基于機器視覺的垃圾分類系統設計

關鍵詞：YOL0V5模型；垃圾分類；深度學習

doi：10.3969/J.ISSN.1672-7274.2025.05.022

中圖分類號：TP31 文獻標志碼：A 文章編碼：1672-7274（2025）05-0064-03

Abstract： This paper realizes automatic identification of garbage images through the YOLOV5s model， introduces the CBAM attention mechanism to optimize the performance of the YOLOV5s model in practical applications.By equipping an STM32 microcontroller as the main control device，the stepper motor is controlled to sort garbage based on the clasificationresults oftheYOLOV5s model.TVOCand infraredsensing modules are integrated to monitor the internalenvironmentof thetrash can inreal-time.This design applies deep learning modelsand embeddeddevices to garbage classification， which holds significant practical value for waste sorting.

Keywords： YOLOV5s model; waste sorting; deep learning

0 引言

隨著經濟的發展，生活垃圾運量呈現上升趨勢，截至2022年，我國生活垃圾運量高達24444.7萬噸，垃圾分類平均覆蓋率達到 82.5% ，但目前城市的生活垃圾分類存在分類效率低下，人力耗費較高，處理環境惡劣等問題。此外，傳統垃圾分類機器僅能進行單目標垃圾進行識別，無法在復雜環境中實現準確分類。

目前，已有不少學者對智能垃圾分類設計有所研究并取得一定進展。葉涵宇[等以改進的YOLOV5模型進行垃圾分類訓練，使模型的輕量化達到 50% ，同時具備良好的棒魯性。張月文[2]以YOLOV4和KCF目標跟蹤算法，實現對可回收垃圾的姿態估計與精準識別抓取。羅亮[3]等以YOLOV5模型進行圖像識別，利用STM32控制垃圾投放，實現垃圾的自動分類。王林芝[4]等通過構造CNN神經網絡，實現垃圾圖片的快速讀取與識別。余燕萍[5]等在CNN的基礎上引入EfficientNet網絡，改善垃圾分類效果。李繪英將樹莓派與卷積神經網絡相結合，在正常情況中該系統的分類準確率高達 93.2% 。

基于此，本文提出一種基于YOLOV5算法的智能垃圾分類裝置設計，實現對垃圾的智能分類，有助于改善垃圾分類準確率和垃圾資源的利用率，優化垃圾分類環境，減輕處理環境的污染程度，為垃圾回收提供便利。

1 系統整體設計

垃圾分類的過程由圖像檢測系統、垃圾識別系統和垃圾分類系統組成。圖像檢測系統通過垃圾收儲裝置自帶的攝像頭獲取垃圾圖像的同時，對目標區域圖像進行裁剪，并將圖像輸送至垃圾識別系統。YOLOV5模型通過提取圖像的相關特征進行目標識別。通過垃圾分類系統控制垃圾投放的區域，進行垃圾投放與分類。

2 系統軟件設計

YOLO系列算法通過其快速高效的檢測速度與良好的識別準確率，受到工業等其他領域的廣泛應用。基于此，本文提出一種添入CBAM模塊的YOLOV5算法，實現對垃圾的智能分類。

2.1數據集的處理

YOLOV5算法需要大量圖像數據進行訓練學習，達到穩定的圖像分類效果。由于生活垃圾種類復雜繁多，本文選擇使用華為云垃圾數據挑戰賽所提供的43類垃圾數據，按8：2的比例分為訓練集與測試集。

2.2YOLOV5模型

YOLOV5算法能將目標檢測問題轉化為回歸問題，通過卷積神經網絡對圖像進行分割，從而精確地預測每個區域的概率和邊界并求解出概率最大的垃圾類別作為分類結果。YOLOV5由Input（輸入層），Backbone（骨干網絡）、Neck（頸部）、Head（頭部）組成。

（1）輸入端。輸入端是由Mosaic圖像增強、自適應瞄框、自適應圖片縮放三部分組成。Mosaic數據增強是YOLOV5算法中最常用的一種數據增強方式，一般是隨機選擇4張不同的圖片進行拼接，且圖像的大小和位置都是隨機的，拼接的結果如圖2所示。

根據圖像輸入的結果，YOLOV5模型自動地將圖片縮放為目標檢測的合適尺度后，自動選擇一個最適合輸入圖像的錨框參數，確保目標檢測的精度和棒魯性。

（2）骨干網絡。YOLOV5的骨干網絡主要由Focus和CSP結構組成。CSP結構將輸入的圖像特征分為兩部分，一部分由殘差卷積而成，另一部分則是由普通的深度神經網絡卷積而成，主要負責圖像特征的提取。Focus結構作為YOLOV5中獨特的部分，結構如圖3所示，可以對CSP結構提取的結進行切片操作。

（3）Neck。Neck部分主要由SPP和PAN結構，通過不同的池化層和卷積層將圖像轉化為不同尺度的相關特征，再將不同尺度的特征進行融合，形成一個新的垃圾特征圖。相較于一般的特征提取過程，Neck部分所提取的特征損失量更小，對垃圾特征的提取更加完全，能夠有效地提高模型的檢測性能。

（4）Head。Head部分則是最后網絡的輸出，得到目標檢測的結果。在輸出結構后，生成用于衡量預測邊界和真實邊界的差距的回歸損失和衡量分類結果差異的分類損失，其表達式為

式中， ρ²（b，b^gt） 是預測框和真實框中心點之間的歐幾里得距離；@為平衡系數；IOU則是衡量預測框和真實框的重疊程度。通過引入函數softmax，構建損失函數：

式中， P_?i 為softmax函數轉化的概率值。通過找出最小化的損失函數，神經網絡會更加準確地預測目標的位置和大小以及預測目標的種類，提高模型的分類準確率。

2.3CBAM注意力機制

本文在YOLOV5模型中引入CBAM注意力機制，改良YOLOV5在實際應用中對小型垃圾分類性能較差等問題。

CBAM注意力機制分為通道注意力和空間注意力。通道注意力用于處理圖像特征的占比關系，而空間注意力則可以使神經網絡聚焦于起決定性作用的特征區域，而忽略無關的信息，其結構如圖4所示。

通道注意力首先對輸入的圖像特征進行全局最大池化和最大平均池化操作，計算每個通道對應的全局特征，通過卷積層學習每個通道對應的權重，將這些權重分配到每個通道對應的特征圖部分，實現對重要特征的信息提取和學習。通道注意力模塊的公式可以表示為

M_c（F）=σ（MLP（AvgPool（F），MaxPool（F）））

式中， σ 是非線性型 σ 函數； F 為輸入的特征圖像，對加權后的特征圖像進行空間注意力機制，生成新的圖像。其中，空間注意力模塊的表達式為

式中，Contant表示連接操作。通過上述過程，CBAM機制可以調整每個通道的和空間的重要程度，從而優化卷積神經網絡在實際應用中的表現和性能。

3 系統硬件設計

硬件方面主要由圖像采集模塊，主控模塊、驅動模塊、步進電機模塊、TVOC模塊以及紅外感應模塊組成。搭載STM32作為主控模塊，利用攝像頭對垃圾圖像進行采集，并上傳至深度神經網絡模型進行分類，并控制步進電機模塊完成對垃圾的分類。搭載TVOC模塊和紅外感應模塊，實時感應垃圾桶容量和有害氣體濃度變化情況，實現對垃圾桶的智能分類和監管。

3.1主控模塊

STM32微控制器集成了多種外設接口，如UART、SPI、 I²C. 、CAN等，具有高性能、低功耗、穩定性強等特點，運用于多個行業領域。STM32可以方便地與其他設備進行通信和控制。

3.2圖像采集模塊

圖像采集模塊則采用分辨率為1 280×720 像素的攝像頭，同時該攝像頭還具有降噪和自動對焦等功

能，實現對垃圾圖像的精準采集。

3.3步進電機模塊

步進電機型號為A3969，該芯片通過GPIO和PWM與MCU通信。當STM32接收到信號進行判斷時，控制其中一個步進電機進行旋轉，從而完成對垃圾的投放，再控制其他步進電機，實現垃圾投放口的關閉。

3.4其他模塊

紅外感應模塊用于判斷垃圾是否投放完畢，在投放完畢時，紅外感應模塊會向STM32輸送信號，從而完成對垃圾投放口的關閉，同時還能測量垃圾桶內部容積，當內部容積達到一定閾值時，會提示相關工作人員更換垃圾桶，避免內部垃圾數量過多，導致垃圾分類系統出現問題。

TVOC模塊是一種測量揮發性有害氣體的檢測系統，能夠感應到垃圾桶內部環境的有害氣體和濃度，并將檢測結果以電信號的形式表現出來，提示工作人員對垃圾桶進行必要的處理。

1 結束語

本文將垃圾分類與深度學習模型相結合，提出基于YOLOV5模型的垃圾分類裝置。通過訓練YOLOV5模型實現對垃圾的智能分類，引入CBAM注意力機制，增強YOLOV5模型對小型垃圾的檢測性能。此外，本文利用STM32作為主控設備，實現對垃圾桶其他功能的開發，例如，垃圾的自動分類和投入功能，同時裝配TVOC模塊和紅外感應模塊實現對垃圾桶容積和有害氣體的實時監控，保證正常的垃圾桶內部環境和功能，可以滿足日常使用的需要，有較強的實用價值。

參考文獻

[1]葉涵宇，郭來德，李玥嫻，等.改進的YOLOv5算法下的智能分類生活垃圾系統設計[J/OL].環境工程，1-12[2024-09-25].

[2]張月文，李松恒，張煒，等.基于機器視覺的可回收垃圾智能分揀系統設計[J].實驗室研究與探索，2022，41（07）：98-103+107

[3]羅亮，許佳娜，畢登峰，等.基于YOLOv5的智能垃圾分類系統設計[J].機電產品開發與創新，2023，36（05）：37-39.

[4]王林芝，石玨德，董梁苗，等.基于深度學習的垃圾分類系統[J].價值工程，2024，43（08）：125-127.

[5]余燕萍，趙圣魯.基于深度學習的智能垃圾分類系統設計與實現[J].電腦與信息技術，2024，32（03）：82-85.

[6]李繪英.試論基于樹莓派的智能垃圾分類系統設計[J].皮革制作與環保科技，2023，4（19）：168-170.