人工智能学院2024届学生毕业综合实践优秀作品
作品名称：基于开源鸿蒙的垃圾自动分类桶设计与实现
作 者：高迦南、郭选
专 业：软件技术
班 级：软件2101
指导教师：郑迎亚（讲师）
作品特点：
秉持着推动绿色发展、构建美丽中国的理念，我们设计并开发了智能垃圾分类装置。该装置基于华为海思开发板，利用开源鸿蒙操作系统，结合深度学习算法，能实现垃圾自动识别并自动控制垃圾桶的开关，主要特点如下：
1.智能化识别与分类技术：采用先进的人工智能深度学习技术，结合软硬件开发技术，实现对垃圾的智能识别与分类，能够准确判断垃圾种类，并实现自动分类，极大地提高了垃圾分类的准确性和效率。舵机控制实现智能投放，结合Pegasus套件的舵机控制功能，实现智能垃圾桶盖板的自动开合，使得垃圾可以自动投放，减少了人工操作的需求，提高了使用便捷性。
2.运用国产技术栈，技术综合性强：硬件采用华为海思HiSpark开发平台，支持智慧视觉处理、AI推理，操作系统采用开源鸿蒙，使得系统具有良好的稳定性和可扩展性，方便开发者进行二次开发和定制化，适用性更广，算法采用Resnet-18深度学习模型，软硬件全部国产自主可控，充分体现信创特点。整套装置综合了硬件、软件、算法三个层面的开发工作，具有一定的技术复杂度与难度，综合性强。
3.实用性与可行性高：通过实验验证，本项目设计的智能垃圾自动分类桶系统具有良好的实用性和可行性，识别准确率高，能够有效地应对实际生活中的垃圾处理问题，同时普及相关垃圾分类知识，系统使用方便，体验优秀，为环境保护和资源回收提供了一种创新的解决方案。
作品说明：
1.课题来源
我校与中软国际共建信创产业学院与鸿蒙工坊，学生在鸿蒙工坊开展信息技术相关创新工作，本课题来源于学生在学习与创新实践过程中对城市化进程中垃圾处理问题的关注、思考与探索。随着城市人口的增长和生活水平的提高，垃圾产量不断增加，传统的垃圾处理方式已无法满足需求。因此，本课题以智能化技术为基础，旨在设计一种智能垃圾分类桶系统，利用计算机视觉和深度学习技术实现对垃圾的自动识别和分类，并结合舵机控制实现垃圾的自动投放，提高垃圾分类的准确性和效率，减少人工干预。这一课题的提出，旨在为城市垃圾处理问题寻求创新解决方案，推动智能化技术在环境保护领域的应用，为城市可持续发展做出贡献。作品功能
2.本智能垃圾分类系统具有以下主要功能：
（1）垃圾识别与分类：通过计算机视觉技术，实现对不同类型垃圾的自动识别和分类，并通过硬件驱动，打开对应的垃圾桶，帮助用户完成垃圾投放；
（2）实时反馈和指导：用户在投放垃圾时，系统能够给予实时反馈和分类指导，帮助用户正确分类；
（3）垃圾分类知识普及：开发鸿蒙应用，安装到系统上，应用提供相关垃圾分类知识的普及和教育，提升公众的环保意识，并提供一些简单的信息查询与控制功能；
（4）分类结果数据统计与分析：系统后台记录和统计用户的垃圾分类行为和数据，为环保部门提供数据支持和决策参考。
3.设计方法或设计思路
（1）硬件平台：基于华为海思HiSpark平台，选择Taurus & Pegasus AI计算机视觉基础开发套件，其具备摄像头、舵机等必要组件，支持智能垃圾桶的功能需求；
（2）软件平台：选择OpenHarmony操作系统作为系统的基础开发平台，其具备良好的稳定性和可扩展性；
（3）图像识别与分类算法：采用深度学习算法卷积神经网络（CNN），编码实现Resnet-18模型，利用垃圾图像进行训练、识别与分类；
（4）舵机控制设计：结合Pegasus套件的舵机控制功能，设计合适的控制算法，开发控制程序，根据识别结果控制舵机实现垃圾桶盖板的自动开合；
（5）应用开发：基于华为OpenHarmony操作系统，采用ArkTS语言，利用鸿蒙配套库开发鸿蒙应用，安装并运行到操作系统上。
成果展示：
基于华为海思HiSpark开发板，搭建了垃圾分类桶，并对硬件、软件、算法3个层面进行了开发，实现了垃圾自动分类与垃圾桶的智能控制，效果如图1、2、3所示。
图1 装置外观
图2 分类识别界面显示
图3 装置工作图
指导教师点评：
本项目作品在信创思想和国产化技术运用方面表现出色，体现了学生对当前技术趋势的深刻理解和实践能力。通过选择华为海思HiSpark开发平台和开源鸿蒙操作系统，学生不仅展示了对国产技术栈的熟悉度，而且也彰显了对国家信创产业的积极支持。在算法实现方面，采用Resnet-18深度学习模型进行图像识别与分类，显示了学生在人工智能技术领域的扎实基础和创新应用能力。所开发的装置系统能很好的实现垃圾自动识别、分类与对应垃圾桶的开关控制，具有一定的实际价值与借鉴意义，对推动垃圾分类知识普及、智慧城市建设和环境保护具有重要意义。该组成员在整个毕业设计过程中表现出了很好的团队协作能力、自主学习能力、良好的沟通能力以及非常强的软硬件协同开发能力，做到学以致用，表现优异。不足之处是软件的界面设计、用户体验方面可以进一步优化，另外在图像识别速度上面仍有优化的空间，后续可以继续研究改进深度学习算法，在识别准确率与效率上进一步提升，同时对应用程序进行优化开发，以提升整个系统的使用体验。
