不同深度学习模型在餐厨垃圾类型识别中的应用与比较

厨房产生的尾菜垃圾以及餐后垃圾在质地上差异较大，预处理环节若不能有效识别餐厨垃圾的类型，进而采取合适的工作参数，经常导致减量化处理设备处理效果差甚至无法正常进行的问题。针对尾菜垃圾和餐后垃圾在图像上的差异，对不同季节的蔬菜产生的尾菜垃圾以及不同饮食风格下产生的餐后垃圾进行图像采集和处理，在此基础上采用ResNet18作为基础网络，引入注意力机制设计1个全新深度学习模型进行餐厨垃圾识别，并用ResNet18、ECANET+ResNet18、SENET+ResNet18、SANET+ResNet18模型进行对比。结果表明：上述4种网络模型均有较高的准确率。准确率分别为96.73%、97.10%、97.28%和96.92%;损失率分别为4.35%、4.11%、3.76%和4.17%;在训练时间方面，ECANET+ResNet18的训练时间最短，比ResNet18快350 s。ECANET+ResNet18网络有效提高了ResNet18网络的性能，达到了最高准确率和最小的损失率，能够满足餐厨垃圾的机器识别要求。