Robot Pengelola Daur Ulang Berbasis Google Coral Edge TPU
Tahukah Anda bahwa tingkat kontaminasi di fasilitas daur ulang dapat mencapai hingga 25%? Ini berarti satu dari empat item tidak pernah masuk ke aliran daur ulang, besarnya karena kesalahan manusia selama pengelolaan. Semakin parahnya perubahan iklim, mengurangi kontaminasi semakin krusial. Solusi kami—robot pengelola otonom yang menggunakan Google Coral Edge TPU dan deteksi objek machine learning—mengurangi tingkat kontaminasi secara dramatis sambil menurunkan biaya operasional.
Demo
Repositori Kode
Clone proyek lengkap di GitHub untuk mengikuti bersama.
Langkah 1: Dapatkan Dataset
Melatih model deteksi objek yang akurat memerlukan serangkaian gambar berlabel yang beragam. Kami menggunakan dataset TrashNet, yang berisi 2.527 gambar di enam kelas:
Kaca – 501 gambar
Kertas – 594 gambar
Kardus – 403 gambar
Plastik – 482 gambar
Logam – 410 gambar
Sampah (tidak dapat didaur ulang) – 137 gambar
Dataset tersedia untuk diunduh di Google Drive. Untuk pelatihan cepat, unduh arsyen yang telah diubah ukurannya (dataset-resized.zip). Jika Anda lebih suka mengubah ukuran sendiri, gunakan dataset-original.zip.
Langkah 2: Beri Label pada Gambar
Kami menggunakan labelImg untuk mengannotasi kotak pembatas di sekitar setiap objek. Kotak pembatas harus pas rapat pada setiap item untuk memaksimalkan akurasi model. Semua file anotasi (.xml) disimpan dalam folder khusus. Jika pemberian label memakan waktu, unduh dataset yang telah diannotasi kami di sini.
Langkah 3: Latih Model
Kami menggunakan pipeline transfer learning TensorFlow dengan backbone MobileNet-SSD v2 (COCO), yang sepenuhnya kompatibel dengan Coral Edge TPU. Pelatihan dapat dilakukan secara lokal atau di cloud. Pelatihan lokal sederhana tetapi lebih lambat; untuk hasil yang dipercepat, gunakan Google Cloud TPU atau instance GPU AWS sesuai tutorial Google atau panduan EdjeElectronics.
Langkah 4: Kompilasi untuk Coral Edge TPU
Setelah pelatihan, ekspor model sebagai frozen graph (.pb), lalu konversi ke TensorFlow Lite dengan post-training quantization. Akhirnya, kompilasi model TFLite ke biner Edge TPU menggunakan edgetpu_compiler. Untuk instruksi lengkap, lihat dokumentasi Edge TPU compiler.
Langkah 5: Deploy pada Raspberry Pi
Siapkan Raspberry Pi 4 dengan Coral USB Accelerator dan modul kamera Raspberry Pi sesuai panduan pengaturan resmi. Setelah siap, jalankan:
Jendela live akan menampilkan deteksi; tekan q untuk keluar.
Langkah 6: Bangun Lengan Robot
Lengan adalah manipulator enam derajat kebebasan cetak 3D dari Thingiverse. Ikuti instruksi rangkaian dan hubungkan servo dalam urutan berikut (bawah ke atas): 3, 11, 10, 9, 6, 5. Unggah basicMovement.ino ke Arduino untuk menguji menangkap dan meletakkan.
Langkah 7: Integrasi RPi dan Lengan
Pasang kamera di dasar cakar lengan untuk meminimalkan distorsi perspektif. Unggah roboticArm.ino ke Arduino, lalu hubungkan Raspberry Pi ke Arduino melalui USB untuk mendirikan komunikasi serial. Konfigurasikan port serial di kode Arduino untuk cocok dengan antarmuka /dev/ttyUSB0 Pi.
Langkah 8: Sentuhan Akhir
Lindungi elektronika dalam enclosure proyek kustom untuk keselamatan dan estetika. Hasil akhir terlihat seperti ini:
Model Terlatih
Jika Anda lebih melewati pelatihan, unduh model siap-deploy kami di sini.
Dengan memanfaatkan machine learning di Coral Edge TPU, robot ini menyediakan pengelolaan yang akurat dan kontaminasi rendah dengan sebagian kecil biaya tenaga kerja manusia.
