基于深度学习的可回收垃圾检测研究

作     者：郭洲 

作者单位：福建工程学院 

学位级别：硕士

导师姓名：黄诗浩

授予年度：2023年

学科分类：12[管理学] 083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：可回收垃圾检测 MobileNetV2 YOLOv4 注意力机制 深度学习 

摘      要：随着社会经济和城镇化进程的快速发展,人们对物质产品的需求日益增长,同时垃圾的总产量也在不断扩增。对垃圾正确分类回收,减少垃圾处理量既保护了生态环境也有利于资源循环利用。然而传统的垃圾分类主要采用人工分拣,这种方式成本高且效率低,难以适应当今社会的发展步伐。对垃圾自动检测识别实现垃圾分类,以提高垃圾分类处理环节的智能化水平逐渐成为了共同关注的时代话题。伴随着计算机硬件更新迭代和深度学习技术的不断发展,这给借助人工智能技术来解决社会的垃圾分类处理难题提供了更多的动机与可能性。因此,本文提出了一种对可回收垃圾检测的网络模型,权衡部署终端的检测速度与精度做了进一步改进,同时构建了包含语音播报以及身份验证对投放流程进行监督的智能可回收垃圾分类检测系统。主要包括以下研究工作:(1)针对目前没有公开的可回收垃圾数据集,首先对采集到的可回收垃圾图像通过水平翻转、亮度调整和添加噪声等5种数据扩充方式进行扩充,扩大了数据集数规模,提高了模型的泛化能力和鲁棒性,防止模型在训练过程中出现过拟合现象。其次使用标注工具进行类别标注,完成了涵盖5种类别,10330张图像的可回收垃圾数据集制作。最后在YOLOv4模型中使用自建的数据集进行实验与结果分析,依据结果的不足,明确后续模型的改进方向。(2)研究基于YOLOv4网络模型的改进思路,采用MobileNetV2轻量级网络替换YOLOv4的主干网络以及用深度可分离卷积来优化颈部网络和头部网络,减少参数量和计算量以实现模型轻量化,提高检测速度。在颈部网络中融入3个CBAM注意力机制模块,提高模型对目标特征信息的敏感度,解决了模型在轻量化后精度低的问题。使用K-means算法重新聚类得到更加符合自建可回收数据集中目标的先验框,在检测精度和先验框拟合度方面取得进一步提升。实验结果表明,改进的YOLOv4模型与原始YOLOv4模型相比,mAP达到了96.78%,提高了5.6%,检测速度为20.46FPS,提高了25.4%。(3)搭建了基于深度学习的智能可回收垃圾分类检测系统,基于上述改进的YOLOv4模型在系统上进行实验分析,将模型移植到搭建好的实验平台,训练好的模型权重文件为46.6MB,仅为YOLOv4的19.1%,极大缓解了内存需求。对实际环境中的可回收垃圾进行实验,依据系统的检测精度与速度,验证了本文所改进方法的创新性与有效性。