典型文献
基于改进型YOLO算法的垃圾分类方法
文献摘要：
当前基于深度学习的垃圾分拣方法存在效率低、处理时间长且对设备计算性能要求高等一系列问题,本文提出一种基于改进型YOLO算法的垃圾分类方法.该方法采用Mosaic数据增强技术降低模型对设备计算性能的依赖,并且通过增多小目标垃圾训练样本扩展数据集;将CSPDarknet-53作为主干特征提取网络,有效解决了推理计算量过大的问题,并且保证了模型的准确率;通过新增多个空间金字塔池化模块(SPP),实现全局特征与局部特征的更好融合,并且有效增强了模型的特征表达能力.由实验结果表明,本文所提方法的垃圾识别平均准确率mAP达到97.72％,处理时间不仅达到工业级检测标准而且显著缩短,对于设备计算性能的要求也大大降低,具有极大的应用价值.
文献关键词：
垃圾分类;深度学习;Mosaic数据增强;平均准确率;目标检测
中图分类号：
作者姓名：
陈宇;梁媛;汤永恒;潘斌
作者机构：
辽宁石油化工大学理学院,辽宁抚顺113000;辽宁石油化工大学计算机与通信工程学院,辽宁抚顺113000
文献出处：
引用格式：
[1]陈宇;梁媛;汤永恒;潘斌-.基于改进型YOLO算法的垃圾分类方法)[J].内蒙古大学学报（自然科学版）,2022(05):538-544
A类：
B类：
改进型,YOLO,垃圾分类,分类方法,垃圾分拣,处理时间,性能要求,Mosaic,数据增强技术,小目标,训练样本,CSPDarknet,主干特征提取网络,计算量,量过大,空间金字塔池化,金字塔池化模块,SPP,全局特征,局部特征,特征表达,表达能力,垃圾识别,平均准确率,mAP,检测标准,大大降低,目标检测
AB值：
0.436233
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
