吕东，王萍，王宇航，王智文，张灿龙

摘  要：固体金属垃圾具有巨大的回收利用空间和经济再利用价值.在日常生活中，金属垃圾的分类回收主要依靠传统人工分类，费时费力.为此本文提出一种基于深度学习的方法对金属垃圾进行分类：构建一个包含6类共17 804张图片的固体金属垃圾数据集并命名为GX-TrashNet;采用ResNet-101作为分类模型，加入注意力机制模块提升模型的分类准确率;使用卷积核大小为1*1的卷积层代替注意力机制模型中的全连接层，使用全局平均池化层作为分类器.实验结果表明，改进后的模型在GX-TrashNet上的分类准确率为97.00%，在TrashNet上分类准确率为80.87%.

关键词：固体金属垃圾;垃圾分类;深度学习;注意力模块;卷积神经网络

中图分类号：TP391.41          DOI：10.16375/j.cnki.cn45-1395/t.2021.04.016

0    引言

垃圾是放错了位置的资源，相比于生活垃圾分类回收，金属垃圾回收再利用有着巨大的经济效益和社会效益，并且金属垃圾形态相对固定，容易分辨.垃圾分类在计算机视觉中属于图像分类.图像分类是人脸识别[1-2]、目标检测等高级任务的重要基础.随着人工智能技术的发展，越来越多的研究人员开始采用深度学习方法进行垃圾分类.文献[3]构建了一个公开的包括6类共2 527张垃圾图片的数据集TrashNet，在该数据集上有许多研究者进行了一系列实验[4-15]，其中具有代表性的有：Adedeji等[11]将ResNet-101的分类器替换为SVM，在训练中采用ImageNet数据集上预训练好的权重，取得了87.00%的准确率.文献[12]将轻量型网络MobileNet用到该数据集上进行训练，取得87.20%的准确率，并……