إعادة تدوير روبوت الفرز: 15 خطوة (بالصور)

2024 مؤلف: John Day | [email protected]. آخر تعديل: 2024-01-30 07:38

هل تعلم أن متوسط معدل التلوث في المجتمعات والشركات يصل إلى 25٪؟ وهذا يعني أن قطعة واحدة من كل أربع قطع من إعادة التدوير التي ترميها لا يتم إعادة تدويرها. يحدث هذا بسبب خطأ بشري في مراكز إعادة التدوير. تقليديًا ، يقوم العمال بفرز القمامة في صناديق مختلفة اعتمادًا على المادة. لا بد أن يرتكب البشر أخطاء وينتهي بهم الأمر بعدم فرز القمامة بشكل صحيح ، مما يؤدي إلى التلوث. نظرًا لأن التلوث وتغير المناخ أصبحا أكثر أهمية في مجتمع اليوم ، فإن إعادة التدوير تلعب دورًا كبيرًا في حماية كوكبنا. باستخدام الروبوتات لفرز القمامة ، ستنخفض معدلات التلوث بشكل كبير ، ناهيك عن أنها أرخص كثيرًا وأكثر استدامة. لحل هذه المشكلة ، قمت بإنشاء روبوت لفرز إعادة التدوير يستخدم التعلم الآلي للفرز بين مواد إعادة التدوير المختلفة.

الخطوة 1: الأجزاء

تأكد من أن لديك الأجزاء التالية التي يجب اتباعها مع هذا البرنامج التعليمي:

أجزاء مطبوعة ثلاثية الأبعاد (انظر الخطوة أدناه)

Raspberry Pi RPI 4 سعة 4 جيجابايت

Google Coral USB Accelerator

اردوينو اونو R3

وحدة كاميرا Raspberry Pi V2.0

5V 2A DC جدار التيار الكهربائي

التيار الكهربائي 12V العاصمة

SG90 9 جرام الماكينات الصغيرة 4 قطع.

M3 x 0.5mm الفولاذ المقاوم للصدأ الذاتي قفل النايلون سداسية قفل الجوز 100 قطعة.

M3x20 زر مسامير التيتانيوم رئيس 10 قطعة.

MG996R ميتال جير عزم دوران محرك سيرفو تناظري 4 قطعة.

حدد بطاقة ذاكرة سامسونج 32 جيجا بايت

كابل Adafruit Flex لكاميرا Raspberry Pi - 1 متر

M2 ذكر أنثى نحاسيّ مباعد برغي صواميل مجموعة متنوعة

مروحة 60 مم 12 فولت

6.69 × 5.12 × 2.95 بوصة صندوق المشروع

الخطوة 2: أجزاء مطبوعة ثلاثية الأبعاد

سوف تحتاج إلى طباعة ثلاثية الأبعاد لجميع أجزاء الذراع الآلية. يمكنك أن تجد كل الملفات هنا.

الخطوة 3: الكود

يرجى استنساخ مستودع GitHub الخاص بي لمتابعة هذا البرنامج التعليمي.

الخطوة 4: الحصول على البيانات

لتدريب نموذج اكتشاف الكائنات الذي يمكنه اكتشاف مواد إعادة التدوير المختلفة والتعرف عليها ، استخدمت مجموعة بيانات trashnet التي تتضمن 2527 صورة:

• 501 زجاج
• 594 ورقة
• 403 كرتون
• 482 بلاستيك
• 410 معدن
• 137 سلة المهملات

الصورة أعلاه هي مثال على أحد الصور الموجودة في مجموعة البيانات.

مجموعة البيانات هذه صغيرة جدًا لتدريب نموذج اكتشاف الكائن. لا يوجد سوى حوالي 100 صورة للقمامة وهي قليلة جدًا لتدريب نموذج دقيق ، لذلك قررت تركها.

يمكنك استخدام مجلد google drive هذا لتنزيل مجموعة البيانات. تأكد من تنزيل ملف dataset-resized.zip. يحتوي على مجموعة الصور التي تم تغيير حجمها بالفعل إلى حجم أصغر للسماح بتدريب أسرع. إذا كنت ترغب في تغيير حجم الصور الأولية حسب رغبتك ، فلا تتردد في تنزيل ملف dataset-original.zip.

الخطوة 5: عنونة الصور

بعد ذلك ، نحتاج إلى تسمية العديد من الصور لمواد إعادة التدوير المختلفة حتى نتمكن من تدريب نموذج اكتشاف الكائن. للقيام بذلك ، استخدمت labelImg ، وهو برنامج مجاني يسمح لك بتسمية المربعات المحيطة بالكائنات في الصور.

قم بتسمية كل صورة بالتسمية المناسبة. هذا البرنامج التعليمي يظهر لك كيف. تأكد من جعل كل مربع محيط أقرب ما يكون إلى حدود كل كائن لضمان دقة نموذج الكشف قدر الإمكان. احفظ جميع ملفات.xml في مجلد.

توضح الصورة أعلاه كيفية تسمية صورك.

هذه تجربة مملة للغاية ومذهلة للعقل. لحسن الحظ ، قمت بالفعل بتسمية جميع الصور لك! يمكنك العثور عليها هنا.

الخطوة السادسة: التدريب

فيما يتعلق بالتدريب ، قررت استخدام نقل التعلم باستخدام Tensorflow. هذا يسمح لنا بتدريب نموذج دقيق بشكل لائق بدون كمية كبيرة من البيانات.

هناك طريقتان يمكننا القيام بذلك. يمكننا القيام بذلك على جهاز سطح المكتب المحلي الخاص بنا على السحابة. سيستغرق التدريب على أجهزتنا المحلية وقتًا طويلاً للغاية اعتمادًا على مدى قوة جهاز الكمبيوتر الخاص بك وما إذا كان لديك وحدة معالجة رسومات قوية. ربما يكون هذا هو أسهل طريقة في رأيي ، ولكن مرة أخرى مع الجانب السلبي للسرعة.

هناك بعض الأشياء الأساسية التي يجب ملاحظتها حول نقل التعلم. تحتاج إلى التأكد من أن النموذج المدرب مسبقًا الذي تستخدمه للتدريب متوافق مع Coral Edge TPU. يمكنك العثور على نماذج متوافقة هنا. لقد استخدمت نموذج MobileNet SSD v2 (COCO). لا تتردد في تجربة الآخرين أيضًا.

للتدريب على جهازك المحلي ، أوصي باتباع برنامج Google التعليمي أو برنامج EdjeElectronics التعليمي إذا كان يعمل على Windows 10. شخصيًا ، لقد اختبرت برنامج EdjeElectroncs التعليمي وحققت نجاحًا على سطح المكتب. لا يمكنني تأكيد ما إذا كان برنامج Google التعليمي سيعمل ، لكنني سأفاجأ إذا لم يعمل.

للتدريب في السحابة ، يمكنك استخدام AWS أو GCP. لقد وجدت هذا البرنامج التعليمي الذي يمكنك تجربته. يستخدم تقنية TPU السحابية من Google والتي يمكنها تدريب نموذج اكتشاف الكائنات بسرعة فائقة. لا تتردد في استخدام AWS أيضًا.

سواء كنت تتدرب على جهازك المحلي أو في السحابة ، يجب أن ينتهي بك الأمر بنموذج tensorflow مدرب.

الخطوة 7: تجميع النموذج المتدرب

لكي يعمل نموذجك المدرّب مع Coral Edge TPU ، تحتاج إلى تجميعه.

أعلاه رسم تخطيطي لسير العمل.

بعد التدريب ، تحتاج إلى حفظه كرسم بياني مجمد (ملف.pb). بعد ذلك ، تحتاج إلى تحويله إلى نموذج Tensorflow Lite. لاحظ كيف تقول "تكميم ما بعد التدريب". إذا استخدمت النماذج المتوافقة مسبقة التدريب عند استخدام نقل التعلم ، فلن تحتاج إلى القيام بذلك. ألق نظرة على الوثائق الكاملة حول التوافق هنا.

مع نموذج Tensorflow Lite ، تحتاج إلى تجميعه إلى نموذج Edge TPU. انظر التفاصيل حول كيفية القيام بذلك هنا.

الخطوة 8: إعادة تدوير نموذج الكشف

إذا كنت لا ترغب في تجاوز متاعب التدريب والتحويل وتجميع نموذج اكتشاف الكائن ، تحقق من نموذج الكشف عن إعادة التدوير هنا.

الخطوة 9: نشر النموذج

الخطوة التالية هي إعداد Raspberry Pi (RPI) و Edge TPU لتشغيل نموذج الكشف عن الكائنات المدربة.

أولاً ، قم بإعداد RPI باستخدام هذا البرنامج التعليمي.

بعد ذلك ، قم بإعداد Edge TPU باتباع هذا البرنامج التعليمي.

أخيرًا ، قم بتوصيل وحدة الكاميرا RPI بـ raspberry pi.

أنت الآن جاهز لاختبار نموذج اكتشاف الكائن الخاص بك!

إذا قمت بالفعل باستنساخ المستودع الخاص بي ، فستحتاج إلى الانتقال إلى دليل RPI وتشغيل ملف test_detection.py:

python test_detection.py - إعادة تدوير النموذج_ssd_mobilenet_v2_quantized_300x300_coco_2019_01_03 / detect_edgetpu.tflite - إعادة تدوير التصنيفات_ssd_mobilenet_v2_quantized_300x300_coco_2019_01_03 / labels

يجب أن تنبثق نافذة صغيرة وإذا وضعت زجاجة ماء بلاستيكية أو مادة أخرى معاد تدويرها ، فيجب أن تكتشفها مثل الصورة أعلاه.

اضغط على الحرف "q" على لوحة المفاتيح لإنهاء البرنامج.

الخطوة العاشرة: بناء الذراع الآلية

الذراع الآلية عبارة عن ذراع مطبوع ثلاثي الأبعاد وجدته هنا. ما عليك سوى اتباع البرنامج التعليمي حول إعداده.

توضح الصورة أعلاه كيف تحولت ذراعي الآلية.

تأكد من توصيل دبابيس المؤازرة وفقًا لدبابيس Arduino I / O في الكود الخاص بي. قم بتوصيل الماكينات من أسفل إلى أعلى الذراع بالترتيب التالي: 3 ، 11 ، 10 ، 9 ، 6 ، 5. عدم توصيلها بهذا الترتيب سيؤدي إلى تحريك الذراع للمضاعفات الخاطئة!

اختبرها لترى أنها تعمل من خلال الانتقال إلى دليل Arduino وتشغيل ملف basicMovement.ino. سيؤدي هذا ببساطة إلى انتزاع الشيء الذي تضعه أمام الذراع وإسقاطه خلفه.

الخطوة 11: توصيل RPI والذراع الآلي

نحتاج أولاً إلى تركيب وحدة الكاميرا في الجزء السفلي من المخلب. توضح الصورة أعلاه كيف يجب أن تبدو.

حاول محاذاة الكاميرا بشكل مستقيم قدر الإمكان لتقليل الأخطاء في الاستيلاء على مواد إعادة التدوير التي تم التعرف عليها. ستحتاج إلى استخدام كابل الشريط الطويل لوحدة الكاميرا كما هو موضح في قائمة المواد.

بعد ذلك ، تحتاج إلى تحميل ملف roboticArm.ino على لوحة Arduino.

أخيرًا ، علينا فقط توصيل كبل USB بين منفذ USB الخاص بـ RPI ومنفذ USB في Arduino. سيسمح لهم ذلك بالتواصل عبر المسلسل. اتبع هذا البرنامج التعليمي حول كيفية إعداد هذا.

الخطوة 12: اللمسات الأخيرة

هذه الخطوة اختيارية تمامًا ولكني أحب أن أضع كل مكوناتي في صندوق مشروع صغير لطيف.

تظهر الصور أعلاه كيف يبدو.

يمكنك العثور على صندوق المشروع في قائمة المواد. لقد قمت للتو بحفر بعض الثقوب واستخدمت المواجهات النحاسية لتركيب الإلكترونيات. لقد قمت أيضًا بتركيب 4 مراوح تبريد للحفاظ على تدفق هواء ثابت عبر RPI و TPU عندما تكون ساخنة.

الخطوة 13: الجري

أنت الآن جاهز لتشغيل كل من الذراع الآلية و RPI! على RPI ، يمكنك ببساطة تشغيل ملف recycle_detection.py. سيؤدي هذا إلى فتح نافذة وستبدأ الذراع الآلية في الجري تمامًا كما هو الحال في الفيديو التوضيحي! اضغط على الحرف "q" على لوحة المفاتيح لإنهاء البرنامج.

لا تتردد في اللعب مع الكود واستمتع بوقتك!

الخطوة 14: العمل المستقبلي

آمل أن أستخدم R. O. S. للتحكم في الذراع الآلية بحركات أكثر دقة. سيمكن هذا من التقاط الأشياء بدقة أكبر.

الخطوة 15: أسئلة؟

لا تتردد في ترك تعليق أدناه إذا كان لديك أي أسئلة!