基于树莓派与Edge Impulse的AI垃圾分类系统：从模型训练到嵌入式部署实战

1. 项目概述与核心价值

最近几年，我一直在捣鼓各种嵌入式AI项目，从简单的传感器数据采集到复杂的实时图像识别都尝试过。在这个过程中，我发现了一个特别有意思的领域：如何让一个小巧、低功耗的设备，比如树莓派（Raspberry Pi），真正“看懂”周围的世界并做出智能反应。这不只是技术上的挑战，更是一种将前沿算法落地到真实物理世界的乐趣。今天我想分享的，就是一个非常接地气、又能解决实际问题的项目——基于树莓派和Edge Impulse的AI垃圾分类检测系统。

这个项目的核心目标很简单：让机器自动识别一个物体是塑料瓶还是铝罐。听起来似乎不难，但背后涉及到一整套从数据到决策的完整链条：你需要一个摄像头来“看”，一个大脑（AI模型）来“想”，还需要一套执行机构（比如屏幕和舵机）来“动”。我选择用树莓派作为AI推理的核心，搭配Edge Impulse这个对开发者极其友好的在线机器学习平台来训练模型，最后再用经典的Arduino来处理控制逻辑和显示。整个系统就像一个微型的智能分拣站：按下按钮，摄像头拍照，AI识别，结果通过串口发送给Arduino，LCD屏幕显示分类，舵机还能根据结果转动到不同位置（模拟分拣动作）。

为什么选择这个组合？首先，树莓派有足够的算力来运行轻量级的图像识别模型，其丰富的GPIO和社区支持让硬件集成变得轻松。其次，Edge Impulse彻底改变了嵌入式机器学习的开发体验，它把数据采集、标注、训练、优化和部署集成在一个可视化界面里，你甚至不需要深厚的机器学习背景就能上手。最后，Arduino在实时控制和硬件交互上的稳定性和易用性无可替代，负责“执行层”再合适不过。这个项目完美地串联了感知（CV）、决策（AI）和控制（嵌入式），对于想入门AIoT（人工智能物联网）的朋友来说，是一个绝佳的练手案例。

2. 系统架构与核心组件选型解析

在动手之前，我们需要把整个系统的骨架搭清楚。这个项目不是简单的代码堆砌，而是一个软硬件协同的微型系统。理解每个部分为什么选它、以及它们之间如何对话，是成功的关键。

2.1 硬件选型与角色分工

硬件清单看起来不少，但每一样都有其不可替代的作用：

1. 核心计算单元：Raspberry Pi (任何型号)

   • 角色：系统的“大脑”。负责运行操作系统、调用摄像头驱动、执行训练好的AI模型进行实时图像分类。
   • 选型考量：树莓派3B+或4B是理想选择。它们拥有足够的CPU和内存（建议1GB RAM以上）来流畅运行Raspbian系统、Node.js环境以及Edge Impulse的Linux推理引擎。更早的型号（如Zero W）虽然也能用，但在处理图像流时可能会比较吃力。

2. 感知单元：Raspberry Pi Camera Module

   • 角色：系统的“眼睛”。采集待检测物体的图像。
   • 选型考量：官方CSI接口的摄像头模块是最佳选择，因为它能提供稳定的数据传输和系统级的驱动支持。USB摄像头也可用，但可能需要额外配置，且帧率和稳定性可能稍逊。

3. 控制与显示单元：Arduino Uno + I2C LCD屏幕 + 伺服电机 (SG90)

   • 角色：系统的“手脚”和“告示牌”。Arduino接收来自树莓派的分类指令，驱动LCD屏幕显示结果，并控制舵机转动到对应角度。
   • 选型考量：
     • Arduino Uno：经典、稳定、串口通信简单可靠。其ATmega328P芯片完全能胜任解析串口指令和驱动外围设备的工作。
     • I2C LCD屏幕：相比传统的并行LCD，它只需要2根数据线（SDA, SCL）即可通信，大大节省了Arduino的IO口，接线也更清爽。
     • 伺服电机 (SG90)：这是一种位置伺服电机，可以精确控制旋转角度（通常0-180度）。我们用它来模拟分拣臂的动作，比如0度代表铝罐通道，180度代表塑料瓶通道。

4. 交互单元：按键与LED

   • 角色：系统的“启动开关”和“状态指示灯”。按键用于手动触发一次检测流程，LED则在检测过程中亮起作为状态提示。
   • 实现：直接使用树莓派的GPIO口连接一个轻触开关和一个LED灯。

5. 通信桥梁：USB数据线

   • 角色：连接树莓派和Arduino的“信息高速公路”。通过串口通信（Serial over USB）传递分类结果。
   • 关键点：这是整个系统联调中最容易出问题的环节之一，后面会详细讲如何确保通信稳定。

2.2 软件栈与数据流

软件层面，我们构建了一个三层结构：

1. 模型训练与部署层 (Edge Impulse Studio)：这是一个云端平台。我们在这里上传塑料瓶和铝罐的图片数据集，设计并训练一个图像分类的神经网络模型，最后将模型打包成可以在树莓派上运行的库文件（.eim格式）。它的优势在于自动化了特征提取、模型架构搜索和量化优化等复杂步骤。

2. 边缘推理层 (树莓派上的Node.js应用)：这是项目的核心逻辑所在。我们运行Edge Impulse提供的edge-impulse-linux-runner程序，它会加载.eim模型文件并驱动摄像头。我们需要修改这个runner的源代码，在其中嵌入我们的控制逻辑：监听按键、采集图像、运行推理、平滑处理预测结果，并通过串口将最终判断发送给Arduino。

3. 设备控制层 (Arduino固件)：运行在Arduino Uno上的一个简单程序。它持续监听串口，一旦收到树莓派发来的特定格式数据（如“75_25”），就解析出铝罐和塑料瓶的置信度，在LCD上显示类别和分数，并驱动舵机转到相应位置。

数据流全景图： 用户按下按键 -> 树莓派GPIO检测到高电平 -> 触发AI推理进程 -> 摄像头捕获一帧图像 -> Edge Impulse模型进行推理 -> 得到“铝罐”和“塑料瓶”的概率值 -> 树莓派对连续多帧的结果进行平滑平均 -> 当某一类别的平均置信度超过70%时，通过USB串口发送数据给Arduino -> Arduino解析数据，更新LCD显示，控制舵机转动 -> 完成一次检测循环。

3. 从零开始：模型训练与Edge Impulse实战

很多嵌入式AI项目卡在第一步：模型从哪里来？Edge Impulse的出现，让这件事变得像搭积木一样直观。下面我带大家走一遍完整的流程。

3.1 数据准备：获取高质量的图像数据集

模型的好坏，七分靠数据。对于“塑料瓶”和“铝罐”这个二分类问题，我们需要收集至少每类150-200张图片。图片的多样性至关重要：

• 场景多样性：在不同背景、不同光照条件（强光、弱光、室内、室外）下拍摄。
• 角度与距离多样性：物体的正面、侧面、顶部、局部特写，以及远近不同的照片。
• 状态多样性：满瓶、空瓶、有标签、无标签、挤压变形的瓶子、不同品牌的罐子。

如何高效获取数据？

1. 自行拍摄：用树莓派摄像头写一个简单的Python脚本，定时或按键拍照，这是最直接的方式。
2. 公开数据集：在Kaggle、Roboflow等平台搜索“recycling”, “bottle”, “can”等关键词，可以找到一些相关数据集。
3. 数据增强：在Edge Impulse或本地使用工具（如imgaug）对现有图片进行旋转、裁剪、调整亮度、添加噪声等操作，可以低成本地扩充数据集。

准备好图片后，按类别放入两个文件夹，例如aluminum_can和plastic_bottle。文件名最好能体现类别，便于后续自动标注。

3.2 在Edge Impulse中创建项目与上传数据

1. 注册与创建：访问Edge Impulse官网，注册账号，创建一个新项目，类型选择“Images”。
2. 数据上传：
   • 进入Data acquisition标签页。
   • 点击Upload data，选择“Upload existing data”。
   • 在“Upload into category”中，选择Automatically split between training and testing。这是让平台自动按比例（默认80/20）划分训练集和测试集，非常省心。
   • 在“Label”中，选择Infer from filename。只要你按类别名-其他描述.jpg的格式命名文件（如aluminum_can-coke.jpg），平台就能自动提取aluminum_can作为标签。
   • 选择你的图片文件夹，开始上传。建议分批上传，避免网络问题。

3.3 设计并训练你的“Impulse”

“Impulse”是Edge Impulse的核心概念，它定义了从原始数据到推理结果的处理流水线。

1. 创建Impulse：

   • 进入Impulse design标签页。
   • 在“Add a processing block”中，选择Image。这告诉系统我们的输入是图像。
   • 在“Add a learning block”中，选择Transfer Learning (Images)。迁移学习让我们能基于预训练的大模型（如MobileNetV2）进行微调，用少量数据就能获得很好的效果。
   • 点击Save Impulse。

2. 配置图像参数：

   • 点击Impulse流水线中的Image区块。
   • 在参数设置中，Color depth选择RGB。虽然灰度图（Grayscale）处理更快，但颜色信息对于区分金属光泽（铝罐）和塑料质感很有帮助，所以优先选择RGB以获得更高准确率。
   • Image width & height根据你的摄像头分辨率和树莓派算力来定。96x96或160x160是很好的起点，在速度和精度间取得了平衡。尺寸越小，推理越快。
   • 点击Save parameters。

3. 生成特征：

   • 点击Generate features标签页，然后点击大大的绿色按钮。这一步会将所有训练图像缩放到你设定的尺寸，并提取出高维特征，为后面的训练做准备。
   • 完成后，你会看到“Feature explorer”可视化图。理想情况下，不同类别的数据点应该聚集在不同的区域，并且彼此远离。如果混在一起，说明你的数据区分度不够，可能需要回头优化数据集。

4. 模型训练：

   • 点击Transfer Learning区块。
   • 神经网络架构：对于树莓派这类设备，MobileNetV2是经过验证的高效选择。它在精度和速度上做了很好的权衡。
   • 训练关键参数：
     • Number of training cycles：建议从30开始。太少了学不透，太多了可能过拟合。
     • Learning rate：保持默认的0.0005即可。这是模型学习的速度，太大容易震荡，太小收敛慢。
     • Validation set size：设为20%。这部分数据不参与训练，只用于在训练过程中评估模型泛化能力。
   • 点击Start training，然后泡杯茶等待。训练完成后，关注Training performance面板：
     • Accuracy：训练准确率，一般能达到98%以上。
     • Loss：损失值，越低越好。
     • 最重要的是Confusion matrix（混淆矩阵）。它告诉你模型在测试集上具体怎么错的。比如，是否有很多铝罐被误判为塑料瓶？这能指导你后续补充哪类数据。

3.4 模型测试与部署

1. 实时测试：在Edge Impulse Studio的Live classification标签页，如果你连接了树莓派摄像头，可以直接看到模型在真实视频流上的识别效果。这是快速验证模型是否“工作”的最佳方式。
2. 模型部署：
   • 进入Deployment标签页。
   • 选择Linux boards作为部署目标。
   • 选择C++ library或Linux (Raspberry Pi 4)选项。Edge Impulse会为你生成一个包含模型和推理引擎的可执行文件。
   • 点击Build，稍等片刻后下载生成的.eim文件。这个文件就是你的AI模型，可以直接在树莓派上运行。

实操心得：在训练的最后阶段，不要只看总体准确率。一定要点开“混淆矩阵”和“在测试集上的表现”，仔细查看哪些图片被错误分类了。把这些错例找出来，分析原因（光线太暗？角度太偏？有遮挡？），然后有针对性地补充一些类似场景的图片到数据集中，重新训练。往往只需要增加几十张“困难样本”，模型的鲁棒性就会有显著提升。

4. 树莓派端：环境搭建与核心代码剖析

模型准备好了，接下来就是让它在树莓派上“活”起来。这部分是项目的软件核心，涉及到系统配置、依赖安装和关键代码的修改。

4.1 树莓派基础环境配置

1. 系统安装：使用Raspberry Pi Imager工具，为你的SD卡刷入最新的Raspberry Pi OS (Legacy, 32-bit)。这个版本兼容性最好。确保启用SSH，并设置好Wi-Fi和国家选项，方便无头（无显示器）启动。
2. 基础更新：首次启动后，通过终端执行：

   sudo apt update && sudo apt upgrade -y

3. 安装Node.js与npm：Edge Impulse Linux runner依赖于Node.js。

   curl -fsSL https://deb.nodesource.com/setup_18.x | sudo -E bash - sudo apt install -y nodejs node --version # 验证安装，应为v18.x或更高

4. 安装Edge Impulse CLI工具：这是与Edge Impulse平台交互和运行模型的关键。

   npm install -g edge-impulse-cli

5. 连接Edge Impulse项目：

   edge-impulse-daemon

   运行后，终端会显示一个URL，在电脑浏览器中打开并登录你的Edge Impulse账号，选择之前创建的项目进行关联。

4.2 修改Edge Impulse Linux Runner：注入控制逻辑

默认的edge-impulse-linux-runner只是一个演示程序，会持续不断地分类并打印结果。我们需要修改它，使其受按键控制，并对结果进行平滑处理和串口发送。

核心修改点一：在Runner中添加串口通信和状态变量

我们需要编辑/usr/lib/node_modules/edge-impulse-linux/build/cli/linux/runner.js文件（路径可能略有不同）。在文件顶部引入串口库并定义变量：

// 在文件开头的require部分之后添加 const SerialPort = require('serialport'); const parsers = SerialPort.parsers; const parser = new parsers.Readline({ delimiter: '\r\n' }); // 注意：串口路径 /dev/ttyACM0 是Arduino Uno在树莓派上常见的设备名，如果不符请用 `ls /dev/tty*` 命令检查 var port = new SerialPort('/dev/ttyACM0', { baudRate: 115200, dataBits: 8, parity: 'none', stopBits: 1, flowControl: false }); port.pipe(parser); // 状态变量：用于平滑处理预测结果 var aluminumAverage = 0; var plasticAverage = 0; var sampleCounter = 0; var isRunning = false; // 标志当前是否正在执行一次检测流程

核心修改点二：改造推理结果处理逻辑

找到imageClassifier.on('result', ...)这个事件监听器。这是每次AI推理完成后的回调函数。我们需要用我们的逻辑替换掉里面简单的console.log。

imageClassifier.on('result', async (ev, timeMs, imgAsJpg) => { if (!ev.result.classification) return; let result = ev.result.classification; // 1. 平滑处理：累计20次推理结果的平均值，以减少单次预测的波动 aluminumAverage += Number(result["aluminum"] || 0); // 假设你的类别标签是'aluminum'和'plastic' plasticAverage += Number(result["plastic"] || 0); sampleCounter++; if (sampleCounter >= 20) { aluminumAverage = aluminumAverage / 20; plasticAverage = plasticAverage / 20; sampleCounter = 0; // 2. 决策逻辑：只有当某一类别的平均置信度超过70%时，才认为识别有效 if (aluminumAverage >= 0.70) { console.log(`[决策] 识别为铝罐，置信度: ${(aluminumAverage*100).toFixed(1)}%`); // 3. 通过串口发送指令，格式如 "AL_85" 表示铝罐，置信度85% port.write(`AL_${Math.floor(aluminumAverage * 100)}`); isRunning = false; // 本次检测结束 await imageClassifier.stop(); // 停止分类器，等待下一次按键触发 } else if (plasticAverage >= 0.70) { console.log(`[决策] 识别为塑料瓶，置信度: ${(plasticAverage*100).toFixed(1)}%`); port.write(`PL_${Math.floor(plasticAverage * 100)}`); isRunning = false; await imageClassifier.stop(); } else { console.log(`[决策] 置信度不足，铝罐: ${(aluminumAverage*100).toFixed(1)}%， 塑料瓶: ${(plasticAverage*100).toFixed(1)}%`); port.write('UNCERTAIN'); // 发送不确定指令 isRunning = false; await imageClassifier.stop(); } // 重置平均值 aluminumAverage = 0; plasticAverage = 0; } });

核心修改点三：实现按键控制

我们需要一个独立的脚本来监听GPIO按键，并控制runner的启动。创建一个新文件，例如/home/pi/button_controller.js：

const Gpio = require('onoff').Gpio; const { exec } = require('child_process'); const button = new Gpio(17, 'in', 'rising', { debounceTimeout: 50 }); // 使用GPIO17，上升沿触发，防抖50ms const led = new Gpio(4, 'out'); // GPIO4接LED let runnerProcess = null; button.watch(async (err, value) => { if (err) { console.error('按键错误:', err); return; } if (runnerProcess === null) { console.log('按键按下，启动AI检测...'); led.writeSync(1); // LED亮起，表示系统运行中 // 启动edge-impulse-linux-runner进程 runnerProcess = exec('edge-impulse-linux-runner --model-file /path/to/your/model.eim', (error, stdout, stderr) => { if (error) { console.error(`执行错误: ${error}`); return; } console.log(`输出: ${stdout}`); }); // 假设检测流程会在发送串口指令后自行停止（见上文代码中的 imageClassifier.stop()） // 我们需要监听runner进程的退出，或者通过其他IPC方式知道检测完成 // 这里简化处理：10秒后强制重置状态（实际应根据串口收到确认信号来重置） setTimeout(() => { resetState(); }, 10000); } else { console.log('系统忙，忽略按键'); } }); function resetState() { if (runnerProcess) { runnerProcess.kill('SIGINT'); runnerProcess = null; } led.writeSync(0); // LED熄灭 console.log('系统就绪，等待下一次按键。'); } // 程序退出时清理GPIO资源 process.on('SIGINT', () => { button.unexport(); led.unexport(); if (runnerProcess) runnerProcess.kill(); process.exit(); });

注意事项：直接修改全局安装的edge-impulse-linux-runner文件不是最佳实践，因为更新CLI工具时会被覆盖。更好的做法是复制一份runner的源码到你的项目目录，然后修改并运行你自己的版本。你可以从Edge Impulse的GitHub仓库找到Linux runner的源代码。

5. Arduino端：串口通信与执行器控制

树莓派完成了“感知”和“思考”，Arduino则负责最后的“执行”。这部分代码逻辑清晰，但串口通信的稳定性需要特别注意。

5.1 硬件连接与库安装

1. 连接LCD (I2C)：
   • SDA -> Arduino Uno的A4 (或SDA引脚)
   • SCL -> Arduino Uno的A5 (或SCL引脚)
   • VCC -> 5V
   • GND -> GND
2. 连接伺服电机：
   • 信号线 (黄色/橙色) -> 数字引脚 3 (支持PWM)
   • VCC (红色) -> 5V (注意：如果电机较多，需外接电源)
   • GND (棕色/黑色) -> GND
3. 安装库：在Arduino IDE中，通过库管理器搜索并安装LiquidCrystal_I2C和Servo库。

5.2 Arduino核心代码解析

以下是communicate.ino的增强版，增加了更健壮的通信和状态处理：

#include <Wire.h> #include <LiquidCrystal_I2C.h> #include <Servo.h> // 初始化LCD，地址通常是0x27或0x3F，用I2C扫描器确认 LiquidCrystal_I2C lcd(0x27, 16, 2); Servo myServo; const int servoPin = 3; bool systemReady = true; String incomingData = ""; unsigned long lastActionTime = 0; const unsigned long servoResetDelay = 1000; // 舵机动作后复位等待时间(ms) void setup() { Serial.begin(115200); // 波特率必须与树莓派发送端严格一致 while (!Serial) { ; // 等待串口连接，对于Leonardo等板子很重要 } lcd.init(); lcd.backlight(); lcd.clear(); lcd.setCursor(0, 0); lcd.print("System Ready"); delay(1000); lcd.clear(); myServo.attach(servoPin); myServo.write(90); // 初始位置设为中间（90度） } void loop() { // 1. 读取串口数据 while (Serial.available() > 0) { char inChar = (char)Serial.read(); if (inChar == '\n') { // 以换行符作为一条指令的结束 processCommand(incomingData); incomingData = ""; } else { incomingData += inChar; } } // 2. 舵机复位逻辑：动作完成后，等待一段时间回到中间位置 if (!systemReady && (millis() - lastActionTime > servoResetDelay)) { myServo.write(90); systemReady = true; lcd.clear(); lcd.setCursor(0, 0); lcd.print("Ready..."); } } void processCommand(String cmd) { lcd.clear(); if (cmd.startsWith("AL_")) { // 指令格式: AL_85 String confidence = cmd.substring(3); lcd.setCursor(0, 0); lcd.print("Aluminum Can"); lcd.setCursor(0, 1); lcd.print("Conf: "); lcd.print(confidence); lcd.print("%"); myServo.write(0); // 转到0度，代表铝罐分拣通道 systemReady = false; lastActionTime = millis(); } else if (cmd.startsWith("PL_")) { // 指令格式: PL_78 String confidence = cmd.substring(3); lcd.setCursor(0, 0); lcd.print("Plastic Bottle"); lcd.setCursor(0, 1); lcd.print("Conf: "); lcd.print(confidence); lcd.print("%"); myServo.write(180); // 转到180度，代表塑料瓶分拣通道 systemReady = false; lastActionTime = millis(); } else if (cmd == "UNCERTAIN") { lcd.setCursor(0, 0); lcd.print("Uncertain"); lcd.setCursor(0, 1); lcd.print("Try Again"); // 不确定时，舵机不动作，或可以有小幅提示性摆动 // myServo.write(45); // delay(300); // myServo.write(135); // delay(300); // myServo.write(90); systemReady = true; } else { // 非法指令 lcd.setCursor(0, 0); lcd.print("Invalid Cmd:"); lcd.setCursor(0, 1); lcd.print(cmd); } }

代码关键点解析：

• 串口协议设计：我们定义了简单的字符串协议，如“AL_85”。前缀AL_或PL_表示类别，后面是置信度。这种格式易于在Arduino端用startsWith()和substring()解析。
• 指令终止符：使用换行符\n作为每条指令的结束标志，确保能正确读取完整指令，避免粘包问题。
• 状态管理：systemReady标志位防止在舵机执行动作期间处理新的指令，避免机械冲突。
• 舵机复位：动作完成后，等待一段时间自动回到中间位置，为下一次检测做准备。

6. 系统集成、调试与避坑指南

当硬件连好，代码写完，最激动人心也最“折磨人”的联调阶段就开始了。下面是我在多次项目中总结出的核心调试步骤和常见问题。

6.1 分步集成与测试流程

不要试图一次性让所有部件协同工作。务必遵循“自底向上，逐步集成”的原则：

1. 独立测试Arduino：

   • 上传最基本的串口回显程序，确保它能通过USB接收和发送数据。
   • 单独测试LCD显示和舵机转动，确保硬件连接和库函数调用正确。

2. 独立测试树莓派串口发送：

   • 写一个简单的Python脚本（使用pyserial库）或Node.js脚本，每隔1秒向/dev/ttyACM0发送“AL_95\n”和“PL_80\n”。
   • 观察Arduino端的LCD和舵机是否正确响应。这一步能排除掉80%的通信问题。

3. 独立测试Edge Impulse Runner：

   • 在树莓派上，使用官方命令edge-impulse-linux-runner直接运行你下载的.eim模型文件。
   • 确保摄像头被正确识别，并且能在终端看到实时的分类输出（概率值）。如果这一步失败，检查摄像头驱动和Edge Impulse CLI的安装。

4. 集成按键控制：

   • 运行你修改后的button_controller.js，确保按下按键后，LED能亮，并且能启动AI runner进程。
   • 暂时将runner的输出重定向到一个文件，或者直接观察其打印的日志，确认推理逻辑被触发。

5. 全系统联调：

   • 将修改后的runner代码（包含串口发送逻辑）与按键控制器结合。确保在按键触发后，完整的“拍照->推理->发送结果”流程能走通。
   • 此时，你应该能看到：按下按钮 -> 树莓派LED亮 -> 终端打印识别过程和置信度 -> Arduino LCD显示结果 -> 舵机转动。

6.2 常见问题与解决方案实录

下面这个表格是我在调试过程中遇到的一些典型问题及解决方法，希望能帮你节省大量时间：

6.3 性能优化与扩展思路

当系统基本跑通后，你可以考虑以下优化和扩展：

• 降低功耗与发热：树莓派持续运行AI推理负载不轻。可以修改代码，让系统在空闲时（未按下按钮）进入低功耗状态，或者直接关闭摄像头和推理进程。
• 增加视觉反馈：除了LCD，可以在树莓派上连接一个小型OLED屏幕，实时显示摄像头画面和分类结果，方便调试和演示。
• 实现真正的分拣：将舵机换成更强大的直流电机+传送带，或者使用气动推杆，构建一个能实际将物体推入不同垃圾桶的机械结构。
• 增加更多类别：在Edge Impulse中，你可以轻松增加新的类别，如“玻璃瓶”、“纸盒”等，并重新训练模型。只需要在树莓派和Arduino的代码中相应增加对新类别的处理逻辑即可。
• 网络化与云连接：让树莓派将识别结果（时间、类别、图片）通过MQTT协议上传到云平台（如Home Assistant, AWS IoT），实现数据统计和远程监控。

这个项目最吸引我的地方，就在于它像一块完美的“积木”。你理解了从数据到模型，从推理到控制的完整链条后，就可以把“垃圾分类”这个主题，替换成任何你感兴趣的图像识别应用，比如仓库零件分拣、植物病害检测、甚至是一个简单的安防监控系统。技术的乐趣，就在于用代码和硬件，让想法一点点变成现实。