基于YOLOv8的可回收垃圾识别方法研究

随着经济和社会的快速发展，如何更好地分类、清运和回收垃圾已变得日益重要和广受重视。为了让垃圾的分选更加智能化，减少对人工的依赖，可以采用基于深度学习的目标识别算法，对垃圾图像进行有效地识别和检测。本文分析了于2023年1月新提出的YOLOv8 (You Only Look Once)算法的改进之处，并将YOLOv8算法应用于可回收垃圾的识别。实验结果表明，与基于YOLOv5算法的识别结果相比，基于YOLOv8算法的可回收垃圾的识别精度显著提高，mAP (平均精度值)达到了96%，已能满足分拣的需要。

近年来，随着经济水平的发展，无论是城市还是农村的生活水平均有大幅提高，垃圾的分类、清运和资源化利用成为一个亟待研究的课题。

在目前的实际生产生活当中， 广泛应用的仍然是人工分类垃圾， 尤其是在初步分选当中。这既会增大人力成本，也会影响工人的身心健康。针对垃圾的初步分选问题， 由于工业相机在采集图像的精度提升的同时成本有所降低，提高了目标检测技术在垃圾目标的识别分类上的实用价值。同时计算机CPU 和GPU 的性能有了很大的提升，在基于深度学习的目标检测算法的训练速度得到提高的同时，也使训练好的模型能更快地处理工业相机采集的图像，并计算出目标的位置， 控制执行机构实现对垃圾目标的抓取[1] [2] [3]。

基于深度学习的目标检测是指从输入图像中识别出感兴趣目标并将目标类别以及在图像中的位置作为结果进行返回的技术。根据目标检测实现步骤的不同，深度学习目标检测算法可分为基于候选区域的二阶段算法以及基于边框回归的一阶段算法。

基于候选区域的目标检测算法有：R-CNN、Fast R-CNN [4]、Faster R-CNN [5]等。

基于边框回归的检测算法有：YOLO [6]系列、SSD [7]等。

相较于二阶段算法， YOLO (You Only Look Once)等一阶段算法模型结构简洁，检测速度快的同时保证了足够的准确率，在工业界得到了广泛的应用。YOLOv1 算法于2015 年被提出，在随后的研究中，不同的研究者通过改进网络结构、添加数据增强模块等方式，提出了YOLOv2、YOLOv5、YOLOX、YOLOv7 等各个改进版本(见图1)。

在工业生产当中，YOLO 系列算法是较为成熟且应用广泛的一种目标检测算法。

Figure 1. The time when the YOLO series algorithm was proposed 图1. YOLO 系列算法被提出的时间