基于深度学习和yolov8图像处理的废旧材料检测研究

廖宇文 王亮 张增发 钟华 金芳

摘要:全球垃圾问题日益加剧，垃圾分类成为重要的环保任务。本研究结合深度学习与Yolov8图像处理技术，提出创新的智能废旧材料检测方法，通过综述现有智能垃圾分类技术，揭示其在复杂场景中的局限性，并在技术、社会、政策等方面讨论推行智能垃圾分类的可能性。详细介绍了所提方法的模型架构、工作流程、数据收集、训练过程，并通过精度曲线分析展示了模型的高性能。延伸研究验证了模型在多物体检测、各角度准确性方面的出色表现，结合用户调查提供实际应用参考。综合研究结果显示显著进展，为废旧材料处理提供可行解决方案，对未来垃圾分类研究具有重要意义。

关键词:垃圾分类 图像处理 深度学习 多物体检测 yolov8 

1 引言

1.1背景与动机

习近平总书记在党的二十大报告中提出，推动绿色发展，促进人与自然和谐共生。随着网络时代和生活水平提高，人均垃圾产生量增加，回收垃圾和不可回收垃圾混在一起难以分类和回收。传统垃圾分类方法效率低下，为解决这个问题，引入了基于深度学习的自动化垃圾分类系统。

深度学习是机器学习的一种算法，Yolov8模型是最新适用于影像分类的方法，可用于日常生活中的目标检测，通过深度学习算法实现图片、视频、摄像头等方式的目标检测。该系统支持训练模型导入、初始化功能、检测置信度评分和IOU阈值的调整，以及图像、视频等格式的结果可视化和导出。

因此，本文旨在规划和开发一个基于深度学习的框架，通过卷积神经网络和图像处理，从形状、颜色、尺寸和大小等方面识别垃圾，提高垃圾分类效率。政策层面也有支持，如2019年6月发布的《在地级以上城市全面开展生活垃圾分类工作的通知》等。文章目标是为智能垃圾垃圾分类提供理论依据，减轻人们在垃圾分类时的时间压力，加速整个分类过程。

1.2 研究目的与意义

为了实现上述动机，需要具体设计一个基于深度学习的智能垃圾分类系统，通过分析图像中的废物物体实现对废物的自动分类。具体来说，本文主要关注以下几个方面的研究内容：

(1)设计一个高效的垃圾分类系统，能够准确地检测和分类不同类型的废物物体。

(2)对训练后的模型进行测试和评估，分析其在不同场景下的准确率和效果。

(3)做到此系统的设计能够推广应用

(4)垃圾可回收和再利用，促进资源循环利用，加快循环经济发展。

2 相关的工作

2.1 智能垃圾分类方法综述

在垃圾分类领域，传统机器学习方法如SVM被广泛应用，但在复杂情况下提取特征效果有限。近年来，深度学习的兴起，尤其是Yolov8的成功应用，为垃圾分类提供了新的机遇。Yolov8在图像处理方面表现卓越，比传统方法在检测精度和速度方面更具优势。这一新一代模型为智能垃圾分类提供了更好的性能和灵活性。

2.2 推行智能垃圾分类的可能

大学是该项目的首要目标也是理想场所，大学生具备强烈的环保意识、生活垃圾量大等条件，并且大学生接受新事物能力强、适应能力强，是计划的理想角色。通过垃圾分类计划，学生可获得积分、荣誉证书，并在期末用证书兑换学分或奖品，激励他们参与。此外，通过评选文明宿舍和文明校园等，提高全体师生垃圾分离回收意识，培养垃圾分类习惯。

随着项目在高校的成熟推进，可逐步推广到社区。在社区中，智能分类垃圾箱可以通过积分换取水电费或物业费折扣，有了奖励机制，相较于传统分类方法，选择智能垃圾分类的人定会更多，而后推出垃圾分类应用程序、小程序、智能垃圾桶等。这不仅能简化垃圾分类的过程并提高方便性，还能促进传统垃圾回收产业的转型升级，带动相关产业发展，提供部分岗位可以解决部分雇佣问题。

3 研究方法

3.1 模型架构与工作流程

本研究所提出的基于深度学习的垃圾分类系统主要包括数据收集、模型开发、训练过程和模型测试等环节。

3.2 数据收集与标注

为了构建有效的废物分类模型，需要收集大量的废物图像数据。这些图像数据应涵盖不同类型的废物，以及不同角度和背景下的废物图像。收集到的图像数据需要进行标注，即为每个图像标注出废物物体的位置和类别。

为了训练和测试废物分类模型，我们收集了大量的废物图像数据。这些数据包括不同种类的废物，如纸板、金属、玻璃、纸张、塑料和垃圾。通过在不同场景下拍摄和收集废物图像，我们得到了多样化的数据集。这个过程不仅需要准确性，还需要耐心和细心，可以保证标签的质量和准确性。

3.3 模型开发与训练

基于yolov8算法的模型开发，具备高检测和分类准确率。废物图像数据经过预处理，包括缩放和归一化。数据集分为训练集和验证集，用于模型的训练和调优。训练是迭代过程，通过参数调整和损失函数优化，逐渐提高模型准确率。在训练中，采用Anchor-Free思想，创建新的骨干网络、检测头和损失函数，实现在不同硬件平台上的高效运行。

4 实验与结果

4.1 模型训练过程与精度曲线分析

在模型训练过程中，降低置信度阈值会导致较低的准确率但较高的召回率，而提高阈值则反之。高置信度阈值下，类别检测更准确，但F1分数较小。图2显示了几个F1曲线呈“宽敞”趋势，顶部接近1，表示在广泛的置信度范围内（无论是否经过良好检查）在训练数据集上表现良好。

图1：训练过程精度曲线

监测函数的精度变化可以了解模型的训练情况。函数的精度变化曲线如图2所示：

图2：精密度-置信度曲线

我们使用训练的YOLOv8模型生成了验证集上的PR曲线图。该模型在召回率和精确率方面表现出色。图中展示了当判定概率超过置信度阈值时，各个类别的识别准确率。随着置信度的增加，类别检测的准确性提高，但可能会漏掉一些低概率的真实样本。随着训练的进行，模型精度逐渐提升，表明其学习了废物物体的特征表示，损失曲线的上升趋势更为显著，说明模型收敛速度较快，效率高。

4.2 模型测试与准确率评估

为了评估模型的准确率，我们使用了测试图像数据集进行模型测试。测试结果如表1所示：

类别	准确率
金属	0.80
玻璃	0.83
纸张	0.90
塑料	0.87
布料	0.85

表1：图像数据

从表中可以看出，模型在不同类别的废物物体分类中表现出色。平均准确率达到了0.85，这表明模型能够准确地识别和分类不同类型的废物。

4.3 多物体检测能力测试

除了单一物体分类外，我们还测试了模型的多物体检测能力。测试结果如图3所示：

图3：多物检测能力效果

从图中可以看出，模型能够同时检测并分类多个废物物体。这证明了模型在多物体场景下的稳定性和准确性。

4.4 对不同方向图像的预测分析

我们进一步测试了模型对不同方向图像的预测能力。测试结果如表2所示：

角度	准确率
正面	0.79
侧面	0.75
俯视面	0.73

表2：不同角度准确率

从图和表中可以观察到，模型对于不同角度的废物图像有着较好的预测能力，尤其是正面图像的准确率更高。

5 调查与对比分析

为充实研究内容，我们进行了基于深度学习和传统垃圾分类方法的调查，比较它们在不同场景下的分类效果和时间效率。随机选取300张废物图像，包含各种废物和不同角度、背景。传统方法采用支持向量机（SVM）算法。具体调查结果见表3。

方法	平均准确率	平均处理时间(秒)
本研究提出的系统	0.85	0.25
传统SVM方法	0.75	1.02

表3：平均准确率与处理时间对比

从表中可以看出，本研究提出的基于深度学习的垃圾分类系统在分类准确率和处理时间上均优于传统的SVM方法。这进一步证明了深度学习在垃圾分类领域的优越性。

5.1 用户调查和反馈

为了了解用户对基于深度学习的垃圾分类系统的看法，我们进行了一项用户调查。我们向40名大学生参与调查的随机用户发放了调查问卷，下表为问卷设计：

编号	问题
1	您是否会根据垃圾的类型进行分类？
2	您是否会将垃圾仍在对应的地方？
3	您在处理垃圾时是否有垃圾分类的习惯或意识？
4	您对于垃圾分类态度是？
5	您是否了解当地的垃圾分类政策？
6	您对自己居住地的垃圾分类情况是否满意？
7	您会遵循公共场合的指示投放垃圾吗？
8	您是否认为当地的基础设施对生活垃圾处理有影响？
9	您认为需要加大当地的垃圾分类管理力度吗？
10	如果您对垃圾分类有了一定的了解，基础设施也完善后您会参与垃圾分类的活动吗？

被调查的用户依据1-5分来对每个问题进行回答，最高50分，调查完毕后，得到下图：

图4：调查结果

红线A为432分，蓝线B为486分，显示从现有情况（A点）到智能垃圾桶项目实施后（B点），社区处理垃圾的心态有所提高。为详细了解心态变化，作者将分数转换成百分比，计算结果如下。

结果显示，A情况下，人们将垃圾扔进正确地点的心态比例为43.2%，而B情况为48.6%。这表明，实施智能垃圾桶项目后，社区居民将垃圾投放到正确位置的心态提高了5.4%。尽管这个变化较小，但这只是在项目未实施之前对群众感受的初步预测。实际项目落地后，这一变化可能更显著，表明智能垃圾桶的设计和功能能够影响人们将垃圾正确处理的意愿。

6 结论

本研究提出了基于深度学习的垃圾分类系统，并介绍了系统的设计，数据收集，模型开发，训练过程，模型测试及实验结果分析。通过实验调查，我们证明了该系统在垃圾分类任务中具有较高的准确度和效率。与传统方法相比，该系统在分类的准确度和处理时间方面都表现出良好的性能。用户调查结果也对该系统给予了肯定的评价。虽然仍存在一些局限性，但这项研究为垃圾分类领域的自动化解决方案提供了有益的探索和启示。

7 参考文献

[1]王琛,赵丽萍.(2019)."基于深度学习的垃圾分类技术研究." 现代电子技术, 42(5), 163-167.

[2]李明,张伟.(2020)."智能垃圾分类系统的设计与实现." 计算机工程与应用, 56(15), 123-129.

[3]张磊,王刚.(2018)."垃圾图像识别技术研究综述." 传感技术学报, 31(10), 142-149.

[4]赵亮,刘丽.(2017)."基于深度学习的目标检测方法综述." 计算机应用研究, 34(7), 1845-1850.

[5]陈晓明,吴静.(2016)."基于深度学习的图像处理技术在废旧材料识别中的应用." 光电技术应用, 41(3), 74-78.

作者简介：姓名 廖宇文，性别 男，省市 湖南省娄底市，民族 汉，学历 本科，单位 湖南城市学院，职称 学生，研究方向 ：大数据分析和软件工程

通讯作者：金芳，女，湖南省益阳市，汉族，博士，湖南城市学院，副教授，研究方向：概率论与数理统计