基于改进型YOLO算法的垃圾分类方法

当前基于深度学习的垃圾分拣方法存在效率低、处理时间长且对设备计算性能要求高等一系列问题,本文提出一种基于改进型YOLO算法的垃圾分类方法.该方法采用Mosaic数据增强技术降低模型对设备计算性能的依赖,并且通过增多小目标垃圾训练样本扩展数据集;将CSPDarknet-53作为主干特征提取网络,有效解决了推理计算量过大的问题,并且保证了模型的准确率;通过新增多个空间金字塔池化模块(SPP),实现全局特征与局部特征的更好融合,并且有效增强了模型的特征表达能力.由实验结果表明,本文所提方法的垃圾识别平均准确率mAP达到97.72％,处理时间不仅达到工业级检测标准而且显著缩短,对于设备计算性能的要求也大大降低,具有极大的应用价值.