發(fā)布時(shí)間：2022-08-23 10:51

　　工業(yè)革命使得人類(lèi)的生產(chǎn)力水平以指數(shù)級(jí)提升,也使得垃圾數(shù)量飛速上漲,如何處置垃圾在全世界范圍變成一個(gè)棘手的問(wèn)題。垃圾分類(lèi)作為資源回收利用的重要環(huán)節(jié)之一,可以有效地提高資源回收利用效率,減輕環(huán)境污染帶來(lái)的危害。傳統(tǒng)的圖像分類(lèi)算法很難滿(mǎn)足垃圾分揀設(shè)備的要求,隨著深度學(xué)習(xí)技術(shù)的發(fā)展,使借助視覺(jué)技術(shù)自動(dòng)分揀垃圾具有了現(xiàn)實(shí)的可能性。通過(guò)攝像頭拍攝垃圾圖片,利用卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)出垃圾的類(lèi)別及位置,借助機(jī)械手或推板自動(dòng)完成分揀任務(wù),可以降低人工成本,提高分揀效率。因此,開(kāi)展垃圾圖像分類(lèi)算法的研究,具有理論意義和重要的應(yīng)用價(jià)值。本文將目標(biāo)檢測(cè)算法以及視頻跟蹤技術(shù)結(jié)合起來(lái),在傳送帶環(huán)境下模擬了垃圾分類(lèi)的場(chǎng)景,實(shí)現(xiàn)了垃圾的自動(dòng)定位,可以將垃圾的坐標(biāo)提供給后面的機(jī)械手或機(jī)械推板,完成分揀過(guò)程。本文的主要研究?jī)?nèi)容包括:（1）根據(jù)華為垃圾分類(lèi)公開(kāi)數(shù)據(jù)集,標(biāo)注建立了垃圾檢測(cè)數(shù)據(jù)集;（2）研究了各種分類(lèi)模型,最終選定ResNet101作為檢測(cè)的主干網(wǎng)絡(luò),提出了網(wǎng)絡(luò)中加入注意力機(jī)制與特征融合機(jī)制的技術(shù)方案,能夠更好地提取垃圾圖像信息,并完成了消融實(shí)驗(yàn);（3）選擇了SSD作為檢測(cè)網(wǎng)絡(luò)的baseline,利用模型壓縮技術(shù),... 

【文章頁(yè)數(shù)】：99 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 選題的背景和意義
    1.2 國(guó)內(nèi)外相關(guān)領(lǐng)域的研究和應(yīng)用現(xiàn)狀
    1.3 論文內(nèi)容及組織結(jié)構(gòu)
    1.4 本章小結(jié)
第2章 深度學(xué)習(xí)理論及技術(shù)基礎(chǔ)
    2.1 卷積神經(jīng)網(wǎng)絡(luò)(CNN)
        2.1.1 卷積層
        2.1.2 池化層
        2.1.3 激活函數(shù)
        2.1.4 全連接/Softmax
        2.1.5 誤差反向傳播
    2.2 圖像分類(lèi)模型
        2.2.1 AlexNet模型
        2.2.2 VGGNet和 GoogleNet模型
        2.2.3 ResNet
    2.3 基于區(qū)域提名的目標(biāo)檢測(cè)模型
        2.3.1 R-CNN和 SPP-net模型
        2.3.2 Fast R-CNN模型
        2.3.3 Faster R-CNN模型
    2.4 端到端的目標(biāo)檢測(cè)模型
        2.4.1 YOLO模型
        2.4.2 SSD模型
    2.5 目標(biāo)檢測(cè)評(píng)價(jià)指標(biāo)
    2.6 深度學(xué)習(xí)框架PyTorch
    2.7 本章小結(jié)
第3章 基于特征融合和注意力機(jī)制的垃圾檢測(cè)算法
    3.1 引言
    3.2 垃圾檢測(cè)數(shù)據(jù)集
        3.2.1 華為垃圾分類(lèi)數(shù)據(jù)集介紹
        3.2.2 垃圾檢測(cè)算法的數(shù)據(jù)集標(biāo)注
    3.3 防止過(guò)擬合技術(shù)
        3.3.1 數(shù)據(jù)增強(qiáng)技術(shù)
        3.3.2 Dropout技術(shù)
        3.3.3 Batch Normalization技術(shù)
    3.4 垃圾分類(lèi)主干網(wǎng)絡(luò)選取與改進(jìn)
        3.4.1 GCNet總體架構(gòu)
        3.4.2 空間注意力與通道注意力結(jié)合模塊
        3.4.3 特征融合模塊
        3.4.4 損失函數(shù)修改
        3.4.5 分類(lèi)實(shí)驗(yàn)評(píng)估
    3.5 改進(jìn)的SSD檢測(cè)算法
        3.5.1 改進(jìn)的SSD總體架構(gòu)
        3.5.2 殘差預(yù)測(cè)模塊
        3.5.3 檢測(cè)試驗(yàn)評(píng)估
        3.5.4 檢測(cè)結(jié)果可視化
    3.6 本章小結(jié)
第4章 多目標(biāo)垃圾視頻追蹤算法
    4.1 SORT算法
    4.2 Deep SORT算法
    4.3 實(shí)驗(yàn)數(shù)據(jù)集和評(píng)估指標(biāo)
    4.4 視頻追蹤實(shí)驗(yàn)結(jié)果
    4.5 本章小結(jié)
第5章 垃圾分類(lèi)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
    5.1 引言
    5.2 系統(tǒng)總體實(shí)現(xiàn)
    5.3 垃圾實(shí)時(shí)檢測(cè)模塊
    5.4 垃圾檢測(cè)系統(tǒng)測(cè)試
    5.5 本章小結(jié)
第6章 結(jié)論與展望
    6.1 研究總結(jié)
    6.2 未來(lái)展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)歷及攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文與研究成果


【參考文獻(xiàn)】：
期刊論文
[1]以史為鑒，開(kāi)啟垃圾分類(lèi)新時(shí)代[J]. 呂益敏.  城鄉(xiāng)建設(shè). 2020(03)
[2]基于機(jī)器視覺(jué)的建筑垃圾自動(dòng)分類(lèi)系統(tǒng)研究[J]. 鄭龍海,袁祖強(qiáng),殷晨波,陳曦,劉久晨.  機(jī)械工程與自動(dòng)化. 2019(06)
[3]生活垃圾分類(lèi)的國(guó)內(nèi)外對(duì)比與分析[J]. 張黎.  環(huán)境衛(wèi)生工程. 2019(05)
[4]淺談城市垃圾的處理方法[J]. 彭永根,沈娟.  江西化工. 2019(05)
[5]改進(jìn)CaffeNet模型在水面垃圾識(shí)別中的應(yīng)用[J]. 向偉,史晉芳,劉桂華,徐鋒,黃占鰲.  傳感器與微系統(tǒng). 2019(08)
[6]中國(guó)城市生活垃圾處理現(xiàn)狀及展望[J]. 李磊,袁光鈺.  世界環(huán)境. 2017(06)
[7]基于計(jì)算機(jī)視覺(jué)的廢物垃圾分析與識(shí)別研究[J]. 吳健,陳豪,方武.  信息技術(shù)與信息化. 2016(10)



本文編號(hào)：3677630