基于改進(jìn)YOLOv4的垃圾識(shí)別研究

胡亞蘭 柯敏毅

（湖北工業(yè)大學(xué)計(jì)算機(jī)學(xué)院 湖北省武漢市 430068）

1 引言

隨著社會(huì)生活水平的不斷提高，人們購(gòu)入了豐富的物資，越來越多的垃圾也隨即產(chǎn)出，而垃圾種類繁多，每個(gè)種類的處理方式也不一樣。例如：有害垃圾采取熱處理、化學(xué)分解和無(wú)污染處理的形式；采用生化處理、沼澤生產(chǎn)、堆肥等方式對(duì)濕垃圾進(jìn)行資源化利用或無(wú)害化處理； 干垃圾通過焚燒方式無(wú)害化處理； 可回收垃圾運(yùn)至相關(guān)企業(yè)進(jìn)行回收處理[1]。由此，衍生出了兩個(gè)社會(huì)問題：

（1）由于人們從小沒有垃圾分類的意識(shí)，容易將垃圾混在一起丟進(jìn)垃圾箱，這給垃圾分揀場(chǎng)的工作人員帶來極大困擾。垃圾分煉廠需要消耗極大的人力、時(shí)間去將不同種類的垃圾分到對(duì)應(yīng)類別的垃圾框中。由于垃圾分類處理效率不高，導(dǎo)致一部分垃圾未被處理，造成了環(huán)境的污染和資源的浪費(fèi)。

（2）垃圾分類問題逐漸引起社會(huì)的關(guān)注，2019年7月1日，上海實(shí)施垃圾分類政策，將垃圾分為可回收垃圾、廚余垃圾、有害垃圾和其它垃圾四大類。但是，由于人們垃圾分類意識(shí)比較薄弱，容易將垃圾分錯(cuò)類別，還是會(huì)出現(xiàn)將垃圾混在一起的情況。這樣仍然會(huì)使一部分垃圾處于未處理狀態(tài)，給垃圾處理場(chǎng)的垃圾分類、垃圾處理造成麻煩。針對(duì)這兩個(gè)問題，我們可以通過提高垃圾分揀的效率或者從源頭來控制人們對(duì)于垃圾分類的錯(cuò)誤率。

隨著人工智能的不斷發(fā)展，深度學(xué)習(xí)（Deep learning）在圖像識(shí)別方面的技術(shù)已經(jīng)較為成熟，例如在人臉識(shí)別、醫(yī)學(xué)圖像識(shí)別、遙感圖像分類、ImageNet 分類識(shí)別、交通識(shí)別和字符識(shí)別等領(lǐng)域已取得了不錯(cuò)的成果[2]。深度學(xué)習(xí)可以對(duì)圖像特征進(jìn)行提取，通過大量訓(xùn)練來達(dá)到對(duì)圖像進(jìn)行分類和識(shí)別的功能[3]，因此，深度學(xué)習(xí)是圖像處理的一個(gè)非常有效的技術(shù)。但深度學(xué)習(xí)在垃圾分類這一塊的研究?jī)?nèi)容卻不多，我們可以通過深度學(xué)習(xí)來改善人工分揀效率低、耗時(shí)耗力的問題，也可以通過深度學(xué)習(xí)來從源頭上減少人們對(duì)垃圾識(shí)別的錯(cuò)誤率，從而減少未處理垃圾的數(shù)量，讓更多的資源可以被回收利用。針對(duì)當(dāng)前城市垃圾分類現(xiàn)狀，如果使用人工智能對(duì)垃圾進(jìn)行識(shí)別和分類，不僅可以提高垃圾分揀廠的效率，還能夠增加資源的回收利用率，改善垃圾對(duì)環(huán)境的污染程度，所以在環(huán)境保護(hù)和資源回收利用方面具有重大意義。

值得注意的是，垃圾有類間相似、類內(nèi)差異大的特點(diǎn)。如何針對(duì)這些特點(diǎn)設(shè)計(jì)出適合垃圾分類的神經(jīng)網(wǎng)絡(luò)模型并達(dá)到預(yù)期的效果是智能垃圾識(shí)別的一個(gè)挑戰(zhàn)。

2 基于YOLOv4的算法優(yōu)化

2.1 YOLOv4算法介紹

YOLOv4（You Only Look Once, Version 4）模型是Bochkovskiy于2020年在YOLOv3[4]的基礎(chǔ)上提出的。與YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)相比，有如下幾個(gè)改進(jìn)：

（1）在輸入端采用Mosaic 數(shù)據(jù)增強(qiáng)方法，源自CutMix 增強(qiáng)[5]，通過隨機(jī)縮放、裁剪和排列四張圖片來增加目標(biāo)數(shù)量并增強(qiáng)背景的復(fù)雜度，極大地豐富了檢測(cè)數(shù)據(jù)集，增加了小目標(biāo)的數(shù)量，提高了網(wǎng)絡(luò)的魯棒性。

（2）在主網(wǎng)部分，YOLOv4 基于YOLOv3 主網(wǎng)Darknet53 和CSPNet 構(gòu)建CSPDarknet53 網(wǎng)絡(luò)。CSPDarknet53 網(wǎng)絡(luò)不僅增強(qiáng)了CNN 網(wǎng)絡(luò)的學(xué)習(xí)能力，而且在保證準(zhǔn)確率的同時(shí)，減少了計(jì)算量，降低了內(nèi)存成本。

（3）為了更好地提取目標(biāo)的融合特征，YOLOv4 網(wǎng)絡(luò)在主網(wǎng)絡(luò)和輸出層之間插入了SPP（空間金字塔池化）模塊和FPN+PAN。首先，通過使用SPP 模塊，可以放大主干特征接受范圍，并且可以顯著分離最重要的上下文特征。然后使用FPN 結(jié)構(gòu)從上到下傳遞強(qiáng)大的語(yǔ)義特征，最后使用PAN 模塊構(gòu)建的特征金字塔結(jié)構(gòu)從下到上傳遞強(qiáng)大的定位特征。通過該方法，可以融合不同層之間的特征。FPN（區(qū)域候選網(wǎng)絡(luò)）+PAN（路徑聚合網(wǎng)絡(luò)）結(jié)構(gòu)聚合了不同主干層的不同檢測(cè)層的參數(shù)，進(jìn)一步提高了網(wǎng)絡(luò)的特征提取能力。

（4）使用Mish 激活函數(shù)替換主干中的Leaky ReLU 進(jìn)行CSPDarknet53 分類器訓(xùn)練，使用分類器預(yù)訓(xùn)練權(quán)重可以提高分類器和檢測(cè)器的準(zhǔn)確率和泛化能力。

（5）Head 部分繼承了YOLOv3 的Head 結(jié)構(gòu)，共有三個(gè)分支。預(yù)測(cè)信息包括對(duì)象坐標(biāo)、類別和置信度。

（6）使用了使用完全交叉并集（CIOU）損失代替IOU_loss作為邊界框區(qū)域損失，還使用DIOU_nms 代替NMS，使得預(yù)測(cè)框回歸的速度和精度更高。

（7）在由一系列下采樣和多個(gè)殘差網(wǎng)絡(luò)組成的DarketNet53 網(wǎng)絡(luò)中使用resblock_body 模塊。

YOLOv4模型分為三個(gè)部分：CSPDarketnet53、Neck 和Head。CSPDarketnet53 結(jié)構(gòu)是模型的骨干網(wǎng)絡(luò)。Neck 結(jié)構(gòu)由SPP和PAN 組成，Head 是模型的預(yù)測(cè)部分。YOLOv4 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示?？梢钥闯?，與YOLOv3 一樣，在YOLOv4 中，輸入圖像被處理為寬度和高度為416×416 的圖像。對(duì)于不同大小的目標(biāo)， YOLO 網(wǎng)絡(luò)的最終在YOLO Head 之后的輸出層有寬和高三種尺寸，即13×13、26×26 和52×52。注意在輸出層中，例如13×13×(c+5)×3，c 表示要檢測(cè)的種類數(shù)；5 反映了anchor box 中是否有目標(biāo)以及anchor box 的4 個(gè)調(diào)整參數(shù)；3 表示對(duì)應(yīng)于每個(gè)寬度和高度大小的三個(gè)不同的anchor box。YOLOv4 網(wǎng)絡(luò)的基本卷積塊，即CBL 和CBM，與YOLOv3 類似，主要區(qū)別在于YOLOv4在骨干網(wǎng)絡(luò)中采用Mish 函數(shù)作為激活函數(shù)，而在YOLOv3 中使用Leaky ReLU 函數(shù)。

圖1：YOLOv4 網(wǎng)絡(luò)結(jié)構(gòu)圖

YOLOv4 優(yōu)點(diǎn)：

（1）增強(qiáng)CNN 的學(xué)習(xí)能力，使得在輕量化的同時(shí)保持準(zhǔn)確性，速度和精度并存；

（2）降低內(nèi)存成本；

（3）去掉了計(jì)算力較高的計(jì)算瓶頸結(jié)構(gòu)，降低計(jì)算；

（4）是一種高效而強(qiáng)大的目標(biāo)檢測(cè)模型，使用 1080Ti 或2080Ti 就能訓(xùn)練出超快、準(zhǔn)確的目標(biāo)檢測(cè)器；

（5）更適合單GPU 訓(xùn)練。

YOLOv4 缺點(diǎn)：

（1）在精度和速度上還有可以提升的空間；

（2）因?yàn)闆]有進(jìn)行區(qū)域采樣，所以對(duì)全局信息有較好的表現(xiàn)，但是在小范圍的信息上表現(xiàn)較差。

由文獻(xiàn)[6]可知，YOLOv4 在速度和精度上已超過Faster R-CNN和SSD，并且將YOLOv3 的AP 和FPS 分別提高10%和12%，也比較符合垃圾檢測(cè)的條件，因此，本文將使用YOLOv4 算法并根據(jù)垃圾的特性對(duì)其進(jìn)行改進(jìn)，來完成垃圾檢測(cè)。

2.2 基于注意力機(jī)制的YOLOv4算法改進(jìn)

2.2.1 Triplet Attention

近年來，注意力機(jī)制已被應(yīng)用于計(jì)算機(jī)視覺的各種任務(wù)。Non-local[7]通過計(jì)算不同位置的特征之間的依賴關(guān)系來捕獲遠(yuǎn)程特征。SENet 提出了通道注意，它明確地建模了通道之間的依賴關(guān)系。GCNet[8]優(yōu)化了Non-local，結(jié)合了全局注意力和通道注意力。SKNet[9]使用通道注意力機(jī)制來實(shí)現(xiàn)場(chǎng)感知的動(dòng)態(tài)選擇。卷積塊注意模塊(CBAM)在序列模式下結(jié)合了通道和空間注意機(jī)制。

傳統(tǒng)的通道注意力計(jì)算會(huì)選取高層特征圖進(jìn)行全局池化，以具有全局的感受野，但這種計(jì)算方式會(huì)丟失大量的空間信息，也無(wú)法體現(xiàn)通道維數(shù)和空間維數(shù)之間的相互依賴性，傳統(tǒng)的空間注意力計(jì)算同理。基于Spatial 和Channel 的CBAM 雖然可以體現(xiàn)通道與空間之間的相互依賴性，但通道注意與空間注意的計(jì)算是分離的，且在混合維度進(jìn)行添加會(huì)帶來非常巨大的計(jì)算量的消耗。

Triplet attention[10]相對(duì)于其它注意力機(jī)制有以下優(yōu)點(diǎn)：

（1）可以保留大量空間和通道信息，避免大量丟失；

（2）能夠進(jìn)行跨維度的交互，強(qiáng)調(diào)了多維交互而不降低維度的重要性，因此消除了通道和權(quán)重之間的間接對(duì)應(yīng)；

（3）只需要極小的算力，幾乎沒有參數(shù)。

我們選擇在主干網(wǎng)絡(luò)的最后一層添加Triplet attention。融合空間和通道注意力的注意力模塊通常分別對(duì)空間和通道依賴進(jìn)行建模，這導(dǎo)致特征的不同維度之間缺乏語(yǔ)義交互。Triplet attention 提取了不同維度之間的語(yǔ)義依賴，消除了channels 和weights 之間的間接對(duì)應(yīng)關(guān)系，在不涉及到維數(shù)降低的情況下以很小的計(jì)算開銷達(dá)到提高準(zhǔn)確率的效果，廉價(jià)有效。圖2顯示了Triplet attention 的基本結(jié)構(gòu)。顧名思義，triplet attention 由三個(gè)并行分支組成，其中兩個(gè)分支負(fù)責(zé)捕獲通道維度和空間維度之間的跨維度交互。剩下的最后一個(gè)分支類似于CBAM，用于構(gòu)建空間注意力。所有三個(gè)分支的輸出都使用簡(jiǎn)單的平均法聚合來實(shí)現(xiàn)跨維度的交互。在前兩個(gè)分支中，triplet attention 分別沿H 軸和W 軸逆時(shí)針旋轉(zhuǎn)原始輸入張量90°，并將張量的形狀從C×H×W 變換為W×H×C 和H×C×W。在第三個(gè)分支中，張量以其原始形狀C×H×W 輸入。之后，第一維的張量通過Z-pool 層降到第二維，得到平均聚合特征和最大聚合特征相連。這里的Z-pool 層負(fù)責(zé)通過連接該維度上的平均池化和最大池化特征，將張量的第零維減少到兩個(gè)維度。這使該層能夠保留實(shí)際張量的豐富表示，同時(shí)縮小其深度，使進(jìn)一步的計(jì)算變得輕量級(jí)。Z-pool 定義為：

圖2：Triplet attention

其中0d 是發(fā)生最大和平均池化操作的第0 維。例如，形狀為(C×H×W)的張量的Z-Pool 將得到形狀為(2×H×W)的張量。

然后，將縮減后的張量通過核大小為K 的標(biāo)準(zhǔn)卷積層、批量歸一化層，最后將sigmoid 函數(shù)生成的對(duì)應(yīng)維度的注意力權(quán)重加入到旋轉(zhuǎn)張量中。 在最終輸出時(shí)，第一個(gè)分支的輸出沿H 軸順時(shí)針旋轉(zhuǎn)90 度，第二個(gè)分支的輸出沿W 軸順時(shí)針旋轉(zhuǎn)90 度，確保形狀與輸入相同。最后，將三個(gè)分支的輸出平均聚合為輸出。綜上所述，對(duì)于輸入張量x∈RC×H×W，從Triplet attention 獲得精煉的注意力應(yīng)用張量y 的過程可以用以下等式表示：

其中σ 表示sigmoid 激活函數(shù)；ψ1、ψ2和ψ3分別代表了Triplet attention 的三個(gè)分支中由核大小k 定義的標(biāo)準(zhǔn)二維卷積層。簡(jiǎn)化式（3），y 變?yōu)椋?/p>

其中ω1、ω2和ω3是三重注意力中計(jì)算的三個(gè)跨維度注意力權(quán)重。等式中的y1和y2表示順時(shí)針旋轉(zhuǎn)90°，以保留(C×H×W)的原始輸入形狀。

2.2.2 改進(jìn)后的CSPDarknet53

本文將Triplet attention 加入YOLOv4 主干網(wǎng)絡(luò)CSPDarknet53中來改進(jìn)主干網(wǎng)絡(luò)，這樣可以使網(wǎng)絡(luò)在幾乎不添加參數(shù)的情況下能夠自動(dòng)學(xué)習(xí)進(jìn)行跨維度的交互，提升有效的特征通道權(quán)重，從而讓網(wǎng)絡(luò)重點(diǎn)關(guān)注重要的特征通道，加強(qiáng)特征提取能力。改進(jìn)后的CSPDarknet53 主干網(wǎng)絡(luò)如圖3所示。我們?cè)诿恳唤MCSPResblock后面加一個(gè)注意力機(jī)制，由于注意力機(jī)制對(duì)特征圖的尺寸和通道數(shù)都不會(huì)發(fā)生變化，所以對(duì)下一模塊的輸入不會(huì)產(chǎn)生影響。

圖3：改進(jìn)后的CSPDarknet53 網(wǎng)絡(luò)

3 實(shí)驗(yàn)及結(jié)果分析

3.1 數(shù)據(jù)集

目前關(guān)于垃圾分類公開數(shù)據(jù)集主要有兩個(gè)，TrashNet 數(shù)據(jù)集和華為垃圾數(shù)據(jù)集。還有一部分自制數(shù)據(jù)集，如醫(yī)療廢棄物、街道垃圾等。TrashNet 數(shù)據(jù)集從分類情況上來看，主要是對(duì)可回收垃圾進(jìn)行分類，并且缺少了布料這一類別，又由于本文主要針對(duì)上海垃圾分類標(biāo)準(zhǔn)進(jìn)行分類識(shí)別，所以主要選取華為垃圾數(shù)據(jù)集作為參考。但華為數(shù)據(jù)集主要針對(duì)圖像識(shí)別進(jìn)行分類，沒有對(duì)圖像進(jìn)行標(biāo)注，所以在網(wǎng)絡(luò)上搜索到其它研究者標(biāo)注好的在飛槳平臺(tái)AI Studio 公開的數(shù)據(jù)集。除此之外，還通過網(wǎng)絡(luò)下載和拍照的方式對(duì)數(shù)據(jù)集進(jìn)行了補(bǔ)充。因此，本文的數(shù)據(jù)集主要由以下三種形式組合而成：

（1）飛槳平臺(tái)AI Studio 公開的標(biāo)注好的華為垃圾數(shù)據(jù)集，并對(duì)其進(jìn)行了篩選和調(diào)整。

（2）網(wǎng)絡(luò)上搜索并通過篩選的相關(guān)垃圾圖片。

（3）對(duì)日常生活垃圾進(jìn)行拍照得到的垃圾圖片。

本實(shí)驗(yàn)中垃圾數(shù)據(jù)集一共包含14964 張垃圾圖片，分為4 大類，44 小類。由于目標(biāo)檢測(cè)的標(biāo)簽一般為英文，每一小類后面的英文為各類別對(duì)應(yīng)的英文名，格式為“大類代號(hào)+小類類別名稱”，其中1 為其它垃圾，2 為廚余垃圾，3 為可回收垃圾，4 為有害垃圾。由于圖片中可能不止包含一個(gè)目標(biāo)，會(huì)有多個(gè)標(biāo)注，所以標(biāo)注數(shù)會(huì)大于收集到的圖片數(shù)，最終得到24248 個(gè)標(biāo)注。如表1所示，其中有5467 個(gè)其它垃圾，4234 個(gè)廚余垃圾，12874 個(gè)可回收垃圾和1673 個(gè)有害垃圾。圖4為每一小類的標(biāo)注數(shù)量，最多的為陶瓷器皿1263 個(gè)，最少為金屬?gòu)N具285 個(gè)。

圖4：垃圾數(shù)據(jù)集子集

表1：垃圾數(shù)據(jù)集

在垃圾數(shù)據(jù)集中，由于大類中還分為了各個(gè)小類，會(huì)導(dǎo)致同一個(gè)大類中小類和小類之間差距較小，例如：飲料瓶和酒瓶外觀相似，需要從更細(xì)節(jié)的特征來區(qū)分。而由于每個(gè)小類中也有不同尺度、也可能由于外力對(duì)形狀產(chǎn)生形變，例如：被擠壓的易拉罐、揉成一團(tuán)的衣服，各小類垃圾之間的差異較大。因此，類內(nèi)差距大，類間差異小，導(dǎo)致出現(xiàn)大量的錯(cuò)誤檢測(cè)。為了解決這些困難的樣本，我們引入了注意力機(jī)制，以優(yōu)化網(wǎng)絡(luò)的特征提取能力，有效提高檢測(cè)精度。

3.2 實(shí)驗(yàn)環(huán)境

本實(shí)驗(yàn)的硬件環(huán)境：處理器為Inter(R) Core(TM) i7-4710HQ CPU @ 2.50GHz，內(nèi)存為12GB，顯卡為GeForce GTX 1080Ti，操作系統(tǒng)是64 位，磁盤大小1T。

軟件環(huán)境：操作系統(tǒng)為Windows 10，深度學(xué)習(xí)框架為pyTorch 1.9.0，開發(fā)環(huán)境為Visual Studio Code，開發(fā)語(yǔ)言為Python，包管理器和環(huán)境管理器為Anaconda，GPU 為CUDA 11.1 和cuDNN 8.0.5。

3.3 超參數(shù)設(shè)置

本實(shí)驗(yàn)將采用YOLOv4 在COCO 數(shù)據(jù)集上訓(xùn)練出來的預(yù)訓(xùn)練模型進(jìn)行遷移學(xué)習(xí)，將預(yù)訓(xùn)練權(quán)重用于垃圾檢測(cè)實(shí)驗(yàn)中進(jìn)行訓(xùn)練，輸入圖像尺寸為416×416。垃圾識(shí)別的使用遷移學(xué)習(xí)的流程圖如圖5所示。

圖5：垃圾識(shí)別任務(wù)流程圖

本實(shí)驗(yàn)的學(xué)習(xí)率設(shè)置采取了余弦退火衰減（Cosine Annealing）策略，余弦退火可以通過余弦函數(shù)來降低學(xué)習(xí)率。我們將初始的學(xué)習(xí)率設(shè)為0.001，最小學(xué)習(xí)率設(shè)為0.00001，總共訓(xùn)練100 個(gè)epoch。本實(shí)驗(yàn)采用Adam 對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行迭代優(yōu)化，我們將動(dòng)量設(shè)為0.9，衰減因子設(shè)為0.0002，mini-batch 設(shè)為8。

3.4 實(shí)驗(yàn)結(jié)果

本節(jié)實(shí)驗(yàn)在CSPDarknet53 中加入注意力機(jī)制Triplet Attention，在實(shí)驗(yàn)參數(shù)設(shè)置統(tǒng)一的情況下，將YOLOv4 網(wǎng)絡(luò)和改進(jìn)后的網(wǎng)絡(luò)在上一章提到的垃圾數(shù)據(jù)集的訓(xùn)練集上進(jìn)行訓(xùn)練和驗(yàn)證，并且在測(cè)試集上進(jìn)行測(cè)試和評(píng)估。在實(shí)驗(yàn)過程中統(tǒng)計(jì)了mAP（平均精度的平均值）和FPS（速度）用來作為本實(shí)驗(yàn)主要的評(píng)價(jià)指標(biāo)。原YOLOv4 的實(shí)驗(yàn)結(jié)果和加入注意力機(jī)制后的實(shí)驗(yàn)結(jié)果如表2所示。

表2：注意力機(jī)制實(shí)驗(yàn)對(duì)比結(jié)果

由測(cè)試結(jié)果可知，加入Triplet Attention 注意力機(jī)制后雖然速度從28 降到26，但可以將mAP 從56.66%提升到58.57%，提升了1.91%。因此，我們可以得出加入Triplet Attention 到CSPDarknet53能夠在幾乎不增加參數(shù)和犧牲少量速度的條件下顯著提高模型的性能。

為了更直觀地展示檢測(cè)效果，YOLOv4 和改進(jìn)后的檢測(cè)結(jié)果如圖6所示。左圖為原YOLOv4，右圖為改進(jìn)后的算法，可以看出，改進(jìn)后的YOLOv4 對(duì)上述測(cè)試圖像有更好的檢測(cè)效果。

圖6：檢測(cè)效果對(duì)比圖

4 結(jié)論

本文主要對(duì)YOLOv4 在垃圾分類上的應(yīng)用展開了研究，在研究的基礎(chǔ)上，針對(duì)垃圾數(shù)據(jù)集的特點(diǎn)，對(duì)YOLOv4 網(wǎng)絡(luò)模型做出改進(jìn)。由于垃圾分類數(shù)據(jù)集同一個(gè)大類中小類和小類之間差距較小，而由于每個(gè)小類中也有不同尺度、也可能由于外力對(duì)形狀產(chǎn)生形變，各小類垃圾之間的差異較大，需要從更細(xì)節(jié)的特征來區(qū)分。我們將注意力機(jī)制Triplet attention 加入YOLOv4 主干網(wǎng)絡(luò)CSPDarknet53中來改進(jìn)主干網(wǎng)絡(luò)，這樣可以使網(wǎng)絡(luò)在幾乎不添加參數(shù)的情況下能夠自動(dòng)學(xué)習(xí)進(jìn)行跨維度的交互，提升有效的特征通道權(quán)重，從而讓網(wǎng)絡(luò)重點(diǎn)關(guān)注重要的特征通道，提高網(wǎng)絡(luò)檢測(cè)精度。最后，基于以上改進(jìn)，本文在自己制作的垃圾數(shù)據(jù)集上將原YOLOv4 算法與改進(jìn)后的算法進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果證明本文的改進(jìn)對(duì)垃圾檢測(cè)精度方面有所提升，說明此改進(jìn)對(duì)垃圾分類研究是有效的，對(duì)智能垃圾分類技術(shù)提供了參考。