Projects
임베디드시스템설계#FreeRTOS#TFLite Micro#MobileNetV2#Flask

저전력 Edge AI 쓰레기 분류 시스템

임베디드시스템설계 Project 3 · 10조

문제
분리배출을 사람이 직접 판단해야 하고, 쓰레기통이 언제 찼는지 모른 채 정해진 시간에만 수거합니다.
접근
물체가 올라오면 Zybo Z7-20이 카메라로 찍어 캔, 일반, 유리, 페트를 분류하고 해당 뚜껑을 엽니다. 평소에는 초음파 센서만 켜 두고, 물체가 감지될 때만 AI 태스크를 깨웁니다.
결과
5종(빈 화면 포함) 분류 정확도 72.3%. 적재 상태는 Wi-Fi로 서버에 보내 웹 대시보드에서 2초마다 갱신합니다.
시연 · 분류 5가지 경우, 적재 감지, 웹 관제1.5× · 39초
일반, 캔, 유리, 페트 4칸 분리수거함과 카메라, LCD
전체 시스템
분리수거함 뒷면의 서보와 보드 배선
뒷면 배선
같은 입력 이미지에 대해 Zybo 보드와 PC 파이썬의 클래스별 확률이 같게 나온 화면
Zybo, PC 추론 결과 일치
평면도 위 쓰레기통을 누르면 종류별 적재 상태가 나오는 웹 대시보드
적재량 대시보드

시스템 구조

핵심 구현

  • MobileNetV2(α=0.5, 128×128)를 두 단계로 전이학습: 상위 레이어 학습 후 베이스 상위 40개 레이어 미세조정
  • TrashNet, RealWaste, TrashBox 데이터셋을 캔, 일반, 유리, 페트, 빈 화면 5종으로 재구성
  • FreeRTOS 태스크 우선순위를 나누고, 바이너리 세마포어 두 개로 카메라와 AI 태스크가 번갈아 돌게 해 이미지 버퍼 덮어쓰기를 막음. UART는 Mutex로 보호하고 송수신은 Queue로 비동기 처리
  • Arduino #1은 레지스터 제어와 3상태 FSM. 분류 결과가 오지 않으면 타임아웃으로 대기 상태로 복귀
  • Arduino #2는 UART 인터럽트 원형 큐로 Wi-Fi 모듈 응답 유실을 막음

수치

분류 정확도
72.3% (2단계 학습 후)
모델
파라미터 876,469개 · 3.34MB
추론 환경
Zynq PS(ARM Cortex-A9), TFLite Micro, 텐서 아레나 4MB
RTOS
태스크 7개, 바이너리 세마포어, Mutex, Queue

링크