基于LGD-YOLO高精度轻量化目标检测网络的垃圾检测研究

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越发凸显,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。结果表明：改进后的模型参数量和计算量分别为5.77 M和9.2 GFLOPs,与原模型相比分别减少22.4%和56.4%,单张图片检测速度为26.5 ms,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,mAP_0.5和mAP_0.5∶0.95分别达到96.20%和77.77%,优于当前流行的目标检测算法。