基于改进Faster R-CNN的垃圾检测与分类方法

摘要：

针对人工分拣垃圾环境差、任务繁重且分拣效率低的问题,为提高垃圾识别与分类的精确度,同时克服垃圾体积小及图像分辨率较低的难题,基于现有深度卷积神经网络模型,提出改进的Faster R-CNN目标检测模型与VGG16及ResNet50卷积神经网络相结合的方法.根据卷积网络的特性,修改Faster R-CNN网络结构,提升小目标检测任务精度,采用Soft-NMS算法替代传统的非极大值抑制算法,并对参数进行敏感分析,确定其参数范围为0.4～0.7.实验结果表明,与传统Faster R-CNN算法相比,该方法平均精确度提高8.26个百分点,综合识别率达到81.77％,且能够减少图像处理时间.

关键词：垃圾识别;分类;目标检测;深度学习;非极大值抑制

所属期刊栏目：47

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金61862060,61462079,61562086,61562078

在线出版日期：2021-08-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：294-300