾箱设计》文中介绍了传统的医疗废弃物的分类方式主要是将不同废弃物分别放置在具体的固定位置，依靠固定的医疗卫生场所和医疗废物分类处理配套设施来进行废弃物的分类、回收、处理[13]。2020年，RishabhKansal;LavanyaYadav;AjuD在《WasteSortingMobileApplicationforInteractiveAIBasedWasteManagementSystem》文章中讲到医疗废弃物中锐器及玻璃制品居多，分类过程复杂且需要医疗人员的参与，如若处理不当会增加医疗人员暴露、造成医疗废弃物污染等问题的出现[14]。2019年，FAbdoulaye;EElisante;TMwinuka;JKatima在《Alternativestothebiomedicalwasteincinerationinthetreatmentandwastesortingsysteminthechain》文中讲到在现代工业自动化生产中，涉及到各种各样的产品质量检测、工件分拣、模型识别等应用，例如工件批量加工的尺寸检查、元件自动定位和分拣、IC上的字符识别等[15]。2021年，Md.UzzalHossain;;ZezhouWu在《ComparativeenvironmentalevaluationofconstructionwastemanagementthroughdifferentwastesortingsystemsinHongKong》文中谈论到当前国外对于AI视觉技术的发展状况，借助AI视觉技术，可以在食品生产中，完成产品合格与次品分拣的控制[16]。综上所述，对于当前的社会发展，国内外都对AI视觉技术有着较大的研究，在医疗废弃物的分拣过程中，采用该技术，可以完成医疗废弃物的自动分拣。因此，设计一种基于AI识别的医疗废物分拣机器人，可以完成医疗废弃物的自动分拣[17]。1.3主要研究内容本课题设计了一套基于AI识别的医疗废物分拣机器人设计。控制系统通过人机交互界面设定医疗废弃物的分拣界面、实时检测医疗废弃物画面。在医疗废弃物的分拣过程中，机器可以自我学习，可以完成医疗废弃物的的分类学习，当医疗废弃物经过时，系统可以辨别医疗废弃物的种类，检测过程中由舵机完成医疗废弃物的分拣，分拣操作主要是靠舵机的旋转完成，如果是医疗废弃物1，那么舵机360度向左旋转，如果是医疗废弃物2那么舵机360度将向右旋转，最终可以完成整个医疗废弃物中的分拣。

第2章系统的总体结构2.1设计方案本设计方案旨在实现一种基于人工智能（AI）的医疗废物分拣机器人，以提高医疗废物管理的自动化和分类水平。设计方案主要包括以下几个关键步骤：硬件选择和搭建：选择适当的硬件平台，基于K210微控制器的机器人底盘。搭建机器人底盘并集成必要的传感器和执行器，包括图像传感器、舵机和容器等。数据采集和预处理：使用图像传感器获取医疗废物的视觉信息。通过摄像头或者其他合适的图像采集设备，获取废物的图像数据。对图像数据进行预处理，包括去噪、图像增强和裁剪等，以提高后续的分类准确性。深度学习模型训练：构建深度学习模型，例如卷积神经网络（CNN），用于医疗废物的分类。准备大量的标注数据集，包括不同类型的废物图像。通过训练模型，使其能够学习和识别不同类型的医疗废物，并具备较高的分类准确性。实时分类和分拣：将预处理后的图像数据输入到训练好的深度学习模型中，实现对医疗废物的实时分类。根据分类结果，控制机器人的机械臂将废物放置到相应的容器中。通过适当的算法和控制策略，实现准确而高效的分拣过程。系统集成和优化：将深度学习模型和机器人控制系统进行集成，并进行整体优化。确保系统的稳定性和可靠性，优化算法和参数，以提高分拣的准确性和效率。同时，考虑机器人的安全性和人机交互性，设计合适的界面和保护措施。通过以上设计方案，基于AI的医疗废物分拣机器人能够实现自动化的废物分类和分拣，提高废物处理的效率和安全性。它能够准确识别不同类型的医疗废物，并将其放置到相应的容器中，为医疗机构提供更便捷和可靠的废物管理解决方案。2.2功能需求分析2.2.1技术路线（1）硬件部分需要单片机K210、传感器、舵机。（2）软件平台程序用keil5；（3）画原理图用AD；（4）编程语言用C语言；（5）用户信息显示查看；

2.2.2预期结果（1）系统实时显示监测到的画面；（2）系统可学习医疗废物；（3）系统可对检测到的医疗废物进行分拣；（4）检测到医疗废物1,360度舵机左转进行分拣；（5）检测到医疗废物2,360度舵机右转进行分拣；2.3总体方案设计第一：理论知识准备阶段，理解设计课题，认真研究课题所涉及到的内容，能够较好的掌握有关题目的知识；第二：确定系统各个模块，理清各个模块之间的关系，收集相关得到软硬件资料；第三：规划课题，确定系统组成结构，勾画出大体系统框架并在结构框架的基础上提出原理框图；第四：利用软件完成硬件电路部分设计并画出各部分电路图，将系统部件通过接口电路集合在一起，并画出电路图；第五：根据系统控制过程完成软件设计部分，绘制出主流程图；第六：进行模拟仿真，检查系统是否能够按照要求实现控制功能，整理论文。2.4单片机型号选择基于AI识别的医疗废物识别分拣系统的K210单片机，K210单片机和其他单片机对比，K210单片机是一种基于RISC-V架构的高性能处理器，广泛应用于嵌入式AI应用。与其他单片机相比，K210具有一些独特的特点和优势。AI处理能力：K210单片机具备强大的AI处理能力，内置的AI协处理器可以高效地执行深度学习计算任务。它支持常见的神经网络模型，可以实现快速的图像识别和分析。性能和资源：K210单片机拥有较高的主频和更多的内存资源，可以支持复杂的算法和大规模的数据处理。它通常具有双核心处理器，高速外设接口，以及丰富的外设功能（如GPIO、PWM、ADC等）。这使得K210能够处理更多的任务和数据，并提供更灵活的系统扩展能力。开发环境和工具支持：K210单片机提供了完善的开发环境和工具链。相比之下，其他单片机的开发环境和工具支持可能相对有限。成本效益：相较于一些专用的AI处理器或嵌入式计算平台，K210单片机具有较低的成本。它可以提供与其他单片机相当的性能和功能，但价格更为经济实惠。综上所述，K210单片机在AI处理能力、性能、资源、开发环境、低功耗特性和成本效益等方面具备优势，使其成为基于AI识别的医疗废物识别分拣系统等应用的理想选择。然而，在选择单片机时，仍需要考虑具体应用需求、资源限制和开发团队的经验等因素，以确保选用最合适的解决方案。主控制芯片选择K210单片机。K210是嘉楠（ Can na an）科技的一款集成机器视觉与机器听觉能力的系统级芯片( RSI C-V  CPU)。使用台积电(T SMC)超低功耗的28纳米先进制程，具有双核64位处理器，拥有较好的功耗性能，稳定性与可靠性。该方案力求零门槛开发，可在最短时效部署于用户的产品中 ，赋予 产品人 工智 能（ AI） 。可 以 说是集 性能强 劲与高 性 价比于 一身。 K2 10 号称 最强单 片 机，其 最突出 的特点 是 可以达 到1T OP S算 力，这 是树莓 派 4无法 比拟的 ，所以 目 前用它 来做视 觉方 面的 项目是 最佳的 选 择。O pen MV提 供 了机器 视觉功 能最 核心 和最复 杂的部 分 （包括 硬件和 核心算 法 ），使 用者们 可以 把自 己的精 力放在 自 己的想 法和产 品设计 上 ，实现 自己的各种创意。原理图如下。图2-1K210单片机最小系统原理图

第3章系统的硬件部分设计3.1系统的总体设计控制系统通过人机交互界面设定医疗废弃物的分拣界面、实时检测医疗废弃物画面。在医疗废弃物的分拣过程中，机器可以自我学习，可以完成医疗废弃物的的分类学习，当医疗废弃物经过时，系统可以辨别医疗废弃物的种类，检测过程中由舵机完成医疗废弃物的分拣，分拣操作主要是靠舵机的旋转完成，如果是医疗废弃物1，那么舵机360度向左旋转，如果是医疗废弃物2那么舵机360度将向右旋转，最终可以完成整个医疗废弃物中的分拣。总体原理图如下。图3-1系统总体原理图

3.2系统的主要模块设计3.2.1LCD显示屏模块设计为了实现基于AI识别的医疗废物识别分拣系统，需要设计一个LCD显示屏模块，用于实时显示系统的运行状态、识别结果和操作界面。LCD显示屏模块是基于AI识别的医疗废物识别分拣系统的重要组成部分之一。它的主要功能是提供直观的视觉界面，以便用户可以实时监控系统的运行状态和识别结果。该模块采用了液晶显示技术，具有高分辨率和色彩还原能力。LCD显示屏模块的设计考虑了系统对清晰度和可视性的需求。显示屏采用了高分辨率的液晶面板，可以呈现细节丰富、清晰锐利的图像和文字。此外，模块还配备了背光源，以保证在各种环境光照条件下的可视性和对比度。为了满足系统的交互需求，LCD显示屏模块支持触摸功能。它配备了电容式触摸屏技术，用户可以通过触摸屏进行界面操作和功能选择。触摸屏的精准度和灵敏度可以提供良好的用户体验和操作便捷性。该显示屏模块还具备多语言和多界面显示的能力。它支持在界面上显示不同语言的文字和图标，以满足不同用户的语言需求。此外，模块还支持界面的自定义设置，可以根据用户的偏好和需求进行界面的调整和布局。LCD显示屏模块还具备可靠的驱动和控制机制。它采用了专用的显示控制芯片，用于管理显示屏的刷新和数据传输。该芯片具备快速响应和稳定性的特点，以确保显示内容的流畅和稳定。综上所述，基于AI识别的医疗废物识别分拣系统的LCD显示屏模块是一个关键的组件，它提供了直观的视觉界面和交互功能，以便用户可以实时监控系统的运行状态和识别结果。该模块的设计考虑了系统对清晰度、可视性、触摸功能和多语言显示的需求，并采用了高分辨率液晶面板和可靠的驱动机制，以提供优质的显示效果和用户体验。液晶是一种在一定温度范围内呈现既不同于固态液态又不同于气态的特殊物质态，它既具有各向异性的晶体所特有的双折射性又具有液体的流动性液晶显示器件(英文的简写为LCD)就是利用液晶态物质的液晶分子排列状态在电场中改变而调制外界光的被动型显示器件。点阵式图形液晶显示屏是LCD的一种能够动态显示图形汉字以及各种符号信息为各种电子产品提供了友好的人机界面点阵式图形液晶显示屏的主要特点如下(这些特点也就是LCD的特点):工作电压低、微功耗、体积小、可视面积大、无电磁辐射、数字接口寿命长等特点。12864LCD液晶显示模块是一款4位/8位并行、2线或3线接口方式，内部含有国际一级、二级简体中文字库的图形点阵液晶模块。显示分辨率为128*64，内置8198个16*16点汉字，和128个16*8点ASCII字符集。该型号液晶模块具有接口方式简单，指令操作便捷的特点，可构成全中文人机交互图形界面。可显示8*4行16*16点阵的行字，也可完成图形显示。 ‎LCD12864分为带中文字库和不带中文字库两种，有并行传输和串行传输两种方式通常并行速度快。从电源地开始引脚依次为：电源地、电源正。

其原理图如下所示。图3-2LCD显示屏模块原理图3.2.2TF内存卡模块设计TF卡即是T-Flash全名（TransFLash，2004年更名为MicroSDCard)的缩写出,这是Motorola与SanDisk共同推出的最新一代的记忆卡规格，它采用了最新的封装技术，并配合SanDisk最新NANDMLC技术及控制器技术。大小(11mmx15mmx1mm)，约等于半张SIM卡，Trans-FlashCard为SDCard产品成员的一员,附有SD转接器，可兼容任何SD读卡器，TF卡可经SD卡转换器后，当SD卡使用。T-Flash卡是市面上最小的闪存卡,适用于多项多媒体应用.Trans-flash产品采用SD架构设计而成,SD协会于2004年年底正式将其更名为MicroSD，已成为SD产品中的一员。基于AI识别的医疗废物识别分拣系统的TF内存卡模块设计：TF内存卡模块是基于AI识别的医疗废物识别分拣系统的重要组成部分之一。它的主要功能是提供高速、大容量的存储，以便存放庞大的AI模型和训练数据。该模块采用了先进的技术，以满足系统对快速数据读取和写入的需求。TF内存卡模块的设计基于TensorFlow框架，它支持AI模型的训练和推理。模块内部采用高速闪存芯片作为存储介质，以实现快速的数据读写操作。内存卡模块还配备了专用的控制芯片，用于管理存储器的读写操作和数据传输。为了满足系统的大容量需求，TF内存卡模块采用了高密度的存储芯片，可以提供几十到上百GB的存储容量。此外，模块还支持热插拔功能，用户可以方便地更换内存卡，以便进行不同任务的存储和处理。TF内存卡模块还提供了可靠的数据保护机制，包括错误校验和纠正码（ECC）以及备份存储等功能。这些机制可以保证数据的完整性和可靠性，减少因存储介质故障引起的数据丢失风险。此外，TF内存卡模块还支持高速接口标准，如PCIe和NVMe，以实现与其他系统组件的快速数据交换。这样，AI模型的训练和推理可以更加高效地进行，提高整个系统的性能。综上所述，基于AI识别的医疗废物识别分拣系统的TF内存卡模块是一个关键的组件，它提供了高速、大容量的存储和可靠的数据保护机制，以支持系统的正常运行。该模块的设计考虑了系统对高速数据读写和大容量存储的需求，并采用了先进的技术和接口标准，以实现高性能和高效率的数据处理。原理图如下。图3-3TF内存卡模块原理图

3.2.3GC0328摄像头模块设计为了实现基于AI识别的医疗废物识别分拣系统，需要设计一个GC0328摄像头系统，用于获取图像数据并传输给AI模型进行识别和分拣。GC0328摄像头系统是基于AI识别的医疗废物识别分拣系统的关键组件之一。它的主要功能是采集物体图像数据，以供AI模型进行识别和分拣操作。该摄像头系统采用了GC0328型号的摄像头传感器，具有高分辨率和良好的图像质量。GC0328摄像头系统的设计考虑了系统对高清图像的需求。摄像头传感器使用了先进的CMOS图像传感器技术，具备较高的像素密度和动态范围，能够捕捉细节丰富的图像。此外，该摄像头系统还采用了高性能的图像处理芯片，用于提升图像的清晰度和色彩还原效果。为了适应医疗废物分拣环境的需求，GC0328摄像头系统具备良好的光线适应能力。它采用了自动曝光控制和自动白平衡技术，可以根据环境光照条件自动调整图像参数，保证图像质量的稳定性和一致性。该摄像头系统还支持高速数据传输，以满足实时识别和分拣的要求。它采用了高速串行接口（如MIPICSI）与主控制器连接，以实现快速的图像数据传输和处理。这样，AI模型可以及时获取图像数据并进行实时分析，提高系统的响应速度和准确性。此外，GC0328摄像头系统还具备小型化和低功耗的特点，方便集成到医疗废物识别分拣系统中。它采用紧凑型设计和低功耗芯片组，以满足系统对体积和能源的限制。综上所述，基于AI识别的医疗废物识别分拣系统的GC0328摄像头系统是一个关键的组件，它提供了高分辨率、高性能和实时数据传输的功能。该系统的设计考虑了医疗废物分拣环境的需求，具备良好的图像质量、光线适应性和小型化特点，以支持系统的正常运行。GC0328摄像头具有20 ‎0万像素(1632x1232像素)，其体积小、工作电压低，提供单片UXGA摄像和影像处理器的所有功能。通过SCCB总线控制，可以输出整帧、子采样、取窗口等方式的各种分辨率10位采样数据。该产品UXGA图像最高达到15帧/秒。用户可以完全控制图像质量、数据格式和传输方式。所有图像处理功能过程包括伽玛曲线、白平衡、饱和度、色度等都可以通过SCCB接口编程。OmmiVision图像传感器应用独有的传感器技术，通过减少或消除光学或电子缺陷如固定图案噪声、托尾、浮散等，提高图像质量，得到清晰的稳定的彩色图像。

原理图如下。图3-4GC0328摄像头模块原理图3.2.4舵机分拣模块设计分拣模块主要是通过SG-90舵机实现的。舵机是一种位置（角度）伺服的驱动器，适用那些需要角度不断变化并可以保持的控制系统。舵机上有三根线，分别是GND（棕色线）、VCC（红色线）和SIG（黄色线），也就是地线、电源线和信号线。舵机通过接收PWM信号，使其进入内部电路产生一个偏置电压，触发电机通过减速齿轮带动电位器移动，使电压差为零时，电机停转，从而达到伺服的效果。即给舵机一个特定的PWM信号，舵机旋转到特定角度。控制电路板接受来自信号线相应的PWM控制信号，进而控制电机转动，电机带动一系列齿轮组，减速后传动至输出舵盘。舵机的输出轴和位置反馈电位计是相连的，舵盘转动的同时，带动位置反馈电位计，电位计将输出一个电压信号到控制电路板，进行反馈，然后控制电路板根据所在位置决定电机的转动方向和速度，从而达到目标停止。原理图如下所示。图3-5舵机模块原理图工作原理：SG90舵机模块内是有控制电路的，控制信号通过信号线输入到内部的控制电路中，调制芯片将输入的信号进行调制，获得直流偏置电压。然后再由内部的基准电路产生周期为20ms，宽度为1.5ms的基准信号，将直流偏置电压和电位器电压进行比较，从而获得输出的电压差。由电压差控制舵机的转动，这个电压差的正负控制舵机正反转。高电平宽度和SG90舵机的转动角度的关系如下：0.5MS0度;1.0MS45度;1.5MS90度;2.0MS135度;2.5MS180度。3.2.5按键输入模块设计在矩阵键盘按键较多时为了减少IO口的运用，通过按键排列成矩阵的方式，采用逐行或者是逐列扫描，就可以读出按键的状态。扫描的概念:数码管扫描(输出扫描)原理:显示第一位>显示第二位，然后循环这个过程最终实现所有数码管同时点亮的效果。矩阵按键扫描(输入扫描)原理:扫描第一行>扫描第二行>>>>>扫描第一列>>扫描第二列得出按键位置。原理图如下。图3-6按键输入模块原理图

第4章系统的软件设计4.1软件的主要流程当医疗废弃物经过时，系统可以辨别医疗废弃物的种类，检测过程中由舵机完成医疗废弃物的分拣，分拣操作主要是靠舵机的旋转完成，如果是医疗废弃物1，那么舵机360度向左旋转，如果是医疗废弃物2那么舵机360度将向右旋转，最终可以完成整个医疗废弃物中的分拣。软件流程为：系统对两种医疗废物进行学习，然后开启实时显示监测到的画面，经过刚才的学习系统可对检测到的医疗废物进行分拣，检测到医疗废物1,360度舵机左转进行分拣；检测到医疗废物2,360度舵机右转进行分拣。全程将由显示屏显示，方便监测管理。工作流程图如下。图4-1总体工作流程图

4.2LCD显示屏模块软件设计当单片机初始化完成后，系统开始正常工作。LCD显示屏会收到来自单片机的摄像头实时画面，以进行远程监控。工作流程图如下。图4-2LCD显示屏模块工作流程图

4.3TF内存卡模块软件设计当单片机初始化完成后，系统开始工作。摄像头开始对画面进行采集随后发送给单片机，单片机经训练后可识别分辨两种类型的医疗废物，进行工作时对分拣的医疗废物进行拍照，随后TF内存卡开始对录像和照片进行储存，以便日后查看，方便管理。工作流程图如下。图4-3TF内存卡模块工作流程图

4.4GC0328摄像头模块软件设计当单片机初始化完成后，系统开始工作。摄像头将实时拍摄并发送画面给单片机，单片机经过事先的学习，可对摄像头拍摄出的画面进行识别和分辨，随后进行相应处理。工作流程图如下。图4-4GC0328摄像头工作流程图

4.5舵机模块软件设计当系统初始化完成后，开始正常工作。摄像头拍摄照片给单片机进行识别，若识别到是第一种医疗废物，则舵机进行360度向左翻转，若是第二种医疗废物则360度向右翻转，以此进行分拣动作。工作流程图如下。图4-5舵机模块工作流程图

4.6按键输入模块软件设计当系统初始化完成后，开始正常工作。按下不同按键分别执行不同功能。工作流程图如下。图4-6按键输入模块工作流程图

第5章系统测试5.1系统实物图这一创新性的设计旨在提高医疗废物处理的效率和准确性。这个机器人能够自主地识别、分类和分拣不同类型的医疗废物，从而确保它们得到适当的处理，减少环境污染和健康风险。机器人采用了先进的图像识别算法，通过高分辨率摄像头实时捕捉废物图像，并利用训练有素的神经网络来辨别不同的废物类别，如注射器、药瓶、棉球等。这种智能识别技术具有极高的准确性和灵敏度，能够在短时间内处理大量的废物。一旦识别出废物的类别，机器人会拣到相应的储存容器中。基于AI识别的医疗废物分拣机器人不仅提高了医疗废物处理的效率和准确性，还降低了对人工资源的依赖，并减少了环境污染的风险。图5-1系统成品实物图

5.2测试原理基于AI的医疗废物识别分拣系统是一种利用人工智能技术对医疗废物进行自动分类和分拣的系统。为了验证其功能和性能，进行实物测试是至关重要的环节。以下是对基于AI的医疗废物识别分拣系统实物测试的简要介绍。在实物测试中，首先进行硬件设备的测试。这包括摄像头或传感器的功能测试，确保其能够准确捕捉医疗废物的图像或数据。同时，测试传输设备，确保图像或数据能够有效地传输给后端的计算单元。此外，测试舵机，确认其能够按照分类结果将废物放入正确转动。接下来，进行软件系统的功能和性能测试。这包括废物识别算法的测试，确保它能够准确地识别不同类型的医疗废物，并给出正确的分类结果。同时，测试系统的响应速度和处理能力，确保系统能够在实时或高负荷情况下快速准确地进行识别和分拣。同时，进行环境适应性测试，验证系统在不同光照条件、角度或背景下的识别效果。最后，进行整体功能和性能测试。综合测试硬件设备、软件系统和分拣效果，确保整个基于AI的医疗废物识别分拣系统能够正常工作，并达到预期的性能水平。在测试过程中，需要记录和分析测试结果，发现并修复可能存在的问题。对于发现的问题，可能需要调整硬件设备、改进算法模型或优化系统设置。通过实物测试，可以验证基于AI的医疗废物识别分拣系统的准确性、稳定性和可靠性。这样的测试过程能够确保系统能够在实际医疗废物处理场景中正确地识别和分拣废物，从而实现自动化、高效和安全的医疗废物管理。图5-2医疗废物1和医疗废物2摄像头对准医疗废物1和医疗废物2照片后按下中间的按键进行学习，每个医疗废物学习五张照片，即按五次按键。图5-3识别医疗废物1和医疗废物2摄像头对准医疗废物1和2后，按下第三个按键是系统开始工作。识别到一号医疗废物时，显示屏显示waste1，随后舵机向左旋转；识别到二号医疗废物时。显示屏显示waste2，舵机向右旋转。再次按下三号案件可使舵机暂停旋转。

第6章总结与展望6.1总结在整个设计过程中，硬件方面主要设计了K210单片机的最小系统、舵机接口电路、LCD屏幕及显示、摄像机拍摄电路。软件方面借助各个渠道的资料，主要设计训练学习程序、显示程序、舵机运行程序、拍摄识别程序。系统的调试主要是通过一块K210开发板，再借助于Keil以及自己搭建的电路实现的。分部调试时偶尔会出现一些问题但解决方案都有迹可循。此医疗废物分拣机器人系统能够实现检测后不需要人为干预，自动进行操作。节省了大量人力资源，方便人们生活。6.2展望我们对基于AI识别的医疗废物分拣机器人的未来功能充满了期待。随着技术的不断发展和创新，我们相信这个机器人将进一步提升其性能和功能，为医疗废物管理领域带来更多的益处。首先，我们计划进一步改进机器人的识别能力。通过不断优化和训练神经网络，我们将提高机器人对废物的准确性和多样性的识别能力。它将能够识别更多种类的医疗废物，包括复杂的包装材料、注射器中的药物残留等。这将大大减少人工干预的需求，提高整体的自动化水平。其次，我们计划增强机器人的智能分拣能力。除了简单地将废物分拣到相应的容器中，我们希望机器人能够进一步细化分拣过程，例如将可回收的废物与不可回收的废物分开，为可再利用的废物提供更好的处理方案。这将有助于实现循环经济和可持续发展的目标。另外，我们考虑将机器人与医疗废物处理系统和数据库相连接，实现更智能化的管理。机器人可以与数据库共享数据，了解废物的数量、种类和处理方式等信息。这样一来，机器人可以根据实时数据进行优化调整，提高废物处理的效率和及时性。此外，我们计划进一步加强机器人的安全性能。通过引入更先进的传感器和算法，机器人可以更好地感知周围环境，及时避免潜在的危险。此外，我们将提供更强大的数据加密和访问控制，以确保废物信息的安全和隐私。本次毕业设计对于每个大学生来说是一门必修课程，在大学这一个求学阶段只有一次。完成了电路设计这一部分的工作内容，我觉得自己将曾经学习过的知识再次学习了一遍，对于各个元器件的设计规则，又有了进一步的熟悉。在这个的过程中，每一步都是自己亲自做过的,遇到的问题也非常多，在经过遇到问题，思索问题到解决问题的过程中，收获是最多的。以往没有注意到的问题，都在这一次的毕业设计中得以体现，这培养了我的细心，耐心和专心。在未来，基于AI识别的医疗废物分拣机器人将成为医疗废物管理的重要工具。它将通过不断创新和技术进步，为人们创造更健康、更安全、更可持续的环境。我们期待着这个机器人在医疗废物管理领域的广泛应用，并对未来的发展充满信心。

参考文献[1]周哲画.医疗废物自动分拣装置[P].东华大学2021.[2]贺泓博.医疗废弃物识别与分拣垃圾箱设计[C].科学技术创新.2021.[3]王壮;刘志豪;刘建华;武发展;李杨.基于图像识别技术的智能化产品分拣系统设计研究[C].乡村科技.2022.[4]孙昕怡.AI视觉检测项目范围管理的研究[M].北京邮电大学,2020.[5]蒲松;夏嫦.基于二阶段随机规划的城市医疗废弃物回收网络设计[P].中国管理科学,2021.[6]王保升;汪木兰.基于货单的多品种产品自动分拣系统[M].包装工程,2021.[7]彭正耀,郭智,方段彬.基于Keras框架的人工智能医疗废弃物分类的研究[J].科技与创新,2020(10).[8]殷晶晶.基于IRIS机构的医疗废弃物垃圾箱设计与实现[P].电子制作.2019,.[9]王成军;严晨.机器视觉技术在分拣系统中的应用研究综述[J].制造技术与机床.2019[10]薛峰;吴恩周.基于PLC的产品分拣自动控制系统设计[M].电子测试.2019.[11]高钧阳.基于服务设计理念的社区医疗废物分类预处理服务系统设计研究[D].湖北工业大学,2021.DOI:10.27131/ki.ghugc.2021.000811.[12]周哲画.医疗废弃物识别与分拣垃圾箱设计[D].东华大学,2021.DOI:10.27012/ki.gdhuu.2021.000288.[13]贺泓博.医疗废物自动分拣装置[J].科学技术创新,2021(14):173-174.[14]赵起越.医疗废物处理技术对环境的影响及其发展趋势[J].城市地理,2017(14):210.[15]任富强,李刚,康宇全.图像AI识别在煤炭运输中的应用研究[J].运输经理世界,2022(09):95-97.[16]谭超,全碧芳,陆海媛.AI识别垃圾分类违规事件[N].南方日报,2022-09-09(AA8).DOI:10.28597/ki.nnfrb.2022.005436.[17]胡志兵,姚剑鹏.基于音视频AI识别的多模态智能分析模型创建和应用[J].广播与电视技术,2022,49(08):43-46.DOI:10.16171/ki.rtbe.20220008005.[18]王晓军.基于AI识别和物联网的住宅安防系统[J].信息与电脑(理论版),2022,34(14):118-120.[19]FAbdoulaye;EElisante;TMwinuka;JKatima.Alternativestothebiomedicalwasteincinerationinthetreatmentandwastesortingsysteminthechain.[M].2020.[20]SchurerJannaM;;NdaoMomar.ResearchofWasteSortingSystemBasedonConvolutionalNeuralNetwork.2019. [21]Ravichandra.B;LakshmiNarayanaReddy.B;B.KeerthiPriya.PlantHealthMonitoringSystemThroughImageProcessingandDefectsOvercomingThroughEmbeddedSystem.2021.[22]RishabhKansal;LavanyaYadav;AjuD.WasteSortingMobileApplicationforInteractiveAIBasedWasteManagementSystem[P].InternationalJournalofRecentTechnologyandEngineering.2022.[23]AltafAlam;ZainulAbdinJaffery.AVisionbasedIndianTrafficSignClassification.2020.

注释电路图

源代码importKPUaskpuimportsensorimportlcdfromMaiximportGPIOfromfpioa_managerimportfmimporttimeimportgcfrommicropythonimportconst#导入constfromboardimportboard_infofrommachineimportTimer,PWM#ServoimportSG90_360###########################################config#################################################class_num=3#类数量sample_num=15#样本数量THRESHOLD=11#阈值class_names=['Surroundings','Medicalwaste1','Medicalwaste2']#类名称：环境、医疗废物1、医疗废物2board_cube=0Identify_Results={'Identify_Situation':"",'Identify_Index':''}#识别结果SYS_Status='END'#系统状态：状态cap_num=0#抓取训练数量train_status=0#训练状态last_cap_time=0#上次训练抓取时间last_btn_status=1#上次按键状态############################################################################################################################################SG-90360#################################################tim1=Timer(Timer.TIMER2,Timer.CHANNEL0,mode=Timer.MODE_PWM)Ctr_Sg90_360_1=PWM(tim1,freq=50,duty=0,pin=board_info.PIN_Ctr_SG90_360)Sg90_360_1=SG90_360.SG90_360(Ctr_Sg90_360_1)Sg90_360_1.Init()#initSG-90360##############################################################################################################################################KEY######################################################KEY_BOOTfm.register(board_info.PIN_KEY_BOOT,fm.fpioa.GPIOHS0)KEY_BOOT=GPIO(GPIO.GPIOHS0,GPIO.PULL_UP)#KEY_SYSfm.register(board_info.PIN_KEY_SYS,fm.fpioa.GPIOHS2)#注册IO-KEY2KEY_SYS=GPIO(GPIO.GPIOHS2,GPIO.IN,GPIO.PULL_UP)#构建KEY_2对象defexit_KEY_SYS_fun(KEY_SYS):#KEY_2中断回调函数globalSYS_Status,train_statusiftrain_status!=0:time.sleep_ms(10)#消除抖动ifKEY_SYS.value()==0:#确认按键被按下ifSYS_Status=='END':SYS_Status='RUN'else:SYS_Status='END'KEY_SYS.irq(exit_KEY_SYS_fun,GPIO.IRQ_FALLING)#开启中断，下降沿触发#########################################################################################################################################文字显示######################################################defdraw_string(img,x,y,text,color,scale,bg=None):ifbg:img.draw_rectangle(x-2,y-2,len(text)*8*scale+4,16*scale,fill=True,color=bg)img=img.draw_string(x,y,text,color=color,scale=scale)returnimg#########################################################################################################################################异常/正常######################################################Operation_State=''defOperation(operation_state):ifOperation_State!='':ifOperation_State=='SYN':#System--ENDSg90_360_1.Stop()#舵机关闭elifOperation_State=='operation_waste_1':#类1--正转Sg90_360_1.Clockwise()#舵机正转elifOperation_State=='operation_waste_2':#类2--反转Sg90_360_1.Anticlockwise()#舵机反转elifOperation_State=='surroundings':#环境--surroundingspass#保持else:passelse:pass#####################################################################################################设置摄像头sensor.reset()sensor.set_pixformat(sensor.RGB565)sensor.set_framesize(sensor.QVGA)sensor.set_windowing((224,224))#ifboard_cube==1:#sensor.set_vflip(True)#sensor.set_hmirror(True)#lcd.init(type=2)#lcd.rotation(2)#else:#lcd.init()#初始化LCDlcd.init()#设置摄像头水平与垂直镜像sensor.set_vflip(True)sensor.set_hmirror(True)#再次运行删除模型try:delmodelexceptException:passtry:delclassifierexceptException:passgc.collect()model=kpu.load("/sd/sipeed_learn_model.smodel")#加载模型#model=kpu.load(0x300000)classifier=kpu.classifier(model,class_num,sample_num)#模型初始化while1:Identify_Results['Identify_Situation']=''Identify_Results['Identify_Index']=''img=sensor.snapshot()#采集图片ifboard_cube:img=img.rotation_corr(z_rotation=90)img.pix_to_ai()#captureimgiftrain_status==0:#如果训练状态：0（未训练）ifKEY_BOOT.value()==0:#如果按键值为：0（按下）time.sleep_ms(30)#延时30msifKEY_BOOT.value()==0and(last_btn_status==1)and(time.ticks_ms()-last_cap_time>500):#如果按键按下&&上次按键状态==1&&时差大于500last_btn_status=0#上次按键状态=1last_cap_time=time.ticks_ms()#更新上次抓取时间ifcap_num<class_num:#如果抓取数量<类数量index=classifier.add_class_img(img)#添加类图片，并获取当前添加图片的indexcap_num+=1#cap_num自增1print("addclassimg:",index)#打印当前添加的类elifcap_num<class_num+sample_num:#如果：类数量<抓取数量<类数量+样例数量index=classifier.add_sample_img(img)#添加样例并获取当前添加样例的indexcap_num+=1#cap_num自增1print("addsampleimg:",index)#打印当前添加的样例else:#如果：按键弹起img=draw_string(img,2,200,"releasebootkeyplease",color=lcd.WHITE,scale=1,bg=lcd.RED)#请松开按键else:#如果未按下按键time.sleep_ms(30)#延时30msifKEY_BOOT.value()==1and(last_btn_status==0):#如果按键按下&&上次按键状态==0last_btn_status=1#上次按键状态=1ifcap_num<class_num:#如果抓取数量<类数量img=draw_string(img,0,200,"pressbootkeytocap"+class_names[cap_num],color=lcd.WHITE,scale=1,bg=lcd.RED)#显示请按键抓取类xelifcap_num<class_num+sample_num:#如果类数量<抓取数量<类数量+样例数量img=draw_string(img,0,200,"bootkeytocapsample{}".format(cap_num-class_num),color=lcd.WHITE,scale=1,bg=lcd.RED)#显示请按键抓取样例x#trainandpredictiftrain_status==0:#如果训练状态：0（未训练）ifcap_num>=class_num+sample_num:#如果类数量+样例数量<抓取数量print("starttrain")#print开始训练img=draw_string(img,30,100,"training...",color=lcd.WHITE,scale=2,bg=lcd.RED)#显示training...lcd.display(img)#显示classifier.train()