基于卷积神经网络的生活垃圾检测与分类方法研究
【摘要】：近年来，生活垃圾急剧增加，对我们的生活产生了巨大影响，推广垃圾分类势在必行。目前，垃圾分类工作主要分为分类、运输和处理三个阶段。运送和加工阶段目前主要依靠人工，存在分类困难、效率低下的问题。但目前智能垃圾分类的应用还很少，国内也缺乏智能垃圾分类的研究。本文将深度学习技术与生活垃圾分类问题相结合，利用卷积神经网络对图像中的垃圾进行检测和分类。可实现垃圾智能分类、智能垃圾分类，辅助居民分类，解放劳动力。具体研究内容包括：（1）构建单目标垃圾分类数据集（Domestic Garbage Classification Dataset，DCD）和多目标垃圾检测数据集（Domestic Garbage Dataset，DGD）。数据来源为华为云垃圾数据集和TACO数据。集合和网络爬虫。对爬取的数据进行数据清洗，选择高质量的图片，并用Label Img进行标注。同时，为了保证数据的准确性，对现有数据集的标注信息进行了检查，对缺失和错误标注的数据进行了清理并重新标注，得到了包含34,319张图片和一张图片的DGD数据集。获得包含24,390张图片的DCD数据集。为了避免模型过拟合，对数据集进行了随机裁剪、水平垂直翻转、颜色抖动等数据增强操作，为本文的研究提供了数据基础。
(2)在改进的Reg Net的基础上，提出了一种垃圾分类算法NReg Netkaiyun.ccm，用于单目标垃圾图像的分类。在该垃圾分类模型中，对Reg Net的网络结构进行了优化，以减少网络模型参数的数量。结合类别平衡损失函数，通过反向加权解决不同类别之间数据分布差异较大的问题。采用高分辨率输入，减少特征提取阶段的背景干扰，提高小物体的分类能力。同时，利用数据增强操作来提高网络模型的鲁棒性和泛化性。在生活垃圾分类数据集DCD上进行实验分析。提出的NReg Net模型Top1-准确率达到85.64%，比Reg Net高3.25%，参数数量仅为1.37M，约为Reg Net参数数量的51.11%。 (3)针对多目标垃圾图像的检测，提出了一种基于改进YOLOv3的国产垃圾检测算法RB-YOLO，即可以同时实现垃圾分类和定位。在这个垃圾检测模型中kaiyun官方网站登录入口，YOLOv3与轻量级卷积神经网络Rep VGG相结合，将模型训练和推理解耦，保证特征提取能力的同时提高模型推理速度。采用加权双向特征金字塔网络Bi FPN对原有特征金字塔结构进行优化开yun体育app官网网页登录入口，通过双向特征融合充分利用多尺度语义特征。同时引入空洞空间金字塔池化ASPP来增强特征提取，获得多尺度特征信息。最后对数据进行数据增强操作。对所提出的 DGD 数据集进行了实验分析。与YOLOv3模型相比，RB-YOLO模型在垃圾检测任务中准确率提高了5.31%，速度提高了16FPS，参数数量减少了41%，验证了RB-YOLO的有效性。有效性和稳健性。
