基于LGD-YOLO高精度轻量化目标检测网络的垃圾检测研究

作者：肖立中; 胡凡^*

来源：环境工程, 2023, 1-10.

• 垃圾分类
• 目标检测
• 轻量化网络
• 坐标注意力
• 多尺度检测

当前高速发展的社会和迅速增长的城市人口，使得日益严峻的垃圾污染问题愈发凸显，垃圾分类处理势在必行。人工处理存在任务重、效率低等问题，部分自动化的分类方法检测精度低，速度慢。为提高复杂场景下垃圾检测准确率，同时轻量化结构，使其便于部署，提出一种融合轻量化卷积模块、注意力机制和多重感受野模块的改进YOLO v5s的垃圾检测模型Lightweight Garbage Detection-YOLO(LGD-YOLO)。首先，在网络结构中引入Ghost卷积和包含GSConv的Slim-Neck模块，使模型变得更加轻量化；其次，嵌入坐标注意力机制，侧重于关注重要信息，以提高检测精度。最后，引入多重感受野模块，提高模型的多尺度检测能力，避免小目标物体的漏检。采用包含不同环境下垃圾图片的Trash＿dataset数据集进行测试验证，实验结果表明，改进后的模型参数量和计算量分别为5.77M和9.2GFLOPs，与原模型相比分别减少22.4%和56.4%，单张图片检测速度为26.5ms，达到垃圾检测的实时性要求。此外，改进的算法具有良好的检测精度，mAP0.5和mAP0.5:0.95分别达到96.20%和77.77%，优于当前流行的目标检测算法。

• 出版日期2023
• 单位上海应用技术大学