[论文解读] AGDC: Automatic Garbage Detection and Collection
本文提出AGDC，一种经济实惠、基于人工智能的机器人系统，利用计算机视觉和由微控制器驱动的机械臂实现垃圾的自动检测与收集。该系统在Raspberry Pi上以3–4 fps的帧率实现实时检测，置信度超过90%，能够区分垃圾与有价值物品，并在城市垃圾管理场景中实现自主抓取。
Waste management is one of the significant problems throughout the world. Contemporaneous methods find it difficult to manage the volume of solid waste generated by the growing urban population. In this paper, we propose a system which is very hygienic and cheap that uses Artificial Intelligence algorithms for detection of the garbage. Once the garbage is detected the system calculates the position of the garbage by the use of the camera only. The proposed system is capable of distinguishing between valuables and garbage with more than 95% confidence in real-time. Finally, a robotic arm controlled by the microcontroller is used to pick up the garbage and places it in the bin. Concluding, the paper explains a system that is capable of working as a human in terms of inspecting and collecting the garbage. The system is able to achieve 3-4 frames per second on the Raspberry Pi, capable of detecting the garbage in real-time with 90%+ confidence.
研究动机与目标
- 为应对城市固体废物管理日益增长的挑战，提出一种自动化、低成本的解决方案。
- 开发一种能够利用计算机视觉和基于摄像头的定位技术实现实时垃圾检测的系统。
- 通过由微控制器控制的机械臂，实现对检测到的垃圾的自主收集。
- 在真实环境中以高置信度（>95%）区分垃圾与有价值物品。
提出的方法
- 系统使用摄像头捕获实时视频，利用预训练的深度学习模型进行目标检测。
- 采用卷积神经网络（CNN）对物体进行分类，判断其为垃圾或有价值物品，置信度较高。
- 通过几何标定和深度估计，处理摄像头数据以估算检测到的垃圾的三维位置。
- 使用微控制器（如Arduino或类似设备）根据检测到的坐标控制机械臂，实现物理抓取。
- 系统运行在Raspberry Pi上，针对低延迟推理进行了优化，帧率为3–4帧每秒。
- 该流程将目标检测、定位与机器人执行整合为单一自主工作流。
实验结果
研究问题
- RQ1低成本、基于人工智能的系统是否能在城市环境中以高精度实现实时垃圾检测？
- RQ2仅使用摄像头输入，系统能否准确区分垃圾与有价值物品？
- RQ3当部署在Raspberry Pi等低功耗硬件上时，系统的实时性能如何？
- RQ4能否基于摄像头获取的物体位置可靠控制机械臂，实现自主垃圾收集？
- RQ5该系统在多大程度上减少了人类在日常垃圾收集任务中的参与？
主要发现
- 该系统在Raspberry Pi上以3–4帧每秒的帧率实现实时运行，支持实时垃圾检测。
- 垃圾分类的置信度超过90%，在区分垃圾与有价值物品时置信度超过95%。
- 系统仅通过摄像头输入成功实现垃圾定位，从而实现对机械臂的精准引导。
- 机械臂能够根据计算出的位置物理抓取检测到的垃圾。
- 人工智能、视觉与执行的集成形成了一套完全自主、低成本的解决方案，适用于城市部署。
- 该系统在人口密集区域展示了可扩展、卫生且自动化的垃圾管理可行性。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。