打开文本图片集

摘  要：随着城市快速发展和城市化进程加速，生活垃圾量急剧增加，成为重大环境挑战。为此，我们提出基于物联网与机器视觉的智能垃圾分类系统。该系统采用CH32V307C8T6微控制器和OV2640摄像头实时采集垃圾图像，并通过MaixHub平台训练优化CNN模型实现96%的高精度识别。K210推理模块将识别结果反馈给主控单元以驱动舵机完成分类。系统还利用红外传感器和LoRa技术监测垃圾桶状态，在满载时触发远程预警确保及时清运。实验表明，此系统在复杂场景下具有高识别精度、快速响应及便捷操作的特点，为城市生活垃圾管理提供高效解决方案，具备显著的环境和社会效益。

关键词：垃圾分类；机器视觉；物联网技术；边缘计算；卷积神经网络

0 引言

随着全球城市化和人口增长，城市生活垃圾量急剧增加，传统人工分拣难以应对。数据显示，全球每年产生超20亿吨城市固废，仅13%被回收利用，混合处理导致资源浪费、环境污染、土地占用及温室气体排放问题，与联合国SDGs目标不符。

物联网（IoT）与机器视觉技术结合为垃圾分类提供创新解决方案。IoT通过分布式传感网络和边缘计算实现垃圾全生命周期的数字化监测；机器视觉利用CV和DL算法（如CNN）提升分类效率。二者协同可替代传统模式，推动垃圾管理向精准化、资源化、减量化转型。

然而，现有技术面临复杂场景下图像识别鲁棒性不足、多模态数据实时处理限制及高部署维护成本等挑战。为此，本研究提出一种基于IoT和机器视觉的智能垃圾分类系统，采用RISC-V架构的CH32V307C8T6微控制器，集成高性能图像传感器和边缘计算模块，并使用MaixHub训练的轻量化CNN模型（Top-1准确率>96%），通过LoRa通信实现实时满载预警和远程管理，显著提升了系统的处理效率和可靠性。

1 系统设计

1.1 硬件选择

CH32V307C8T6是南京沁恒微电子基于RISC-V架构开发的高性能32位微控制器，集成丰富外设与强计算能力，适用于嵌入式系统。其凭借高性能、丰富接口及高性价比，成为本系统的核心控制器，可满足实时数据处理与精确控制需求，并支持功能扩展（如图1-1 CH32V307C8T6核心板所示）。

OV2640是OmniVision Technologies公司开发的高性能低功耗CMOS图像传感器，支持多分辨率与帧率，适用于嵌入式视觉系统。其凭借优异的图像采集稳定性和高质量成像能力，成为智能垃圾分类系统的核心组件，通过与硬件/算法协同工作，保障了分类功能的高效实现。如图1-2 OV2640模块与K210模块所示。

K210（Kendryte K210）是嘉楠科技研发的基于RISC-V架构的AI芯片，专为边缘计算与嵌入式视觉处理设计，集成硬件加速器及丰富外设接口，可高效执行深度学习与图像处理任务。其凭借高精度推理能力与硬件灵活性，在智能垃圾分类系统中实现垃圾类别精准识别，并通过多组件协同优化系统性能与可靠性，为城市垃圾管理提供高效技术方案（如图1-2所示OV2640与K210模块协同架构）。

1.2 软件架构

在智能垃圾分类系统中，数据采集与处理是确保系统高效运行的关键环节。整个过程从图像的获取到最终的垃圾类别识别和投放控制，涉及多个步骤和技术手段。

1.2.1 数据采集与处理流程

系统启动时，首先对OV2640摄像头模块进行初始化设置，包括分辨率、帧率、曝光时间和白平衡等参数的配置。初始化完成后，OV2640开始以设定的帧率持续捕获垃圾桶内的垃圾图像。每帧图像通过SCCB接口传输给CH32V307C8T6单片机，并进一步传递给K210模块进行处理。

1.2.2 MaixHub平台上的深度学习训练过程

在MaixHub平台上，K210模块通过内置IPU对图像进行尺寸调整、色彩空间转换及归一化预处理，基于多类别垃圾数据集（如可回收/不可回收/有害/厨余）训练轻量级CNN模型（如MobileNet、ResNet），利用反向传播优化参数，最终部署至K210实现高精度识别（mAP≥96%）。识别结果经UART/SPI接口传输至CH32V307C8T6单片机，通过PWM驱动舵机分类投放。系统集成红外传感与LoRa模块，实时监测垃圾桶状态并触发满载预警，构建边缘计算闭环系统（分类准确率≥95%、响应延迟<500ms），显著提升垃圾处理效率与可靠性。

1.2.3 卷积神经网络（CNN）模型的设计与优化

在模型训练中，输入图像经标准化（像素值缩放至[0，1]）提升训练稳定性。通过多层CNN提取特征：卷积层用滤波器捕获边缘、纹理等特征，并结合ReLU激活函数增强非线性；每层后Dropout随机丢弃神经元以减少过拟合，Max/Average Pooling降维并保留关键信息。特征图展平后输入全连接层（FCN），最终由Softmax输出垃圾类别概率分布。训练模型通过MaixHub转换为K210专用Kmodel格式，利用内置KPU加速实现实时推理。此架构采用轻量级CNN（如MobileNet/ResNet变体）与硬件优化，确保Top-1识别精度>96%，响应速度<500ms，功耗<1W，提高边缘部署效率。

2 实验结果

2.1 结果分析

2.1.1 识别准确率

通过构建包含5000张图像的测试集（涵盖10类常见垃圾），在复杂光照环境下进行模型验证。采用五折交叉验证与混淆矩阵分析，CNN模型平均识别准确率达96%。优化后部署至K210边缘模块，在独立测试中仍保持96%准确率，验证系统实际应用可靠性。其中，可回收物（如纸张、塑料瓶）识别准确率为98%，不可回收物（如食物残渣、陶瓷碎片）为94%，表明优化后的CNN模型具备高效的垃圾识别能力，为自动化分类提供坚实支撑。

2.1.2 响应速度

系统从图像捕获到垃圾类别识别的整个过程耗时约为150毫秒。具体时间分配如下：

①图像采集与预处理：约50毫秒。②模型推理：约80毫秒（得益于K210模块的KPU硬件加速器）。③舵机控制与反馈：约20毫秒。

快速的响应速度使得系统能够在短时间内完成垃圾的识别与分类，满足了实时性的要求。

2.1.3 稳定性与鲁棒性

通过数据增强（如旋转、翻转、裁剪）提升模型在不同光照和拍摄角度下的稳定性。即便在低光环境下，系统依托自动曝光控制（AEC）与自动白平衡（AWB）仍能保持高识别准确率。连续运行1000次测试无明显误分类或卡顿，展现出良好的稳定性和鲁棒性。

2.1 对比分析

为了进一步评估本系统的性能优势，我们将其实验结果与市场上现有的几种垃圾分类系统进行了对比分析。分析结果如表 1所示：

实验结果与对比分析表明，本智能垃圾分类系统在识别准确率与响应速度方面表现优异，具备高实用价值与广阔应用前景。未来技术持续优化将为其在城市垃圾管理中带来更大便利与效益。

参考文献

[1] 刘玉丛. 机器视觉在垃圾分拣机器人设计中的应用[J]. 电子世界，2021（22）：56-57.

[2] Srivatsan K，Dhiman Surender，Jain Anuj. WasteClassification using Transfer Learning with ConvolutionalNeural Networks[J]. IOP Conference Series：Earth andEnvironmental Science，2021，775（1）：150-157.

[3] 王伟杰，姚建涛，张敏燕，等. 基于YOLOV4的智能垃圾分类回收机器人[J]. 智能计算机与应用，2020，10（11）：182-186.

[4] 王育新，朴林华，朴然，等. 基于卷积神经网络的垃圾分类系统的实现[J]. 北京信息科技大学学报（自然学版），2020，35（5）：30-34.

[5] 黄劲松，甘卓伦 . 基于场景分析的家用智能垃圾桶设计研究 [J].机械设计，2021，38（4）：139-144.

[6] 李国燕，薛翔，刘毅，等 . 改进 TD3 的 SDN 车联网边缘计算卸载策略 [J]. 计算机集成制造系统，2023，29（5）：1627-1634.

[7] 王凌，吴楚格，范文慧 . 边缘计算资源分配与任务调度优化综述 [J].系统仿真学报，2021，33（3）：509-520.

项目：青岛工学院2025年大学生创新创业训练计划培育项目（项目编号：17）