Robot de tri de recyclage propulsé par Google Coral Edge TPU

Saviez-vous que les taux de contamination dans les centres de tri peuvent atteindre 25 % ? Cela signifie qu'un objet sur quatre ne parvient jamais dans le flux de recyclage, principalement à cause d'erreurs humaines lors du tri. Alors que le changement climatique s'intensifie, réduire la contamination est plus crucial que jamais. Notre solution — un robot de tri autonome utilisant Google Coral Edge TPU et la détection d'objets par machine learning — réduit drastiquement les taux de contamination tout en abaissant les coûts opérationnels.

Démonstration

Dépôt de code

Clonez le projet complet sur GitHub pour suivre.

Étape 1 : Obtenir le jeu de données

L'entraînement d'un modèle de détection d'objets précis nécessite un ensemble diversifié d'images étiquetées. Nous avons utilisé le jeu de données TrashNet, qui contient 2 527 images sur six classes :

• Verre – 501 images
• Papier – 594 images
• Carton – 403 images
• Plastique – 482 images
• Métal – 410 images
• Déchets (non recyclables) – 137 images

Le jeu de données est téléchargeable sur Google Drive. Pour un entraînement rapide, téléchargez l'archive pré-redimensionnée (dataset-resized.zip). Si vous préférez un redimensionnement personnalisé, utilisez dataset-original.zip.

Étape 2 : Étiqueter les images

Nous avons utilisé labelImg pour annoter les boîtes englobantes autour de chaque objet. Les boîtes doivent épouser chaque objet pour maximiser la précision du modèle. Tous les fichiers d'annotation (.xml) sont stockés dans un dossier dédié. Si l'étiquetage est chronophage, téléchargez notre jeu de données pré-annoté ici.

Étape 3 : Entraîner le modèle

Nous avons employé le pipeline de transfert d'apprentissage de TensorFlow avec le backbone MobileNet-SSD v2 (COCO), fully compatible avec le Coral Edge TPU. L'entraînement peut se faire localement ou dans le cloud. L'entraînement local est simple mais plus lent ; pour des résultats accélérés, utilisez Google Cloud TPU ou instances AWS GPU en suivant le tutoriel de Google ou le guide EdjeElectronics.

Étape 4 : Compiler pour le Coral Edge TPU

Après l'entraînement, exportez le modèle en graphe gelé (.pb), puis convertissez-le en TensorFlow Lite avec quantification post-entraînement. Enfin, compilez le modèle TFLite en binaire Edge TPU avec edgetpu_compiler. Pour les instructions complètes, voir la documentation du compilateur Edge TPU.

Étape 5 : Déployer sur Raspberry Pi

Configurez un Raspberry Pi 4 avec l'accélérateur USB Coral et le module caméra Raspberry Pi en suivant le guide officiel de démarrage. Une fois prêt, lancez :

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 

Une fenêtre en direct affichera les détections ; appuyez sur q pour quitter.

Étape 6 : Construire le bras robotique

Le bras est un manipulateur 3D-printé à six degrés de liberté provenant de Thingiverse. Suivez les instructions d'assemblage et connectez les servos dans l'ordre suivant (base vers haut) : 3, 11, 10, 9, 6, 5. Téléversez basicMovement.ino sur l'Arduino pour tester la préhension et le placement.

Étape 7 : Intégrer RPi et bras

Montez la caméra à la base de la pince du bras pour minimiser la distorsion de perspective. Téléversez roboticArm.ino sur l'Arduino, puis connectez le Raspberry Pi à l'Arduino via USB pour établir la communication série. Configurez le port série dans le code Arduino pour correspondre à l'interface /dev/ttyUSB0 du Pi.

Étape 8 : Finitions

Encapsulez l'électronique dans un boîtier de projet personnalisé pour la sécurité et l'esthétique. Une construction finie ressemble à ceci :

Modèle pré-entraîné

Si vous préférez sauter l'entraînement, téléchargez notre modèle prêt à déployer ici.

En exploitant le machine learning sur le Coral Edge TPU, ce robot offre un tri précis, à faible contamination, à une fraction du coût de la main-d'œuvre humaine.