摘要
我国正处于高速发展阶段，城市垃圾不断增长，垃圾“袭城”现象愈发严重。我国目前在垃圾回收方面最为需要的是利用智能垃圾回收技术解决前端垃圾分类投放、分类收集模式等问题。近几年来，深度学习技术和计算机视觉技术日趋成熟，图像处理、计算机视觉、目标检测技术飞速提升，结合深度学习和双目视觉技术来进行对垃圾的识别与定位，高效解决垃圾分拣回收问题，是垃圾智能回收的发展趋势。 本文鉴于以上背景，围绕“基于深度学习与双目视觉的垃圾分类”这一课题进行探索研究。本课题研究内容有: (1)对于垃圾检测模块，本文融合了三种途径采集的垃圾图像来自制本文垃圾数据集，首先构建了图像预处理方案，以保证自制垃圾数据集的质量。对比分析VGG19、InceptionV3和Resnet50三种预训练的卷积神经网络模型，选定Resnet50作为网络特征提取器，利用迁移学习策略获取Resnet50模型最合适的Fine-tuning深度。搭建轻量化的改进型目标检测网络MSSD(MobileNet-SingleShotMultiboxDetector)作为前端基础网络，对比分析了SE(Squeeze-and-Excitation)与CBAM(ConvolutionalBlockAttentionModule)的训练效果，将网络模型中嵌入ResNet50+CBAM模块替代原始的ResNet50单一模块来增强垃圾检测模块处理图像的敏锐度，最后通过实验证明改进后的网络架构具有有效性及优越性。 (2)对于双目定位模块，首先完成双目摄像机的标定与校正工作，比较研究了SGBM、BM与GC三种立体匹配算法的特性，最后采用SGBM立体匹配算法处理相关匹配任务，提出增设方位约束的特征点匹配和基于灰度值测距的改进方法，进一步强化双目定位模块的性能。实验证明在自制的垃圾数据集下，结合垃圾检测模块结果与双目定位改进算法可获得目标垃圾的深度距离信息。 (3)整合垃圾检测模块与双目定位模块，构建垃圾分类系统，并依次在单个目标垃圾、多个目标垃圾情境下进行垃圾分类系统的测试与性能分析。
NETL