垃圾分类日益受到广泛关注,居民日常生活垃圾是一类重要的垃圾来源,实现居民端垃圾的准确分类对推动垃圾分类工作有重要意义。本文针对居民端垃圾目标检测识别中存在的问题,以YOLOv7模型为基础,寻求提升居民端垃圾目标检测识别精度的方法。本文主要工作如下:(1)为克服居民家中进行垃圾目标检测识别受到房屋、家具遮挡垃圾图像变得灰暗致使检测识别精度降低的问题,本文提出一种基于直方图均衡化预处理算法,对成像模糊及光照强度不充足的图像进行增强处理,将整体的图像灰度进行均匀分布以及适当提亮,得到对比度明显的垃圾成像,并对直方图均衡化进行自适应改进,对图像中存在部分明亮和部分灰暗的图像进行自适应局部均衡化。对比实验结果显示,与未进行自适应直方图均衡化的初始实验相比,准确率、召回率以及全类平均精度分别提升1.5%、1.4%、1.6%。(2)针对居民家中垃圾堆叠存放导致互相遮挡影响垃圾目标检测识别精度的问题,本文提出将SKNet(Selective Kernel Networks,SKNet)注意力网络融合到YOLOv7(You Only Look Once version7,YOLOv7)的模型中,构成关注像素级的特征提取网络,极大增强了模型对垃圾图像的特征提取能力。对比实验结果表明,准确率、召回率以及全类平均精度分别提升2.6%、2.2%、2.5%,充分验证了融合SKNet的YOLOv7模型在解决垃圾目标互相遮挡情况下的有效性。(3)通过华为云挑战杯垃圾数据集和自建数据集实验,验证了本文改进方法的有效性。华为云挑战杯数据集为公开垃圾数据集,自建数据集为个人采集并进行归一化处理后的数据集,实验之初,对二者都进行了手工标签标注。华为云数据集实验结果显示,改进后YOLOv7的准确率达到92.4%,召回率达到90.5%,全类平均精度达到92.5%,相较于初始YOLOv7提升了5.2%、4.5%、5.1%;自建数据集实验结果显示,改进后的YOLOv7的准确率达到90.7%,召回率为88.9%,全类平均精度达到90.8%,相较于初始YOLOv7提升了4.4%、4.7%、4.3%。实验结果验证了本文提出的垃圾目标检测识别改进算法是有效的,对推进居民端垃圾分类工作具有积极的促进作用。
暂无评论