基于改进YOLOv7算法的生活垃圾识别与抓取规划研究.pdf

基于改进YOLOv7算法的生活垃圾识别与抓取规划研

究

摘要

物质生活的极大丰富，必然会导致生活消费的快速增长，生活垃圾越来越多，

垃圾处理和垃圾再次回收利用成为城市管理的难题。目前，垃圾分拣和回收主要采

用人工方式，效率低、成本高，且垃圾分拣现场环境恶劣，危害操作人员的健康。

因此，垃圾分拣的机械化、自动化与智能化技术与方法急需研究与应用。本文针对

可回收生活垃圾的再次分拣难题，研究一种基于深度学习的生活垃圾识别与抓取

规划方法。采用机器人代替人，完成重复性的垃圾识别与分拣工作，降低垃圾分拣

成本，提高垃圾分类效率。主要研究内容如下：

首先，通过对几种常见的基于深度学习的目标检测算法进行对比分析，通过对

生活垃圾的目标检测分析，从应用场景、检测速度和检测精度三个方面综合考虑，

比较各种算法的优缺点，确定本文的研究方法，YOLOv7算法满足生活垃圾检测与

分拣的速度和精度要求。

其次，针对YOLOv7算法用于目标检测时，对目标被遮挡较为敏感，对算法

进行改进。在网络结构的Head部分添加了DenseNet密集卷积网络模块，以提高

对目标的特征重用能力。针对YOLOv7算法训练时间较长且资源受限的问题，添

加了一个即用即插的轻量级模块GhostNet神经网络，减少特征冗余，达到图像增

强的效果。结合开源数据集TrashNet与自制数据集进行模型训练，对比YOLOv7

算法改进前后模型的性能指标，验证了改进后的YOLOv7算法用于目标检测的性

能得到提高。

再次，为了保证对目标的准确抓取，研究了机械臂抓取规划方法。提出了基于

YOLOv7算法的目标位姿预测方法，只保留YOLOv7算法的两个特征层进行预测，

在满足抓取规划需求的前提下，简化网络层结构，减少算法的运算量，满足算法的

实用性要求。

最后，搭建了机械臂生活垃圾抓取实验系统，并进行了实验。对深度相机进行

了内外参标定，对机械臂进行了手眼标定。运行改进的YOLOv7算法，对深度相

机拍摄的生活垃圾进行目标检测，并通过YOLOv7算法对目标位姿的预测，获得

-I-

抓取目标的位置和角度，控制机械臂对目标进行抓取。通过实验数据的分析和算法

性能指标的计算与对比，验证了本文提出方法的有效性。

关键词YOLOv7算法；目标检测；垃圾识别；深度相机；机械臂抓取

-II-

ResearchonDomesticWasteIdentificationand

GrabbingPlanningBasedonImprovedYOLOv7

Algorithm

Abstract

Thegreatrichnessofmateriallifewillinevitablyleadtotherapidgrowthofliving

consumptionandmoreandmoredomesticgarbage.Garbagedisposalandrecyclinghave

becomeadifficultprobleminurbanmanagement.Atpresent,garbagesortingand

recyclingmainlyadoptmanualmethods,whichhavelowefficiencyandhighcost,and

theenvironmentofgarbagesortingsiteisbad,endangeringthehealthofoperators.

Therefore,thetechnologiesandmethodsofmechanization,automationandintelligence

ofgarbagesortingareinurgentneedof