基于YOLOv5圖像識(shí)別的垃圾自動(dòng)分類系統(tǒng)的設(shè)計(jì)

田建杰 尚玉龍

摘要：垃圾分類已成為城市環(huán)境管理的重要議題。然而，傳統(tǒng)垃圾分類方法需要人工介入，效率較低且易出錯(cuò)。近年來，深度學(xué)習(xí)技術(shù)的發(fā)展為自動(dòng)垃圾分類提供了新的解決方案。文章設(shè)計(jì)了一種基于YOLOv5模型的垃圾自動(dòng)分類系統(tǒng)。該系統(tǒng)可以通過電腦攝像頭實(shí)時(shí)采集圖像，使用基于YOLOv5的深度學(xué)習(xí)模型進(jìn)行4種垃圾品種的識(shí)別，并將識(shí)別結(jié)果通過串口發(fā)送至單片機(jī)上來控制安裝于垃圾桶模型上的舵機(jī)實(shí)現(xiàn)對(duì)應(yīng)垃圾桶的開蓋，從而完成垃圾識(shí)別和自動(dòng)分類。

關(guān)鍵詞： 垃圾分類；YOLOv5；目標(biāo)識(shí)別；深度學(xué)習(xí)

中圖分類號(hào)：TP311? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）08-0005-03

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）

0 引言

隨著全球人口的不斷增長和城市化的加速發(fā)展，垃圾問題日益成為全球面臨的重要挑戰(zhàn)[1]。傳統(tǒng)的垃圾處理方式，如填埋和焚燒，不僅浪費(fèi)資源，還產(chǎn)生大量的有害氣體和污染物，對(duì)環(huán)境和人類健康造成嚴(yán)重威脅[2]。面對(duì)這一現(xiàn)實(shí)，垃圾分類作為一種環(huán)保措施被廣泛提倡和實(shí)施。垃圾分類不僅有助于實(shí)現(xiàn)資源的可持續(xù)利用，還為循環(huán)經(jīng)濟(jì)的發(fā)展提供了基礎(chǔ)。基于YOLOv5的垃圾分類系統(tǒng)能夠利用計(jì)算機(jī)視覺技術(shù)自動(dòng)識(shí)別和分類不同類型的垃圾，為垃圾處理和資源回收提供有效的支持。通過結(jié)合深度學(xué)習(xí)和圖像處理技術(shù)，該系統(tǒng)可以在較短的時(shí)間內(nèi)實(shí)現(xiàn)大規(guī)模垃圾分類，提高分類的準(zhǔn)確性和效率。此外，該系統(tǒng)還可以降低人工勞動(dòng)成本，減少人為錯(cuò)誤，并提高用戶參與度和推廣普及度。

1 研究現(xiàn)狀

目前研究垃圾檢測主要集中在計(jì)算機(jī)視覺領(lǐng)域的目標(biāo)檢測任務(wù)。傳統(tǒng)的垃圾檢測方法包括HOG（Histogram of Oriented Gradients） [3] 檢測器、基于滑動(dòng)窗口的VJ（Viola-Jones） 檢測器和DPM（Deformable Part Model） 檢測器。然而，隨著深度學(xué)習(xí)的興起，卷積神經(jīng)網(wǎng)絡(luò)（CNN） 成為研究的熱門方向。

YOLO算法是一種端到端的目標(biāo)檢測算法，可以實(shí)現(xiàn)實(shí)時(shí)目標(biāo)檢測。YOLO將輸入圖像分成網(wǎng)格，并對(duì)每個(gè)網(wǎng)格預(yù)測目標(biāo)的類別和位置，然后使用非最大抑制（NMS） 算法將重疊的預(yù)測框合并成一個(gè)框[4]。類似的還有RetinaNet。RetinaNet算法是一種基于Focal Loss的目標(biāo)檢測算法，旨在解決目標(biāo)檢測中正負(fù)樣本不平衡問題[5]。當(dāng)前的研究現(xiàn)狀表明基于深度學(xué)習(xí)的目標(biāo)檢測算法在垃圾檢測任務(wù)中表現(xiàn)出很大的潛力。隨著技術(shù)的不斷發(fā)展和研究的深入，使用基于YOLO的垃圾分類系統(tǒng)有望實(shí)現(xiàn)更高的準(zhǔn)確性、更快的處理速度和更廣泛的應(yīng)用[6]。進(jìn)一步的研究將關(guān)注于改進(jìn)數(shù)據(jù)集的質(zhì)量和多樣性、提升算法對(duì)復(fù)雜場景和小尺寸物品的檢測能力，以及優(yōu)化模型的魯棒性和泛化能力，從而實(shí)現(xiàn)更智能、高效的自動(dòng)垃圾分類系統(tǒng)的開發(fā)和應(yīng)用。

2 系統(tǒng)總體設(shè)計(jì)

2.1 整體設(shè)計(jì)方案

整體系統(tǒng)的框架圖如圖1所示，系統(tǒng)由PC機(jī)和ESP32組成。首先在互聯(lián)網(wǎng)上收集下載數(shù)據(jù)集，并對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理和格式轉(zhuǎn)換。然后將數(shù)據(jù)集按一定比例劃分為訓(xùn)練集、測試集和驗(yàn)證集。訓(xùn)練使用YOLOv5模型，得到權(quán)重文件并進(jìn)行分析。

圖2闡述了整個(gè)分類系統(tǒng)的識(shí)別與控制流程：垃圾桶由4個(gè)小垃圾箱并排放置，每個(gè)垃圾箱內(nèi)配有旋轉(zhuǎn)舵機(jī)，可實(shí)現(xiàn)90度旋轉(zhuǎn)。當(dāng)攝像頭完成垃圾識(shí)別后，對(duì)應(yīng)舵機(jī)帶動(dòng)垃圾桶蓋進(jìn)行開啟或關(guān)閉操作。垃圾桶分為四類，廚余垃圾、可回收垃圾、有害垃圾和其他垃圾。并對(duì)其進(jìn)行標(biāo)號(hào)為1、2、3、4號(hào)垃圾桶。當(dāng)串口接受到垃圾為1號(hào)時(shí)，表示垃圾為廚余垃圾，控制1號(hào)垃圾桶的舵機(jī)旋轉(zhuǎn)，其余垃圾桶保持關(guān)閉狀態(tài)。當(dāng)串口接受到垃圾為2號(hào)時(shí)，表示垃圾為可回收垃圾，控制2號(hào)垃圾桶的舵機(jī)旋轉(zhuǎn)，其余垃圾桶保持關(guān)閉狀態(tài)，以此類推。完成垃圾桶的開關(guān)蓋。

2.2 數(shù)據(jù)集的收集和處理

為了實(shí)現(xiàn)高效、準(zhǔn)確的垃圾分類，數(shù)據(jù)集的優(yōu)劣至關(guān)重要。為確保數(shù)據(jù)集的質(zhì)量和可靠性，并查找了多個(gè)可靠的數(shù)據(jù)源，最終選擇了一個(gè)垃圾分類公共數(shù)據(jù)集：IAS.Trabe垃圾分類數(shù)據(jù)集。該數(shù)據(jù)集由專業(yè)的機(jī)構(gòu)和團(tuán)體提供，具有較高的數(shù)據(jù)質(zhì)量和可靠性，可以滿足垃圾分類需求。該垃圾分類數(shù)據(jù)集的樣本數(shù)量分布情況如表1所示，項(xiàng)目數(shù)據(jù)集部分圖片如圖3所示。

3 YOLOv5算法模型的訓(xùn)練

3.1 YOLOv5算法原理

YOLO算法的基本思路可以總結(jié)如下： YOLO算法通過將輸入的特定圖像劃分為[S×S]的網(wǎng)格，然后每個(gè)網(wǎng)格需要預(yù)測一定數(shù)量的邊界框和對(duì)應(yīng)的指標(biāo)（即置信度以及類別概率）。YOLOv5是Alexey Bochkovskiy等人在YOLOv4的基礎(chǔ)上進(jìn)行了改進(jìn)，其目標(biāo)是提高YOLOv4的檢測精度和速度。具體來說，YOLOv5從輸入端、backbone層、neck層、YOLOhead這4個(gè)方面進(jìn)行了改進(jìn)。YOLOv5的整體網(wǎng)絡(luò)結(jié)構(gòu)由輸入端、backbone層、neck層、Output這4個(gè)部分組成。

3.2 YOLOv5訓(xùn)練和配置

該系統(tǒng)采用了Pytorch框架進(jìn)行模型訓(xùn)練，這是一種常用的深度學(xué)習(xí)框架，具有易用性和靈活性等優(yōu)點(diǎn)[7]。為了加快模型的訓(xùn)練，獲得更好的檢測效果，同時(shí)采用了遷移學(xué)習(xí)技術(shù)，訓(xùn)練時(shí)采用官方的yolov5s預(yù)訓(xùn)練權(quán)重進(jìn)行訓(xùn)練。

訓(xùn)練指標(biāo)是評(píng)估訓(xùn)練模型性能的重要指標(biāo)。在本系統(tǒng)設(shè)計(jì)過程中，圖4展示了訓(xùn)練指標(biāo)隨訓(xùn)練次數(shù)增加的變化趨勢，總訓(xùn)練次數(shù)為400輪。

由圖4可得：當(dāng)訓(xùn)練迭代次數(shù)逐漸增加，相對(duì)應(yīng)的訓(xùn)練指標(biāo)也不斷優(yōu)化，最后基本可以到達(dá)100%。這表明我們的模型在訓(xùn)練過程中逐漸學(xué)習(xí)到了更準(zhǔn)確的目標(biāo)檢測能力，能夠更好地識(shí)別和定位目標(biāo)，并且能夠減少誤判和漏檢的情況。同時(shí)，我們還觀察到Objectness和Classification損失函數(shù)的均值也在不斷下降，這進(jìn)一步證明了模型訓(xùn)練的有效性和準(zhǔn)確性。

3.3? 系統(tǒng)測試結(jié)果和分析

系統(tǒng)硬件整體實(shí)物圖如圖5所示。由PC機(jī)、ESP32和垃圾桶模型組成。

該分類系統(tǒng)測試運(yùn)行的部分結(jié)果如圖6所示。

從圖中不難發(fā)現(xiàn)識(shí)別的垃圾種類包括廚余垃圾、可回收垃圾以及其他垃圾等類別，對(duì)應(yīng)的數(shù)字則代表了識(shí)別結(jié)果的置信度，并且識(shí)別結(jié)果的置信度均高于0.5，表明該系統(tǒng)的測試運(yùn)行基本達(dá)到設(shè)計(jì)指標(biāo)。

另外，將本次采用的基于YOLOv5的識(shí)別算法和其他常用的算法進(jìn)行比較，結(jié)果如表2所示。3種識(shí)別算法中，YOLOv5算法的識(shí)別精度最高，可以達(dá)到91%；而基于HOG+SVM的傳統(tǒng)機(jī)器學(xué)習(xí)識(shí)別精度最差，僅有63%。該比較結(jié)果表明在數(shù)據(jù)集豐富的情況下，本研究使用的YOLOv5算法檢測結(jié)果準(zhǔn)確，具備實(shí)際應(yīng)用的可能性。

4 結(jié)束語

本文提出了一種基于YOLOv5模型的垃圾自動(dòng)識(shí)別及分類系統(tǒng)，詳細(xì)描述了數(shù)據(jù)集構(gòu)建、網(wǎng)絡(luò)調(diào)整和模型訓(xùn)練等步驟；并通過模擬測試驗(yàn)證了該方法的有效性和性能，獲取了較理想的測試結(jié)果。從系統(tǒng)測試結(jié)果不難看出：本文所設(shè)計(jì)的系統(tǒng)可以有效地幫助解決城市生活垃圾自動(dòng)分類、分揀的問題。該系統(tǒng)在運(yùn)行的穩(wěn)定性、易用性以及分類識(shí)別的精度等方面均表現(xiàn)良好，有著廣闊的應(yīng)用前景。

參考文獻(xiàn)：

[1] 王泗通.城市生活垃圾分類的實(shí)踐困境及其優(yōu)化路徑[J].南華大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2023，24（5）：80-85.

[2] 呂崇賓.城市生活垃圾分類現(xiàn)狀與優(yōu)化對(duì)策思考[J].清洗世界，2023，39（6）：154-156.

[3] 李金玉，陳曉雷，張愛華，等.基于深度學(xué)習(xí)的垃圾分類方法綜述[J].計(jì)算機(jī)工程，2022，48（2）：1-9.

[4] 李鑫，任琪軒，朱宇.基于STM32單片機(jī)的智能化垃圾桶設(shè)計(jì)與實(shí)現(xiàn)[J].工業(yè)控制計(jì)算機(jī)，2023，36（6）：147-148.

[5] LIN T Y，GOYAL P，GIRSHICK R，et al.Focal loss for dense object detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2020，42（2）：318-327.

[6] 王莉，何牧天，徐碩，等.基于YOLOv5s網(wǎng)絡(luò)的垃圾分類和檢測[J].包裝工程，2021，42（8）：50-56.

[7] 袁建野，南新元，蔡鑫，等.基于輕量級(jí)殘差網(wǎng)路的垃圾圖片分類方法[J].環(huán)境工程，2021，39（2）：110-115.

【通聯(lián)編輯：聞翔軍】