叶 冲，杨晶东

(上海理工大学 光电信息与计算机工程学院，上海200093)

0 引 言

如今，由人工进行垃圾分拣不仅对人体健康有伤害，而且垃圾分拣效率低。在日常生活中，每天会产生大量不同种类的垃圾，人工分拣只能解决其中的小部分，大多数都会进行填埋，从而对环境有很大的污染。随着计算机视觉的发展和图像数据的日益增多，深度学习方法在垃圾分类领域被广泛的应用。通过对不同种类的垃圾图像进行检测，让机器自动进行识别和分拣，从而提高资源利用率，减少环境污染。

传统的图像分类方法主要分为两部分，一是通过人为设置特征提取器提取图像特征，例如HOG特征［1］、SIFT特征［2］、LBP特征［3］等；二是通过设计更好的分类器算法来提高分类结果的准确率。然而随着移动互联网的普及以及各类互联网产品的推出，每时每刻都有海量的图像数据产生，这些图像数据复杂而且多样化，传统的图像分类算法并不足以支撑这些数据的分类。近年来，由于计算机技术的快速迭代和计算能力的日异丰富，给基于神经网络学习的图像分类算法提供了可能性。因此，越来越多的学者将目光投向基于神经网络的图像分类算法研究，以便找到更加快速高效的图像分类技术。深度学习通过多层非线性层的叠加［4-5］，使得模型可以拟合更加复杂的非线性映射。2014年，来自牛津大学的Simonyan K［6］等人提出了VGG网络，该网络常用的有VGG16和VGG19两种结构，除了在网络深度上的不同，二者在本质上并无区别。……