吴 超 蒋鹏飞 吕 刚

（1.合肥学院生物食品与环境学院；2.合肥学院先进制造工程学院 安徽合肥 230601）

随着生活垃圾分类立法、执法等工作的顺利开展以及人工智能的飞速发展，视觉处理中的垃圾目标检测对垃圾处理工厂提升分拣效率、降低工人劳动强度等方面有着重要的研究意义。近年来基于深度学习中目标检测准确率高、模型学习速度快等特点，⓪其在日常生活中的应用场景越来越广泛，众多学者也转向了目标检测的研究领域。深度学习目标检测根据设计理念的不同可分为有无anchor[1]两大类：在anchor出现前，最初R-CNN[2]算法使用的Selective Search[3]方法以及滑动窗口等方法，其中Selective Search方法是能够分割出多达上千个候选区域，依据图像颜色、纹理、合并后的最小总面积等原则生成两个大概率存在目标区域，最终输出候选区域。Anchor的首次出现是在Faster R-CNN[1]中，一组3×3的Anchor框是人为地按照3种长宽比(0.5,1,2)，3种缩放比(8,16,32)设置成，故并不适用于所有数据集。直到YOLO（You Only Look Once）的出现，在YOLO v2[4]中提出使用K-means聚类来自动生成一组适用于特定数据集的特定尺寸的anchor，简化工作量的同时，可以使网络的检测效果更好。

深度学习目标检测识别算法飞速发展的成果也呈现在生活垃圾检测识别领域：Ying Wang等人[5]采用RESNET作为特征提取网络，通过在城市自然环境中融合垃圾图像的方式扩充得到更多的数据集样本，从而提高了模型的检测精度和准确率。彭昕昀[6]采用利用数据增强对SSD算法进行垃圾识别检测，但SSD的检测框准确率较低。Abeywickrama等人[7]将垃圾分类视为图像分类，结合支持向量机与卷积神经网络对垃圾进行了识别分类，得到较高的识别率。……