Recycling-Sortierroboter mit Google Coral Edge TPU

Wussten Sie, dass Kontaminationsraten in Recyclinganlagen bis zu 25 % erreichen? Jedes vierte Objekt schafft es nie in den Recyclingstrom, largely durch menschliche Fehler beim Sortieren. Mit zunehmendem Klimawandel wird Kontaminationsreduktion kritischer denn je. Unsere Lösung – ein autonomer Sortierroboter mit Google Coral Edge TPU und ML-Objekterkennung – senkt Kontaminationsraten drastisch bei geringeren Betriebskosten.

Demo

Code-Repository

Gesamtes Projekt auf GitHub klonen zum Mitmachen.

Schritt 1: Datensatz beschaffen

Training eines genauen Objekterkennungsmodells braucht vielfältige gelabelte Bilder. Wir nutzten TrashNet Dataset mit 2.527 Bildern über sechs Klassen:

• Glas – 501 Bilder
• Papier – 594 Bilder
• Pappe – 403 Bilder
• Plastik – 482 Bilder
• Metall – 410 Bilder
• Müll (nicht recyclebar) – 137 Bilder

Dataset auf Google Drive verfügbar. Für schnelles Training vorkonvertiertes Archiv (dataset-resized.zip) herunterladen. Für eigenes Resizing dataset-original.zip.

Schritt 2: Bilder labeln

Wir nutzten labelImg für Bounding-Box-Annotationen um jedes Objekt. Boxen sollten eng anliegen für maximale Modellgenauigkeit. Alle Annotationsdateien (.xml) in dediziertem Ordner. Falls Labeln zeitaufwändig, unser vorkonvertiertes Dataset hier herunterladen.

Schritt 3: Modell trainieren

TensorFlow Transfer-Learning-Pipeline mit MobileNet-SSD v2 (COCO) Backbone, voll kompatibel mit Coral Edge TPU. Training lokal oder Cloud. Lokal einfach aber langsamer; für Beschleunigung Google Cloud TPU oder AWS GPU Instanzen per Google Tutorial oder EdjeElectronics Guide.

Schritt 4: Für Coral Edge TPU kompilieren

Nach Training Modell als frozen graph (.pb) exportieren, zu TensorFlow Lite mit Post-Training-Quantisierung konvertieren. Schließlich TFLite-Modell zu Edge-TPU-Binary mit edgetpu_compiler kompilieren. Vollständige Anleitung in Edge TPU Compiler Doku.

Schritt 5: Auf Raspberry Pi deployen

Raspberry Pi 4 mit Coral USB Accelerator und Pi Camera Module per offizieller Setup-Anleitung einrichten. Dann ausführen:

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 

Live-Fenster zeigt Detektionen; q zum Beenden.

Schritt 6: Roboterarm bauen

Arm ist 3D-gedruckter 6-DOF-Manipulator von Thingiverse. Montageanleitung folgen, Servos in Reihenfolge (unten nach oben): 3, 11, 10, 9, 6, 5 verbinden. basicMovement.ino auf Arduino uploaden zum Greifen/Platzieren Test.

Schritt 7: RPi & Arm integrieren

Kamera an Basis der Armklaue montieren für minimale Perspektivverzerrung. roboticArm.ino auf Arduino uploaden, dann Raspberry Pi via USB mit Arduino verbinden für serielle Kommunikation. Serial Port im Arduino-Code auf Pi's /dev/ttyUSB0 anpassen.

Schritt 8: Feinschliff

Elektronik in Custom-Projektgehäuse kapseln für Sicherheit & Ästhetik. Fertiger Build:

Vortrainiertes Modell

Training überspringen? Unser deploybereites Modell hier herunterladen.

Durch ML auf Coral Edge TPU liefert dieser Roboter präzises, kontaminationsarmes Sortieren bei Bruchteil menschlicher Arbeitskosten.