Robô de Triagem de Reciclagem Alimentado por Google Coral Edge TPU

Você sabia que taxas de contaminação em instalações de reciclagem podem chegar a 25%? Isso significa que um em cada quatro itens nunca entra no fluxo de reciclagem, largely devido a erro humano durante triagem. À medida que mudanças climáticas se intensificam, reduzir contaminação é mais crítico que nunca. Nossa solução — um robô de triagem autônomo que usa Google Coral Edge TPU e detecção de objetos por machine learning — corta taxas de contaminação drasticamente enquanto reduz custos operacionais.

Demo

Repositório de Código

Clone o projeto completo no GitHub para acompanhar.

Passo 1: Obter o Dataset

Treinar modelo de detecção de objetos preciso requer conjunto diversificado de imagens rotuladas. Usamos dataset TrashNet, contendo 2.527 imagens em seis classes:

• Vidro – 501 imagens
• Papel – 594 imagens
• Papelão – 403 imagens
• Plástico – 482 imagens
• Metal – 410 imagens
• Lixo (não reciclável) – 137 imagens

Dataset disponível para download no Google Drive. Para treino rápido, baixe arquivo pré-redimensionado (dataset-resized.zip). Se preferir redimensionamento customizado, use dataset-original.zip.

Passo 2: Rotular Imagens

Usamos labelImg para anotar bounding boxes em cada objeto. Bounding boxes devem ajustar-se firmemente a cada item para maximizar precisão do modelo. Todos arquivos de anotação (.xml) ficam em pasta dedicada. Se rotulagem for demorada, baixe nosso dataset pré-anotado aqui.

Passo 3: Treinar Modelo

Empregamos pipeline de transfer learning do TensorFlow com backbone MobileNet-SSD v2 (COCO), totalmente compatível com Coral Edge TPU. Treino pode ser local ou na nuvem. Treino local é direto mas lento; para resultados acelerados, use Google Cloud TPU ou instâncias AWS GPU seguindo tutorial do Google ou guia EdjeElectronics.

Passo 4: Compilar para Coral Edge TPU

Após treino, exporte modelo como grafo congelado (.pb), converta para TensorFlow Lite com quantização pós-treino. Finalmente, compile modelo TFLite para binário Edge TPU usando edgetpu_compiler. Para instruções completas, veja documentação do compilador Edge TPU.

Passo 5: Implantar no Raspberry Pi

Configure Raspberry Pi 4 com Coral USB Accelerator e Raspberry Pi Camera Module seguindo guia oficial. Uma vez pronto, execute:

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 

Janela ao vivo exibirá detecções; pressione q para sair.

Passo 6: Construir Braço Robótico

O braço é manipulador 3D-impresso de seis graus de liberdade do Thingiverse. Siga instruções de montagem e conecte servos na ordem (base ao topo): 3, 11, 10, 9, 6, 5. Faça upload de basicMovement.ino no Arduino para testar agarrar e soltar.

Passo 7: Integrar RPi e Braço

Monte câmera na base da garra do braço para minimizar distorção de perspectiva. Faça upload de roboticArm.ino no Arduino, então conecte Raspberry Pi ao Arduino via USB para comunicação serial. Configure porta serial no código Arduino para combinar com interface /dev/ttyUSB0 do Pi.

Passo 8: Toques Finais

Encapsule eletrônica em gabinete customizado para segurança e estética. Build final parece isto:

Modelo Pré-treinado

Se preferir pular treino, baixe nosso modelo pronto para implantar aqui.

Aproveitando machine learning no Coral Edge TPU, este robô entrega triagem precisa, de baixa contaminação, a fração do custo de mão de obra humana.