当前位置：首页 > news >正文

别再空谈概念了！用ESP32和TensorFlow Lite，手把手教你做个能“思考”的智能垃圾桶（附完整代码）

news 2026/7/16 1:49:22

用ESP32和TensorFlow Lite打造会“思考”的智能垃圾桶

在智能家居和环保理念日益普及的今天，垃圾分类成为许多家庭的日常挑战。传统垃圾桶需要人工判断垃圾类型并手动投放，而我们将通过一个有趣的DIY项目——智能分类垃圾桶，来探索如何让机器具备基础的“思考”能力。这个项目不需要昂贵的硬件或复杂的云端服务，仅需一块ESP32开发板、几个基础传感器和一个微型伺服电机，配合TensorFlow Lite轻量级AI模型，就能实现垃圾自动分类的功能。

1. 硬件准备与系统架构

1.1 核心组件选型

这个项目的硬件选型遵循低成本、易获取、高性能三大原则：

主控芯片：ESP32-CAM模组（集成摄像头和WiFi/蓝牙功能）
运动机构：SG90微型伺服电机（扭矩1.2kg/cm，适合轻负载）
传感器：HC-SR04超声波传感器（检测物体接近）
电源：5V/2A Micro USB电源适配器
结构件：3D打印的垃圾桶外壳和机械传动部件

提示：ESP32-CAM的OV2640摄像头支持1600×1200分辨率，足够用于垃圾图像采集

硬件连接示意图如下：

ESP32-CAM ├── 超声波传感器(Trig:IO12, Echo:IO13) ├── 伺服电机(Signal:IO14) └── 5V电源(共用)

1.2 系统工作流程

整个系统遵循典型的边缘AI处理流程：

感知阶段：超声波检测到物体接近（距离<15cm）
数据采集：摄像头拍摄垃圾图像（640×480分辨率）
推理决策：TensorFlow Lite模型识别垃圾类别
执行动作：伺服电机打开对应分类仓的盖子
反馈提示：通过LED灯带显示分类结果

2. 模型训练与优化

2.1 数据集准备

我们使用自定义采集的垃圾图像数据集，包含四大类别：

类别	样本数量	典型示例
可回收物	1200	塑料瓶、纸箱、金属罐
厨余垃圾	900	果皮、剩菜、茶叶渣
有害垃圾	600	电池、药品、灯泡
其他垃圾	1500	纸巾、塑料袋、污损物

数据集增强技巧：

随机旋转（-15°~+15°）
亮度调整（±20%）
添加模拟遮挡（最大30%面积）

2.2 模型选择与训练

采用MobileNetV2作为基础架构，进行迁移学习：

base_model = tf.keras.applications.MobileNetV2( input_shape=(224, 224, 3), include_top=False, weights='imagenet' ) # 自定义分类头 model = tf.keras.Sequential([ base_model, tf.keras.layers.GlobalAveragePooling2D(), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dropout(0.3), tf.keras.layers.Dense(4, activation='softmax') ]) # 模型编译 model.compile( optimizer=tf.keras.optimizers.Adam(learning_rate=0.0001), loss='categorical_crossentropy', metrics=['accuracy'] )

训练参数配置：

Batch Size: 32
Epochs: 30
Validation Split: 0.2

经过量化后的模型大小仅为450KB，在ESP32上推理时间约800ms，满足实时性要求。

3. 嵌入式系统开发

3.1 Arduino环境配置

首先安装必要的库文件：

ESP32：Arduino-ESP32开发板支持包
摄像头驱动：esp32-camera
TensorFlow Lite：EloquentTinyML

开发板配置参数：

#define CAMERA_MODEL_AI_THINKER #include "camera_pins.h" // 摄像头配置 camera_config_t config; config.ledc_channel = LEDC_CHANNEL_0; config.ledc_timer = LEDC_TIMER_0; config.pin_d0 = Y2_GPIO_NUM; // ...其他引脚配置省略 config.xclk_freq_hz = 20000000; config.pixel_format = PIXFORMAT_JPEG;

3.2 关键代码实现

图像采集与预处理：

// 捕获图像 camera_fb_t *fb = esp_camera_fb_get(); if(!fb) { Serial.println("Camera capture failed"); return; } // 转换为RGB格式 uint8_t *rgb_buf = (uint8_t*)malloc(fb->width * fb->height * 3); fmt2rgb888(fb->buf, fb->len, fb->format, rgb_buf); // 图像缩放至224x224 resize_bilinear(rgb_buf, fb->width, fb->height, input->data.uint8, 224, 224);

模型推理部分：

// 创建TensorFlow Lite解释器 static tflite::MicroInterpreter static_interpreter( model, resolver, tensor_arena, kTensorArenaSize); // 获取输入输出张量 TfLiteTensor* input = interpreter->input(0); TfLiteTensor* output = interpreter->output(0); // 执行推理 TfLiteStatus invoke_status = interpreter->Invoke(); if (invoke_status != kTfLiteOk) { Serial.println("Invoke failed"); return; } // 解析输出结果 float plastic_prob = output->data.f[0]; float paper_prob = output->data.f[1]; // ...其他类别概率

4. 机械结构与系统集成

4.1 垃圾桶机械设计

采用模块化分层结构：

顶部层：摄像头和超声波传感器安装位
中间层：四分类旋转式仓体（每个仓90°分布）
底层：电子元件舱和电源管理

伺服电机控制逻辑：

0°：可回收物仓
90°：厨余垃圾仓
180°：有害垃圾仓
270°：其他垃圾仓

4.2 系统调试技巧

常见问题及解决方案：

问题现象	可能原因	解决方法
摄像头无法初始化	电源供电不足	使用独立5V/2A电源
模型推理结果不稳定	光照条件变化	添加环形补光灯
伺服电机抖动	PWM信号干扰	增加100μF电容滤波
WiFi连接频繁断开	天线信号弱	外接IPEX天线