基于轻量级网络的生活垃圾图像检测分类方法.pdf

目录

摘要I

ABSTRACTIII

第1章绪论1

1.1论文研究背景及意义1

1.2垃圾图像分类的技术研究现状2

1.1论文研究内容4

1.2本文组织结构5

第2章深度学习应用垃圾分类的研究方案和相关理论技术7

2.1垃圾分类应用场景分析7

2.2总体研究方案7

2.3卷积神经网络8

2.4轻量级图像分类网络10

2.5目标检测模型16

2.6本章小结18

第3章基于改进SC-ShuffleNet网络模型的垃圾分类算法19

3.1引言19

3.2轻量级网络实验分析19

3.3网络复杂度分析20

3.4网络轻量化改进建议23

3.5提出改进SC-ShuffleNet网络模型算法25

3.6网络结构优化改进与优化方法26

3.7实验细节与结果分析33

3.8本章小结37

第4章基于改进SSFR的垃圾图像检测模型算法39

4.1算法缺陷分析39

4.2数据预处理39

4.3SSFR模型的结构改进与优化方法42

4.4实验细节和结果分析47

4.5本章小结51

第5章总结与展望52

5.1总结52

5.2展望52

参考文献54

攻读硕士学位期间参与项目及研究成果59

基于轻量级网络的生活垃圾图像检测分类方法

摘要

我国的垃圾产生量庞大，随着城市化进程加快和人们生活水平提高，垃圾处理

问题日益突出，垃圾图像检测分类方法成为研究的热点。如今垃圾图像检测分类方

法存在的问题，一是片面追求更高的检测识别精度，这导致模型规模较大，实际部

署困难，在大多数场景难以实际应用。二是垃圾实际分类过程中背景比较复杂，垃

圾种类较多，现有的方法容易出现目标漏检和误检情况。针对以上问题，本文提出

了轻量级网络的生活垃圾图像检测分类方法，在保证检测速度和和较小模型参数

的同时，较高精度地实现对背景复杂垃圾图像的检测及分类。本文的研究工作分为

两个部分。

针对现有垃圾图像分类算法在提升分类精度时，忽略模型参数的增大，导致实

际应用困难这一难题，本文基于轻量化垃圾分类网络(ShuffleNet)进行改进，提出一

种垃圾图像分类算法SC-ShuffleNet。设计ShuffleNet基本单元(SE-basicunit)、

ShuffleNetV2基本单元(SK-basicunit)，使用DW卷积核调优以减少计算量的同时

保持了较好的特征提取能力，利用网络剪枝(NetworkPruning)技术压缩和简化模型，

并使用CSP网络引入梯度变化的整合机制对网络结构进行优化重组来降低计算瓶

颈和内存成本，最后采用OneCycleLR优化学习率策略对模型进行训练。本文所提

出的方法在华为云垃圾分类数据集Mydata158上进行对比实验，验证所提出的垃

圾图像分类算法SC-ShuffleNet的有效性。在检测速度良好的前提下，SC-ShuffleNet

的准确率为81%，参数量为1.124M。

针对垃圾图片背景复杂、种类繁多导致现有垃圾图像检测方法容易漏检和误

检，模型规模过大，实时性差的问题，本文基于图像检测模型(FasterR-CNN)，提

出基于SSFR（SC-ShuffleNet+FasterR-CNN）的目标垃圾图像检测算法。该算法将

轻量级网络SC-ShuffleNet作为检测模型FasterR-CNN的特征提取网络，在降低了

模型参数规模的同时，提高算法推理速度；然后结合FPN（特征金字塔网络）模

块，使得每一层网络提取到多尺度的特征图都具有较强的语义信息，增强垃圾图像

原始特征的表征能力，提高垃圾图像检测和分类的精度；使用垃圾图像数据预处理、