基于YOLO的建筑废弃物分类识别系统关键技术研究.pdfVIP

摘要

随着城市化进程的加速和建筑业的快速发展，建筑废弃物数量在不断增加。

直接填埋、堆放不仅会浪费资源，还会对环境造成污染和破坏。自动化的分类

分拣技术可促进建筑废弃物的资源化回收利用。其中，计算机视觉识别技术以

其高效及可泛化特点备受青睐。然而，目前基于计算机视觉的建筑废弃物分类

识别技术还存在图像数据集规模较小、识别精度与速度不高，识别效率低等问

题。针对以上问题，本文研究了建筑废弃物分类识别系统的关键技术，提出了

基于YOLO（YouOnlyLookOnce）的建筑废弃物分类识别模型。主要研究内容

如下：

建立了建筑废弃物图像数据增强网络（DiffGAN-CW）扩充建筑废弃物图像

数据集。小规模数据集难以训练出性能优异的分类识别模型，需采用数据增强

方法对数据集进行扩充。使用生成对抗网络进行图像数据集的增强相较于传统

数据增强方法更具有多样性的优势。然而，采用生成对抗网络衍生建筑废弃物

图像还存在分辨率较低、训练不稳定的问题。因此，本文基于生成对抗网络，

通过加深网络结构并引入残差块结构以改进分辨率，通过改进损失函数来解决

小样本数据集下网络训练过程中不稳定的问题，由此提出了DiffGAN-CW网络。

通过对比试验验证了该网络在生成建筑废弃物图像上的高性能。

提出了一种基于YOLO的废弃物分类识别模型（YOLO-CW）。废弃物分类

识别系统的应用依赖于模型的高识别精度与速度。然而，使用现有主流模型进

行复杂工况下废弃物识别，依然存在识别精度不够、误检和漏检等问题。因此，

本文基于YOLO模型，引入高效多尺度注意力模块改进主干网络，并在头部网

络中引入聚集和分配机制，同时优化损失函数，由此提出了YOLO-CW模型。

在大规模废弃物图像数据集上开展了一系列对比实验，实验结果表明，YOLO-

CW相较于其他现有主流模型在识别精度上更具优越性。在满足实时识别的要

求下，YOLO-CW的识别精度对比改进前模型提升了5.6%，在可视化对比结果

中亦表现优异，验证了YOLO-CW模型的有效性。

搭建了建筑废弃物分类识别系统并在系统上开展实验验证了模型的性能。

使用DiffGAN-CW网络增强后的建筑废弃物图像数据集训练了YOLO-CW等分

类识别模型，并在算法层面进行了对比实验。实验结果表明，YOLO-CW模型

在建筑废弃物图像数据集上的识别精度达到了98.8%，在不同工况下均有优异

的表现。将各模型部署至搭建好的建筑废弃物分类识别系统后开展了分拣实验，

YOLO-CW的平均分拣成功率最高，达到了95%，具有满足实际工业应用需求

的潜力。

关键词：分类识别系统；建筑废弃物；数据增强；生成对抗网络；YOLO

Abstract

Withtheaccelerationofurbanizationandtherapiddevelopmentofthe

constructionindustry,theamountofconstructionwasteisincreasing.Direct

landfillingandpilingwillnotonlywasteresources,butalsopolluteanddamagethe

environment.Automatedsortingandpickingtechnologiescanpromoteresourceful

recyclingofconstructionwaste.Amongthem,computervisionidentification

technologyisfavoredforitshighefficiencyandgeneralizablefeatures.However,the

currentcomputervision-basedconstructionwasteclassificationandidentification

technologystillhasproble