0 引言
针对生活垃圾的识别分类任务，我国大多采用人工进行垃圾分拣工作，该分拣方式存在分拣效率低、对人体危害大等弊端。随着人工智能的发展，深度学习如今被广泛应用于各个领域。文献[1]介绍了基于openCV与TensorFlow框架的垃圾分类设计，但是该项目只是讲解怎样去处理图像，实现垃圾识别分类，并未应用于实际。文献[2]提出以STM32作为控制器进行垃圾分拣任务，以OpenMV摄像头进行垃圾分类识别，但是由于以STM32作为控制器运行神经网络，使得检测效率并不高。文献[3]提出了基于并联机器人的分拣系统设计，该系统对废旧塑料瓶的检测率达到98%，效率很高，但是该系统只能检测单一垃圾，并且不能判断检测的垃圾种类。文献[4]提出了以MobileNet SSD为模型、以Jetson TX2为控制器的垃圾分拣机器人系统，该系统设计对Jetson设备进行了部署加速，使得检测速度较快，但是检测准确率并不是很高。有学者设计机械手来进行垃圾分拣任务，具有较高的分拣准确度及稳定性[5]，但是该设计基于理论知识，未能应用于实践，真实检测效果还有待考量。机器学习需要在计算能力、储存能力等都有限的平台上表现出优越的性能，才能在更广阔的范围内得到推广和应用[6]。文献[7]在嵌入式FPGA运行改进的SoC神经网络模型，使得卷积神经网络的运行速度提升了很多。在该项目中以NVIDIA Jetson Nano作为控制器，在该移动端部署训练模型，该边缘嵌入式设备含有GPU算力，网络推理速度更快，有完整的操作系统，界面可视化，操作方便。
本文详细内容请下载：http://www.chinaaet.com/resource/share/2000003911。
作者信息：
王 慧，蒋朝根
(西南交通大学 计算机与人工智能学院，四川 成都611756)
