基于改进YOLOv3算法在垃圾检测上的应用

作     者：许伟 熊卫华 姚杰 沈云青 XU Wei;XIONG Wei-hua;YAO Jie;SHENG Yun-qing

作者机构：浙江理工大学机械与自动控制学院浙江杭州310018 

出 版 物：《光电子．激光》 (Journal of Optoelectronics·Laser)

年 卷 期：2020年第31卷第9期

页      面：928-938页

核心收录：

学科分类：0810[工学-信息与通信工程] 08[工学] 081001[工学-通信与信息系统] 

基　　金：国家自然科学基金(61803339) 浙江省重点研发计划项目(2019C03096)资助项目 

主　　题：YOLOv3 垃圾检测 GRU 目标检测 深度可分离卷积 

摘      要：现阶段我国主要靠人工对垃圾进行分拣,存在安全系数低、效率低下等问题。传统目标检测方法针对种类繁多,形态各异的垃圾目标不易设计特征,鲁棒性较差,为实现自然环境下垃圾的快速精准识别,本文提出一种基于深度学习的轻量级垃圾分类检测方法。该方法通过引入CIOU边框回归损失函数来提高回归框准确率;针对低功耗移动设备终端的部署,提出一种以YOLOv3目标检测算法为基础,结合MobileNetV3的特征提取网络,对算法进行轻量化;在YOLO层加入GRU结构,利用多门控循环神经网络结构对YOLO层中不同大小的特征图建立记忆链接,对深层语义特征的向前融合过程进行过滤和筛选,使得特征融合效果更佳;使用迁移学习预训练的方式来提高模型的特征提取能力和泛化能力。文本采用自制的Garbage数据集对改进后的网络进行训练和测试,结果表明,本文提出的算法识别效果显著,平均准确率为90.50%,高于原YOLOv3网络的平均准确率86.30%,检测速度达到18帧/秒,满足实时检测的需求。实验表明,改进后的网络模型能在保证检测准确率和速度的同时,有效降低模型参数量,具有一定应用价值。