电气工程及其自动化毕业设计 机械设计及自动化毕业设计+智能移动垃圾分拣机器人设计

i绪论当前在我们国家当中，垃圾的产生量是比较多的。不仅仅对于我们国家来说，当前在世界当中的很多国家，实际上都急需有一个对垃圾的分拣装置。随着经济的高速发展，因此垃圾的产生量也是逐年增多的，而往往在很多国家当中对于垃圾的处理能力还是比较有限的，这就导致了国家往往每年都会在垃圾处理当中有着比较大的投入。因此对于垃圾的问题，不仅仅会导致城市当中的环境问题，同时也会造成一定的经济问题。对垃圾进行分类，不仅仅能够有效地解决这一问题，同时也能够提升人们对于环境的保护意识，从而能够提升整个国家的经济效益。当前，由于对于一些西方的发达国家来说，经济发展的速度比较早，因此往往在很早以前便出现了对于垃圾的处理难题。经过这些年的发展，在这些国家当中对于垃圾的分类以及处理的能力都得到了比较有效的提升，比如在日本其对于垃圾的分类能力以及处理能力都是比较强的，在当前也处于世界的领先位置。同时由于在日本当中，很多学生从小就已经养成了对于环境的保护意识，从小便开始执行垃圾分类的政策，因此在日本当中对于垃圾分类的工作做的还是比较好的。这也是当前我们国家需要学习的地方。总体设计方案任务需求与功能分析任务需求实际上对于垃圾进行处理的过程当中，首先需要做到的一步也是最为重要的一步实际上就是对于垃圾的分类过程。对垃圾的分类速率能够直接影响到对于垃圾的处理效果。所以实际上对于垃圾进行分拣是当前的一项比较重要的课题。当前日本其对于垃圾的分类能力以及处理能力都是比较强的，在当前也处于世界的领先位置。但是对于世界上的绝大多数国家来说，对于垃圾进行处理往往还是依赖于传统的手工方式，并没有利用好互联网的技术对垃圾进行分类，这就导致了工作的效率比较低，同时也容易出现一些错误。同时由于在分拣垃圾的时候，往往环境是比较差的，因此这对于所有的工人来说都是比较大的挑战，同时对工人的身体也有着比较大的危害性。在这种情况下，我们就需要探索对垃圾的分拣新模式，利用更加智能化的设备以及手段，实现对于垃圾的分拣工作，从而能够更好地为我们国家的环境发展与建设提供帮助。当前，有一个比较困难的问题就是对垃圾的识别问题，这也是存在的一个技术性的难题，目前为止，还没有比较成熟的对于垃圾的分拣系统以及设备。因此在本文当中，主要提出了对于可以自动识别垃圾并对垃圾进行分拣自动化、智能化的系统。对于这个系统来说，实际上能够实现比较简单的路径规划，同时系统能够对周围的环境进行自动识别，同时能够对周围的垃圾进行精准判断。这对我们国家当中对垃圾的分类功能都有着比较大的帮助。功能分析在本文所研究的课题当中，主要对当前的需求进行了分析，从而对该机器人所需要实现的功能也做出了分析，具体情况如下所示：（1）首先，该机器人能够在光照比较强烈的地区进行垃圾的扫描，从而能够得到当地环境的一些具体信息。（2）通过在系统当中的摄像头进行图像的处理，从而能够有效识别垃圾。（3）在一些比较理想的情况下，系统能够对识别的信息特征进行存储，从而能够方便下一次对于垃圾的识别速率。（4）机械臂可以实现对于垃圾的抓取以及处理，通过对机械臂的操控可以方便系统将垃圾进行分类。（5）在系统当中，所有的功能模块需要共同作用，综合协调才能够实现最终的功能。（6）对于该系统来说，能够实现对于核心部件的拆卸工作，从而能够降低后续的机械维护工作量。系统构成在该系统当中，主要由以下的几个模块构成，分别是：目标识别、导航以及系统控制。具体的示意图如下所示：图2.1系统构成图在本文当中，主要开发出来了一个能够自动对垃圾进行识别，之后进行分拣的机器人，对于该机器人来说，一共能够分成三个模块，其主要由三个模块共同构成，分别是检测、导航以及分拣。其中导航模块不仅仅有硬件设备同时还有软件设备。对于目标识别来说，其中设计了一个摄像头，通过摄像头与计算机相互结合，最终能够对目标进行识别以及检测。垃圾的分拣主要就是由设备当中的机械臂来进行完成。机器人在实际工作的过程当中，具体的流程如下所示：首先，当机器人正常启动之后，需要开启无线系统，这样就能够启动机器人。同时我们将机器人置于一个环境当中，让机器人先对周围的环境进行识别，同时让机器人在环境当中运动，自动对周围的环境进行扫描。在进行行走的过程当中，需要根据导航的提示进行行走，从而能够对环境当中的每一个角落都进行比较系统的检测。同时在进行扫描的时候，主要通过利用摄像机的方式，摄像机会自动将所有周围的环境形成照片，最终传输到系统当中，供系统进行识别，如果系统发现图片的特征与垃圾的特征相一致，那么就能够对其进行处理。这个时候系统会将这一物质判定为垃圾，从而让分拣系统当中的机械臂对垃圾进行清理，同时进行分类，之后便开始对下一个目标进行检测。硬件电路设计硬件选型导航模块主控制板选型对于导航功能模块来说，主要有两种方式来对其进行采集，当前用到的比较多的方式就是通过激光雷达的方式。这种方式一共有两个主板能够进行选择：第一种是英伟达旗下的一块主板，具体如下图当中所示：图3.1JetSonNano对于这块主板来说，其体积是比较小的，同时也是日常生活的过程当中能够使用的设备，其主打的便是个人便携式的设备。对于该设备来说，其功耗是比较小的，但是也意味着性能同样有一定的下降。其具体的性能参数如下表当中所示：表3.1JetSonNano技术规格参数名称技术规格GPU128-coreMaxwellCPUQuad-coreARMA57@1.43GHz内存4GB64-bitLPDDR425.6GB/s存储视频编码视频解码摄像头连接屏幕USB其他引脚规格microSD(notincluded)4K@30|4x1080p@30|9x720p@30(H.264/H.265)4K@60|2x4K@30|8x1080p@30|18x720p@30(H.264/H.265)1xMIPICSI-2DPHYlanesGigabitEthernet,M.2KeyEHDMI2.0andeDP1.44xUSB3.0,USB2.0Micro-BGPIO,I2C,I2S,SPI,UART69mmx45mm,260-pinedgeconnector第二种是价格比较相对JetSonNano较为低廉的树莓派3B+，如下图3.2所示：图3.2树莓派3B+其是一种基于ARM的小型个人电脑，相较于较早型号的树莓派3B，CPU最高到达1.4GHZ，拥有更强的WIFI连接（支持5G频段以及BT4.2&BLE）功能，无线连接支持5GHZ的WiFi频段能够使计算机操控树莓派更加方便。其主要配置如下表3.2所示：表3.2树莓派3B+规格参数名称技术规格SOCBroadcomBCM2837BOGPU64位1.4GHZ以太网HAT有线网络WiFi同等条件功耗测试同等条件温度测试1000M802.11AC无线；2.4GHZ/5HZ双频WiFi1.67A81°由主控制器只用来控制驱动板块和分拣控制模块的运行，从性能方面，树莓派3B+能够胜任用来处理激光雷达传输数据的速度并同时进行2D平面图的绘制；从主机整体面积上测量方面，树莓派3B+占用空间相较于JetSonNano更小，更易于携带。从成本方面，树莓派只有不到JetSonNano三分之一的价格，因此完全符合本课题的制作需求。摄像头模块选型题主要有两种摄像头供选择，一种是可以进行视觉导航、红外扫描周围环境的深度摄像头；另外一种则是普通摄像头，只用来进行2D视频的获取。第一种是来自Intel公司的D415/D435深度摄像头，它的用途广泛，能够进行物体识别、定位和跟踪；实现现代流行的人脸面部识别、整只手臂骨骼的跟踪和手势控制。其具体的示意图如下所示：图3.3D415深度摄像头D415规格如下表3.3所示：表3.2D415规格参数名称技术规格深度技术主动红外（IR）立体输出分辨率1280x720深度流输出帧率90fps最小深度距离0.3mRGB传感器分辨率和帧速度30fps时为1920x1080红外信号发射器功率可配置至达440毫瓦第二种是CMOSSensor摄像头。RGB数据除了能表示红绿蓝三种颜色之外，各自色阈控制在0至255之间，还能表示任何一种由红绿蓝组合而成的颜色。在本文所设计的系统当中，对于检测功能来说，用到的主要是一个摄像机。而摄像机主要又由相机以及镜头两个部分共同组成。由于在本文当中，所要捕捉的是垃圾的画面，因此在有些时候会需要用到高速摄像的方式，同时需要考虑到机器人当中的空间大小的问题，因此摄像机的体积不能够太大，但是镜头的质量需要比较强。机器视觉方面采用。在一般情况使用下能够保持较好的低照度，模组搭配高清拍摄镜头，照度可达星光级。高速。除了用于普通广告机、视频会议和高清监控等领域，还能支持协议和接入设备。舵机选型本课题研究选取机械臂由自己组装而成，采用5个MG996R型号的舵机来机械臂三自由度抓取。由于本次垃圾分为2类，所以旋转机构除了旋转精度高、扭力较大之外，还需要有较大的转动角度。故依据实验研究要求，本次选择大扭力单轴数字舵机MG996R如下图3.4所示：图3.4MG996R舵机另外其具有4.8V/9kg-cm的超大扭力，能实现180度大角度转动，具体规格参数如下表3.4所示：表3.4MG996R规格参数参数名称技术规格扭矩9kg/cm(4.8V)，11kg/cm(6V)电压4.8~6V齿轮类型金属齿轮死区速度角度重量尺寸5us(微秒)0.19秒/60°(4.8V)，0.18秒/60°(6V)180°55jigug40.7mm×19.7mm×42.9mm总体结构分布机械部分分为上下两层结构，第一层放置高性能的电脑，而在第二层当中便需要放置一些其他的模块。对于该机器人的具体示意图如下图当中所示：图3.5机器人总体结构.树莓派：作为激光雷达的系统搭建，为了能让机器人以最快速度的进行导航，轻巧易于携带、性能好。摄像头：采用。拥有很好的低照度，照度可达星光级。模组搭配高清镜头。高速，。用于广告机、视频会议、高清监控等领域；支持协议，可接入设备。.舵机：主要用于使机械臂进行运动，综合速度与力度的考虑，最终选定了。.思岚A1激光雷达:使用最高模式8000采样频率可以实现对环境的360度全方位扫描测距检测，确保机器人快速度运动时地图构建的质量并获得周围环境的轮廓图，最后构建2D平面图。.驱动控制微处理器：主要用于控制减速直流电机。拥有频率可达的可以提高反应的速度，缩短机器人清理垃圾运作时间。.机器人上下层：为了便于对机器人进行加工和组装模块，减轻机器人的整体运行重量，本课题采用了亚克力板作为机器人搭载硬件的主体。直径，厚度的圆形。为了增大空间，机器人分为了上下两层，第一层搭载高性能计算机、摄像头、垃圾存储盒以及机械臂；第二层搭载树莓派3B+、STM32F405和电源等小型设备。.车轮：用于运载所有设备，一个搭载在底部亚克力板的万向和两个在前方的动力轮。两个动力轮带有防止打滑的橡胶轮胎，提高机器人对于环境的自适应能力。.机械臂和气泵：用于拾取垃圾、纸巾和木板。.高性能计算机：为了实现实时拍摄并且能够尽可能地快处理每一帧照片与模型库进行对比，机器人使用性能较好的计算机。.垃圾存储盒：20cm*19cm*10cm的3D打印垃圾存储盒。系统软件设计目标检测模型制作前期准备首先在上位机端安装深度学习框架与语言框架进行编程，是由谷歌公司发明的神经网络框架，是一个用于编写的高级神经网络API，能同时支持循环神经网络和卷积神经网络，两者可以紧密组合，在和GPU上无缝衔接运行，可以实现训练模型的快速化训练和实现；把你的想法转为实验结果尽可能缩短时间上的限制。所以基于框架搭建CNN的有模块化、简单快捷、易扩展性等特点。垃圾的图像为瓶子、纸巾以及木板，但是这些原始图像有一些外来干扰因素导致数据不符合模型训练的基本条件，因此需要对图像进行以下处理：（1）清洗数据首先，数据清洗指的是对图像数据进行检验和重新审查。为了保证图像数据属性的一致性问题，需要纠正原本存在未标注、标注的错误和删除重复的图像信息。首先，为了保证图像的质量问题，需要花费大量时间在人工查看图像数据上，由于一些体型较大的垃圾，如木板，不易折叠缩小体积，使得整个图像空间被占满，算法模型会难以提取其特征数据，导致训练后的最终模型不能进行目标检测识别，从而导致数据和计算时间的浪费，需予以剔除。第二是必须保持图像数据一致性。因为在拍摄数据集的过程中，可能会有与待标注垃圾的无关物品出现，因此要在多种环境、背景下进行数据集采集。（2）分类数据在进行图像存储时，需要将图像保持在不同类别的文件夹，使垃圾类别与文件夹名字一一对应。需要保证每张照片都分在对应的类别中。（3）分类数据二次采集图像数据经过清洗和分类后，已经初步满足模型训练的基本要求，但是如果在训练过程中，出现识别率从高到低的大幅下跌曲线，可以确定是数据没有得到完全准确标注或者数据集不够完好，需要进行二次采集。模型建立与评估（1）交叉验证数据对于目标检测系统来说，主要利用了三个方面的特性，分别是：首先对数据进行读取工作，之后对其进行处理，并进行训练，最后进行相关数据的测试。对于数据的处理工作，其中最为主要的就是利用交叉验证的方法，将数据集最终划分成为三个不同的集合，并且利用人工智能的方式来加强繁华能力。对于模型的训练来说，主要就是利用深度学习的方式来对模型进行训练，从而能够提升系统对于数据的处理能力。对于最后的数据测试模块来说，主要就是对训练过后的数据集进行验证，从而能够判断出该系统的具体性能，以此确定模型的识别率。由于数据集的数量不是很充足，因此本课程将训练集的数量控制为1050张，验证集和测试集都为225张，占比分别为70%、15%、15%，这样划分的目的是降低过拟合的发生几率。（2）SSD_MobileNet_V2深度卷积神经网络主要框架与官网API的SSD_MobileNet_V2模型一致，但是分类的类型较少，因此保留了输入层、池化层和个卷积层，去除了2个全连接层来防止过拟合的情况发生。如下图4.1所示：图4.1SSD_MobileNet_V2简化模型（3）模型训练由于Adam的模型在训练起来比较简单，同时所需要花费的成本比较低，对于硬件配置的要求也比较低，因此选择此算法为最佳模型训练算法。每个输出概率所属置信度，选用对损失函数进行计算，具体公式（1）如下：𝑙𝑜𝑔_𝑙𝑜𝑠𝑠=−1𝑁∑𝑦𝑖𝑁𝑖=1𝑙𝑜𝑔𝑝𝑖+(1−𝑦𝑖)𝑙𝑜𝑔(1−𝑝𝑖)（1）软件流程在上位机部分，开启机器人摄像头采集地面环境图像，将采集后的图像送往SSD_Mobile_V2进行垃圾分类，分类后将分类结果以及垃圾位置送往树莓派3B+，树莓派3B+根据垃圾的位置已经类别进行导航，同时将结果发送给STM32F405控制机械臂的分拣工作，分拣完成并返回导航路线。如下图4.2所示：图4.2上位机控制驱动图在网络良好、2D平面图构建完成后，将智能移动垃圾分拣机器人置于初始位置。系统进入初始状态，根据SLAM规划的路线行走遍历平面图，行走过程中，上位机实时采集环境地面图像并反馈信息给驱动，如果有垃圾出现，机器人全程避障并且通过SLAM导航移动到垃圾周围，通过上位机反馈的垃圾类别选择机械臂或者气泵对垃圾进行分拣。过程如下图4.3所示：图4.3程序流程图系统调试模型训练设置数据增强训练前期拍摄了1500张瓶子、木板和纸屑后，通过选择一些比较主流的方式对其进行增强。一些实际的参数如下表当中所示。表5.1数据增强参数数据增强参数设置缩放50%水平反转是上下翻转是填充模式默认模式旋转30°横向平移20%纵向平移20%错且变换30%模型训练经过数据增强后，最终得到15000张图像，将这些图像进行模型的训练。如下表5.2为模型训练参数设置表：表5.2模型训练参数设置表训练集10500张+图像分辨率640×480测试集2250张+图像分辨率640×480验证集2250张+图像分辨率640×480训练次数117864图像是否翻转否学习率4.0000e-3模型训练的损失函数值变化如下图5.1所示，基本达到预期要求。图5.1损失值变化图性能指标测试在本文所做的实验当中，一共选取了150张图像，在其中垃圾所选择的是瓶子，瓶子的数量是180哥。在对其进行测试的过程当中，为了能够验证其准确性，主要就是通过分辨最终所得到的结果与瓶子的真实结果之间的距离，如果比值大于0.5就说明是已经被检验。对于识别检验的过程当中，所用到的技术主要有的图像检验的精度以及对于图像的检测速度。而其中几个主要的性能如下所示：.采集的系统需要始终保证采集帧率超过每秒钟30帧。.在系统当中，主要进行采集的需要保证在地面上面一米以上作为有效的采集面积。.对于图像的采集时间来苏红，需要保证抖动时间小于10毫秒。在对其进行测试的过程当中，为了能够验证其准确性，主要就是通过分辨最终所得到的结果与瓶子的真实结果之间的距离，如果比值大于0.5就说明是已经被检验。在本文当中，所做的定量实验，指标主要有两个，分别是漏检率以及误检率。在当前的实验环境中，目标的预测角度预测准确，目标的误检率为6%，漏检率为8.67%，误捡率低于10%，基本满足了智能移动垃圾分拣机器人系统课题要求。实验结果45度内（个）误检率(个)漏检数（个）误检率漏检率1509136%8.67%结论当前虽然存在各种垃圾分拣机器人，但是很多这种机器人并不能够对路线执行自动判断，因此相对比较传统，行进线路也比较固定。