Google Coral Edge TPU搭載リサイクル仕分けロボット

リサイクル施設のコンタミネーション率が最大25%に達することをご存知ですか？つまり4個に1個が人の仕分けミスでリサイクル流れに乗れません。気候変動が深刻化する中、コンタミネーション削減はこれまで以上に重要です。私たちの解決策—Google Coral Edge TPUと機械学習物体検出を用いた自律仕分けロボット—は、コンタミネーション率を大幅に低減しつつ運用コストも削減します。

デモ

コードリポジトリ

GitHubでフルプロジェクトをクローンして追跡できます。

ステップ1：データセット取得

精度の高い物体検出モデル訓練には多様なラベル付き画像が必要。TrashNetデータセットを使用。6クラス計2,527枚：

• ガラス – 501枚
• 紙 – 594枚
• 段ボール – 403枚
• プラスチック – 482枚
• 金属 – 410枚
• ゴミ（非リサイクル） – 137枚

データセットはGoogle Driveでダウンロード可能。クイックトレーニング用にリサイズ済みアーカイブ（dataset-resized.zip）、カスタムリサイズ希望ならdataset-original.zip。

ステップ2：画像ラベリング

labelImgで各物体にバウンディングボックスをアノテーション。ボックスは各アイテムにぴったりフィットさせモデル精度を最大化。全アノテーションファイル（.xml）を専用フォルダに格納。ラベリングが時間かかる場合は事前アノテート済みデータセットをこちらからダウンロード。

ステップ3：モデル訓練

TensorFlowの転移学習パイプラインでMobileNet-SSD v2（COCO）バックボーンを使用。Coral Edge TPUと完全互換。ローカルまたはクラウドで訓練可能。ローカルは簡単だが低速。高速化にはGoogle Cloud TPUまたはAWS GPUインスタンスをGoogleチュートリアルやEdjeElectronicsガイドに従って活用。

ステップ4：Coral Edge TPU向けコンパイル

訓練後、モデルをフローズングラフ（.pb）としてエクスポートし、TensorFlow Liteに後学習量子化で変換。最後にedgetpu_compilerでEdge TPUバイナリにコンパイル。詳細手順はEdge TPUコンパイラドキュメント参照。

ステップ5：Raspberry Piへのデプロイ

Raspberry Pi 4にCoral USBアクセラレーターとRaspberry Pi Camera Moduleをセットアップ（公式セットアップガイド準拠）。準備完了後実行：

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 

ライブウィンドウに検出結果表示。qで終了。

ステップ6：ロボットアーム構築

アームはThingiverseから入手した3Dプリント6自由度マニピュレーター。組み立て手順に従い、サーボを以下順序（底から上）で接続：3, 11, 10, 9, 6, 5。basicMovement.inoをArduinoにアップロードし把持/配置テスト。

ステップ7：RPiとアームの統合

カメラをアーム爪の根元にマウントし遠近歪みを最小化。roboticArm.inoをArduinoにアップロード、USBでRaspberry PiとArduinoを接続しシリアル通信確立。ArduinoコードのシリアルポートをPiの/dev/ttyUSB0に合わせて設定。

ステップ8：仕上げ

電子部品をカスタムプロジェクト筐体に収め安全性と美観を確保。完成ビルドはこちら：

事前訓練済みモデル

訓練をスキップしたい場合、デプロイ済みモデルをこちらからダウンロード可能。

Coral Edge TPU上の機械学習を活用し、このロボットは人件費のわずかなコストで精密な低コンタミネーション仕分けを実現します。