检索结果-南通市图书馆

计算机工程与应用 2022年第23期58卷 293-299页

作者：耿丽婷阿里甫·库尔班米娜瓦尔·阿不拉丁培蒋润熙新疆大学软件学院乌鲁木齐830046

目前我国可回收垃圾的回收利用主要依靠人工分拣的方式,造成了人力资源浪费、资源利用率低等问题。为提高资源的回收利用,提出了一个基于改进single shot multibox detector(SSD)算法的可回收垃圾检测器。针对模型参数量大,难以部署应... 详细信息

目前我国可回收垃圾的回收利用主要依靠人工分拣的方式,造成了人力资源浪费、资源利用率低等问题。为提高资源的回收利用,提出了一个基于改进single shot multibox detector(SSD)算法的可回收垃圾检测器。针对模型参数量大,难以部署应用的问题,选用新的主干特征提取网络,引入轻量化的网络RepVGG替换SSD中的VGG16网络,同时采用结构重参数化的方式大幅减少参数量和计算量。修改SSD的辅助卷积层结构,进一步减少参数量。针对数据集尺寸变化大的问题,引入SK模块,自适应调整感受野的尺寸,提高检测精度。实验结果表明,改进的SSD模型在可回收垃圾检测任务上具有较好的检测精度和实时性,精度为95.23%,相较于原始SSD提升了4.33个百分点,检测速度可以达到64 FPS,因此该算法可以更好地应用于工业。

关键词：可回收垃圾检测 SSD算法结构重参数化深度学习

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

融入注意力机制的轻量化可回收垃圾检测方法

引用

包装工程 2023年第9期44卷 243-253页

作者：郭洲黄诗浩谢文明吕晖张旋旋陈哲福建省汽车电子与电驱动技术重点实验室福州350118 福建工程学院电子与电气物理学院福州350118

目的针对目前智能垃圾分类设备使用的垃圾检测方法存在检测速度慢且模型权重文件较大等问题,提出一种基于YOLOv4的轻量化方法,以实现可回收垃圾的检测。方法采用MobileNetV2轻量级网络为YOLOv4的主干网络,用深度可分离卷积来优化颈部和... 详细信息

目的针对目前智能垃圾分类设备使用的垃圾检测方法存在检测速度慢且模型权重文件较大等问题,提出一种基于YOLOv4的轻量化方法,以实现可回收垃圾的检测。方法采用MobileNetV2轻量级网络为YOLOv4的主干网络,用深度可分离卷积来优化颈部和头部网络,以减少参数量和计算量,提高检测速度;在颈部网络中融入CBAM注意力模块,提高模型对目标特征信息的敏感度;使用K−means算法重新聚类,得到适合自建可回收数据集中检测目标的先验框。结果实验结果表明,改进后模型的参数量减少为原始YOLOv4模型的17.0%,检测的平均精度达到96.78%,模型权重文件的大小为46.6 MB,约为YOLOv4模型权重文件的19.1%,检测速度为20.46帧/s,提高了约25.4%,检测精度和检测速度均满足实时检测要求。结论改进的YOLOv4模型能够在检测可回收垃圾时保证较高的检测精度,同时具有较好的实时性。

关键词：可回收垃圾检测 MobileNetV2 YOLOv4 注意力机制深度学习

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习的可回收垃圾检测研究

基于深度学习的可回收垃圾检测研究

引用

作者：郭洲福建工程学院

学位级别：硕士

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... 详细信息

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。

关键词：可回收垃圾检测 MobileNetV2 YOLOv4 注意力机制深度学习

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：