基于 Google Coral Edge TPU 的垃圾分类机器人

你知道回收设施的污染率高达 25% 吗？即每四件物品中就有一件因人工分拣错误无法进入回收流程。气候变化加剧下，降低污染率比以往更关键。我们的方案——一款利用 Google Coral Edge TPU 和机器学习目标检测的自主分拣机器人——能大幅降低污染率，同时降低运营成本。

演示

代码仓库

在 GitHub 克隆完整项目跟进学习。

步骤 1：获取数据集

训练准确的目标检测模型需要多样化的标注图像。我们使用 TrashNet 数据集，含六类 2,527 张图片：

• 玻璃 – 501 张
• 纸张 – 594 张
• 纸板 – 403 张
• 塑料 – 482 张
• 金属 – 410 张
• 垃圾（不可回收） – 137 张

数据集可在 Google Drive 下载。快速训练可下载预缩放压缩包 (dataset-resized.zip)。若需自定义缩放，用 dataset-original.zip。

步骤 2：标注图像

用 labelImg 标注每个物体的边界框。边界框应紧贴物品以最大化模型精度。所有标注文件 (.xml) 存放在专用文件夹。若标注耗时，可下载我们预标注数据集 此处。

步骤 3：训练模型

采用 TensorFlow 迁移学习管线，主干为 MobileNet-SSD v2 (COCO)，完全兼容 Coral Edge TPU。训练可本地或云端。本地训练简单但较慢；为加速，可用 Google Cloud TPU 或 AWS GPU 实例，参考 Google 教程 或 EdjeElectronics 指南。

步骤 4：为 Coral Edge TPU 编译

训练后导出冻结图 (.pb)，转为带训练后量化的 TensorFlow Lite，再用 edgetpu_compiler 编译为 Edge TPU 二进制。完整说明见 Edge TPU 编译器文档。

步骤 5：在树莓派部署

按官方 入门指南 配置树莓派 4、Coral USB 加速器和树莓派摄像头。准备好后运行：

python test_detection.py \
 --model recycle_ssd_mobilenet_v2_quantized_300x300_coco_2019_01_03/detect_edgetpu.tflite \
 --labels recycle_ssd_mobilenet_v2_quantized_300x300_coco_2019_01_03/labels.txt

实时窗口显示检测结果；按 q 退出。

步骤 6：构建机械臂

机械臂为 3D 打印六自由度操作臂，源自 Thingiverse。按组装说明连接舵机，顺序（从底到顶）：3, 11, 10, 9, 6, 5。上传 basicMovement.ino 到 Arduino 测试抓取放置。

步骤 7：集成树莓派与机械臂

将摄像头安装在机械臂夹爪根部以减少透视畸变。上传 roboticArm.ino 到 Arduino，通过 USB 连接树莓派与 Arduino 建立串口通信。在 Arduino 代码配置串口匹配 Pi 的 /dev/ttyUSB0 接口。

步骤 8：收尾

用定制项目外壳封装电子元件，兼顾安全与美观。成品如下：

预训练模型

若想跳过训练，可直接下载即用模型 此处。

借助 Coral Edge TPU 上的机器学习，这款机器人以远低于人工成本的代价实现精准、低污染分拣。