摘要
垃圾回收的好处很多，其有助于保护水土资源，提高居民的生活环境质量，加快绿色循环经济发展。然而传统的垃圾回收需要大量人力和物力。为了获得更高的精度，目标检测模型通常带有巨大的参数量和复杂的结构。本研究提出了一个更轻量和高效的YOLOv5s改进模型，将其用于对可回收垃圾的分类和定位，并结合可回收垃圾检测的应用开发进行相关的实践。主要的工作如下： 1、对原YOLOv5s网络中，参数量较大的问题、计算复杂的部分，合理结合ShuffleNet V2基本单元、深度可分离卷积与Hard-Swish激活函数对YOLOv5s结构进行改进，降低网络的冗余性，使得结构更加紧凑。 2、在原YOLOv5s网络中，对特征图通道数目较多的结构但是没有区分不同通道重要性的问题，通过嵌入轻量级的SE注意力机制，使得网络能区分不同通道的重要性，给予不同的权重。 3、采用遗传算法和K-means++聚类算法，重新获得更准确的可回收垃圾锚框，便于网络边框回归调整。 4、为了提高可回收垃圾检测模型的性能，采用迁移学习的方式，迁移学习选择的数据集为COCO数据集，使其预先学习COCO数据集中80个类别的丰富特征。 5、针对于可回收垃圾检测模型的实际嵌入式应用开发，选用常见的Jenson Nano与树莓派4B作为微型的嵌入式平台，并进行实际的运行速度对比研究，且为了便于使用者的操作、观察效果和调节阈值，使用Pyqt5库创建图形化界面，实现可回收垃圾检测的便捷操作。 6、为了研究实现在网络上的可回收垃圾检测任务，采用Flask后端与VUE前端构建了可回收垃圾检测的WEB平台。 实验结果表明，改进的模型参数量压缩为原始模型参数量的60.3%，模型内存也压缩了59.2%。在输入分辨率为640×640时，在精度上，改进模型的mAP为96.43%，比原始YOLOv5s高出4.34%，在速度上，改进模型提高了在GPU平台上的并行度，通过在Jetson Nano硬件上进行部署，改进模型的前向推理速度比原始YOLOv5s加快了13.1%。另外，与目前主流的目标检测模型对比，提出的改进模型也具有很好的可回收垃圾特征表达能力，可为可回收垃圾检测的轻量化开发提供参考。
NETL