引言

隨著經(jīng)濟(jì)的迅猛增長和城市化步伐的不斷加速，城市垃圾問題愈發(fā)凸顯，已然成為當(dāng)前社會(huì)解決的關(guān)鍵環(huán)境挑戰(zhàn)之一。統(tǒng)計(jì)資料表明，我國城市生活垃圾的年產(chǎn)量已經(jīng)超出2億噸這一龐大數(shù)量，而且還在逐年遞增，呈現(xiàn)出不斷上升的發(fā)展態(tài)勢。傳統(tǒng)的垃圾處理方式不僅耗費(fèi)了大量寶貴資源，更對環(huán)境造成了難以忽視的嚴(yán)重污染。鑒于此，垃圾檢測作為一種極具潛力的垃圾處理方法，正日益受到社會(huì)各界的深切關(guān)注與高度重視。

垃圾分類投放對于降低環(huán)境污染程度、提升資源的利用效率以及推動(dòng)經(jīng)濟(jì)可持續(xù)發(fā)展意義重大。但是，以往的垃圾分類投放大多依賴人工進(jìn)行分揀，這種方式效率不高，而且工作人員的勞動(dòng)負(fù)擔(dān)較重。

伴隨著人工智能和計(jì)算機(jī)視覺技術(shù)的日新月異，將智能技術(shù)應(yīng)用于垃圾分類成為了一種必然趨勢。其中，基于深度學(xué)習(xí)的垃圾檢測模型因其較高的識別準(zhǔn)確率和自動(dòng)化程度，受到了研究者的青睞。

Redmon等人[1]提出的YOLO系列算法在目標(biāo)檢測領(lǐng)域取得了革命性的進(jìn)展，特別是在垃圾檢測的應(yīng)用中顯示出其高效性和準(zhǔn)確性。然而，YOLO系列算法在邊緣設(shè)備上的部署面臨著計(jì)算資源不足的挑戰(zhàn)。與此同時(shí)，Ren等人[2]提出的Faster R-CNN算法在精確度上有所提升，但同樣存在模型體積大、計(jì)算復(fù)雜度高的問題。在輕量化網(wǎng)絡(luò)結(jié)構(gòu)方面，Zhang等人[3]的ShuffleNet和Zhang等人[4]的MobileNetV2都取得了顯著成果，他們通過優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)顯著降低了計(jì)算復(fù)雜度，但其在垃圾檢測任務(wù)中的性能表現(xiàn)和適應(yīng)性仍需進(jìn)一步研究。國內(nèi)研究者在垃圾檢測技術(shù)方面也進(jìn)行了積極的探索。例如，Cai等人[5]提出了改進(jìn)的激活函數(shù)，通過增強(qiáng)模型的非線性表達(dá)能力來提高模型對垃圾的識別性能。Wang等人[6]對深度學(xué)習(xí)在垃圾檢測中的應(yīng)用進(jìn)行了全面的調(diào)研，指出了當(dāng)前研究的趨勢和挑戰(zhàn)。Li等人[7]則提出了一種基于YOLOv3的垃圾檢測識別方法，盡管在檢測準(zhǔn)確率上有顯著提升，但模型在邊緣設(shè)備上的部署仍然受限。在輕量化模型和邊緣計(jì)算方面，Chen等人[8]探討了輕量化神經(jīng)網(wǎng)絡(luò)在資源受限的物聯(lián)網(wǎng)邊緣設(shè)備上的執(zhí)行效率，而Jacob等人[9]則研究了神經(jīng)網(wǎng)絡(luò)量化技術(shù)，以實(shí)現(xiàn)整數(shù)算術(shù)運(yùn)算的推理。Sze等人[10]闡述了在邊緣設(shè)備上運(yùn)行深度神經(jīng)網(wǎng)絡(luò)（DNN）的挑戰(zhàn)。這些研究為邊緣設(shè)備上的垃圾檢測提供了重要的技術(shù)支持。盡管上述的研究工作已經(jīng)實(shí)現(xiàn)垃圾準(zhǔn)確地檢測，但只在本地端進(jìn)行了測試，未將檢測方法部署至實(shí)際場景中。然而，這些研究多在模擬或控制環(huán)境下進(jìn)行，缺乏對應(yīng)的機(jī)械結(jié)構(gòu)設(shè)計(jì)和實(shí)際場景部署，導(dǎo)致研究成果難以直接轉(zhuǎn)化為實(shí)際應(yīng)用。Xie等人[11]提出一種融合多頭注意力機(jī)制改進(jìn)YOLOX-s的垃圾檢測方法，在公開204類垃圾檢測數(shù)據(jù)集中進(jìn)行測試，結(jié)果表明，所提算法的平均精度優(yōu)于當(dāng)前流行的目標(biāo)檢測算法，且檢測速度較快，但缺少在實(shí)際嵌入式端的測試效果，無法評價(jià)其在實(shí)際應(yīng)用中的效果。Tang等人[12]提出一種采用水下垃圾檢測機(jī)器人檢測垃圾的方法，使用輕量化的YOLOv5算法提高垃圾檢測的高效性和準(zhǔn)確性，并成功部署至機(jī)器人搭載的嵌入式設(shè)備上，但存在檢測速度和檢測準(zhǔn)確率不高的不足。Chen等人[13]提出基于改進(jìn)MobileNetv2的垃圾圖像分類方法，方法驗(yàn)證實(shí)驗(yàn)在自建數(shù)據(jù)集和兩個(gè)開源數(shù)據(jù)集上進(jìn)行，其檢測性能均高于常見的圖像分類模型，雖然該方法在JETSON TX2上的推理耗時(shí)為68 ms，但該方法的檢測精度有待提高。

綜上，目前基于深度學(xué)習(xí)的垃圾檢測方法中以下問題仍然存在：（1）現(xiàn)有深度學(xué)習(xí)模型在邊緣設(shè)備上的部署難度大，導(dǎo)致實(shí)時(shí)性和資源限制難以滿足；（2）模型輕量化后，如何保持較高的檢測精度和實(shí)時(shí)性是一個(gè)關(guān)鍵的技術(shù)問題；（3）缺乏針對邊緣設(shè)備特點(diǎn)的垃圾檢測模型優(yōu)化策略；（4）缺少模型實(shí)際部署至嵌入式端實(shí)現(xiàn)實(shí)際的垃圾分類案例。

鑒于此類狀況，本文構(gòu)建了一個(gè)依托于YOLOv10的輕量型垃圾檢測模型。Chen等人[13]在研究深度學(xué)習(xí)中的激活函數(shù)時(shí)，發(fā)現(xiàn)了一些新的性能提升方法，這為本文的模型改進(jìn)提供了啟示。本文的主要貢獻(xiàn)如下：

本文所提模型使用輕量化網(wǎng)絡(luò)ShuffleNetv2對垃圾特征進(jìn)行提取，以較少的計(jì)算提取目標(biāo)區(qū)域特征，該網(wǎng)絡(luò)在保持性能的同時(shí)，具有較低的參數(shù)量和計(jì)算復(fù)雜度，較好滿足邊緣設(shè)備的硬件條件。

在特征融合階段，本文使用Ghost網(wǎng)絡(luò)重構(gòu)C3結(jié)構(gòu)中的卷積塊，并將其作為特征融合中的殘差塊，保證不消耗過多的計(jì)算資源的同時(shí)，仍然能夠攜帶豐富的語義信息，進(jìn)而加強(qiáng)模型的表達(dá)能力。

本文通過減少深度縮放系數(shù)，進(jìn)一步降低模型的參數(shù)量和計(jì)算負(fù)擔(dān)，使其更適應(yīng)邊緣設(shè)備的資源限制。

為了實(shí)現(xiàn)垃圾準(zhǔn)確地分類，提出一種投票機(jī)制以實(shí)現(xiàn)垃圾的準(zhǔn)確分類。若識別結(jié)果中某一類垃圾首次出現(xiàn)20次，則判定本次投放的垃圾類型，并發(fā)送對應(yīng)的通信至電機(jī)驅(qū)動(dòng)串口，電機(jī)轉(zhuǎn)動(dòng)按照一定的方向和角度對垃圾準(zhǔn)確進(jìn)行地分類。

本文設(shè)計(jì)了一種智能垃圾分類裝置，創(chuàng)新點(diǎn)在于引入低能耗的垃圾傳送與傾倒機(jī)制，結(jié)合實(shí)時(shí)圖像識別和前沿的目標(biāo)檢測算法，實(shí)現(xiàn)了對垃圾的精準(zhǔn)、快速分類。通過雙電機(jī)傳送帶結(jié)構(gòu)，垃圾自動(dòng)傳輸至低能耗托舉盤上，再借助舵機(jī)的零轉(zhuǎn)矩支撐與二連桿結(jié)構(gòu)的特殊支撐角設(shè)計(jì)，利用垃圾自重實(shí)現(xiàn)低能耗的自動(dòng)傾倒。這種設(shè)計(jì)顯著降低了系統(tǒng)的能耗需求，同時(shí)提高了智能垃圾分類的實(shí)時(shí)性與效率，適用于智慧生活場景中的垃圾分類處理。

本文詳細(xì)內(nèi)容請下載：

http://ccf-cncc2011.cn/resource/share/2000006846

作者信息：

拜合提亞爾·安瓦爾

（蘭州大學(xué) 信息科學(xué)與工程學(xué)院，甘肅 蘭州 730000）