구글 코럴 엣지 TPU 기반 재활용 분류 로봇

재활용 시설의 오염율이 최대 25%에 달한다는 사실, 알고 계셨나요? 즉, 4개 중 1개 항목이 분류 과정 중 사람의 실수로 재활용 스트림에 들어가지 못합니다. 기후 변화가 심화됨에 따라 오염 감소는 그 어느 때보다 중요합니다. 우리 솔루션인 구글 코럴 엣지 TPU와 머신러닝 물체 감지를 활용한 자율 분류 로봇은 오염율을 획기적으로 낮추면서 운영 비용도 절감합니다.

데모

코드 저장소

전체 프로젝트는 GitHub에서 클론해 따라해 보세요.

1단계: 데이터셋 확보

정확한 물체 감지 모델 학습에는 다양한 레이블 이미지 세트가 필요. TrashNet 데이터셋 사용, 6개 클래스 2,527개 이미지 포함:

• 유리 – 501장
• 종이 – 594장
• 골판지 – 403장
• 플라스틱 – 482장
• 금속 – 410장
• 쓰레기(비재활용) – 137장

데이터셋은 구글 드라이브에서 다운로드 가능. 빠른 학습용 사전 리사이즈 아카이브(dataset-resized.zip) 또는 직접 리사이징용 dataset-original.zip 선택 가능.

2단계: 이미지 레이블링

labelImg로 각 물체 주위에 바운딩 박스 주석. 박스는 각 항목에 딱 맞게 그려 모델 정확도 극대화. 모든 주석 파일(.xml)은 전용 폴더에 저장. 레이블링이 시간 소모적이면 사전 주석된 데이터셋 여기서 다운로드.

3단계: 모델 학습

TensorFlow 전이 학습 파이프라인에 MobileNet-SSD v2(COCO) 백본 사용, 코럴 엣지 TPU와 완전 호환. 로컬 또는 클라우드 학습 가능. 로컬은 단순하지만 느림; 가속 결과 원하면 구글 클라우드 TPU나 AWS GPU 인스턴스 활용, 구글 튜토리얼 또는 EdjeElectronics 가이드 참조.

4단계: 코럴 엣지 TPU용 컴파일

학습 후 모델을 프로즌 그래프(.pb)로 내보낸 뒤 TensorFlow Lite로 변환(사후 훈련 양자화). 마지막으로 edgetpu_compiler로 TFLite 모델을 엣지 TPU 바이너리로 컴파일. 전체 지침은 엣지 TPU 컴파일러 문서 참조.

5단계: 라즈베리파이에 배포

라즈베리파이 4에 코럴 USB 가속기와 라즈베리파이 카메라 모듈 장착 후 공식 설정 가이드 따름. 준비되면 실행:

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 

실시간 감지 창 표시; q로 종료.

6단계: 로봇 팔 제작

팔은 Thingiverse의 3D 프린트 6자유도 매니퓰레이터. 조립 지침 따라 서보를 아래에서 위로 순서대로 연결: 3, 11, 10, 9, 6, 5. 아두이노에 basicMovement.ino 업로드해 집기/놓기 테스트.

7단계: 라즈베리파이와 팔 통합

카메라를 팔 집게 베이스에 장착해 원근 왜곡 최소화. 아두이노에 roboticArm.ino 업로드, USB로 라즈베리파이와 아두이노 연결해 시리얼 통신 확립. 아두이노 코드 시리얼 포트를 Pi의 /dev/ttyUSB0 인터페이스와 매칭하도록 구성.

8단계: 마무리

전자부품을 커스텀 프로젝트 인클로저로 감싸 안전성과 미관 확보. 완성된 빌드 모습:

사전 학습 모델

학습 건너뛰고 싶으면 배포 준비된 모델 여기서 다운로드.

코럴 엣지 TPU에서 머신러닝을 활용해 이 로봇은 인간 노동 비용의 일부만으로 정밀하고 저오염 분류를 제공합니다.