摘 要：隨著城市的快速發(fā)展，居民的生活質(zhì)量日漸提高，但生活垃圾數(shù)量也迅速增加，許多城市都面臨著垃圾分類處理的難題。可回收垃圾占生活垃圾的比例很大，且其回收價(jià)值較高，可二次利用。針對(duì)目前人工分揀和機(jī)械分揀低效率、高成本的問(wèn)題，文中提出了改進(jìn)EfficientNet V1的可回收垃圾圖像分類方法，使用通道和空間注意力模塊和空間轉(zhuǎn)換器模塊用于改進(jìn)模型，增強(qiáng)對(duì)特征的提取能力。實(shí)驗(yàn)結(jié)果表明，僅使用空間轉(zhuǎn)換器模塊的模型在TrashNet數(shù)據(jù)集上的準(zhǔn)確率達(dá)到了98.88%，高于所有對(duì)比模型，而使用通道和空間注意力模塊以及同時(shí)使用兩種模塊的模型相對(duì)于原模型來(lái)說(shuō)精度有提升。在2種公共數(shù)據(jù)集Cifar100和ImageNet100上進(jìn)行實(shí)驗(yàn)，僅使用空間轉(zhuǎn)換器模塊的模型仍獲得了最高準(zhǔn)確率62.78%和68.17%。利用深度學(xué)習(xí)技術(shù)，實(shí)現(xiàn)了可回收垃圾準(zhǔn)確快速分類，為垃圾分類事業(yè)提供了幫助。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)；垃圾分類；深度學(xué)習(xí)；注意力機(jī)制；圖像分類；數(shù)據(jù)增強(qiáng)

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2024）06-00-05

0 引 言

隨著城市的快速發(fā)展，經(jīng)濟(jì)發(fā)展與人口增長(zhǎng)導(dǎo)致全球各國(guó)的生活垃圾產(chǎn)生量增加，世界許多城市都面臨垃圾處理危機(jī)。垃圾分類回收任務(wù)是減少?gòu)U物產(chǎn)生、緩解環(huán)境壓力和改善國(guó)家經(jīng)濟(jì)的正確途徑[1]。目前，我國(guó)把生活垃圾分為可回收垃圾、其他垃圾、有害垃圾、廚余垃圾這四大類[2]。而其中可回收垃圾的價(jià)值較高，可通過(guò)分類回收進(jìn)行再循環(huán)利用，傳統(tǒng)的垃圾分類方法只能采取人工分揀和機(jī)械分揀等方法，這些方法費(fèi)時(shí)費(fèi)力，而且成本相對(duì)較高。計(jì)算機(jī)視覺(jué)和深度學(xué)習(xí)技術(shù)在分類識(shí)別垃圾方面效果明顯，只需通過(guò)RGB相機(jī)采集垃圾圖片，即可通過(guò)神經(jīng)網(wǎng)絡(luò)算法完成垃圾分類識(shí)別任務(wù)。

自從AlexNet[3]被提出并在ILSVRC-2012競(jìng)賽中取得冠軍后，深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)任務(wù)上的研究吸引了越來(lái)越多的學(xué)者，提出了許多新的模型，VGG、GoogleNet，ResNet[4-6]等優(yōu)秀的深度卷積網(wǎng)絡(luò)模型層出不窮。隨著模型對(duì)于分類識(shí)別任務(wù)的性能愈加突出，不斷加深或加寬卷積網(wǎng)絡(luò)模型使得參數(shù)和計(jì)算量越來(lái)越大，輕量級(jí)網(wǎng)絡(luò)逐漸引領(lǐng)新的深度學(xué)習(xí)熱潮，例如ShuffleNet，MobileNet，EfficientNet[7-9]等網(wǎng)絡(luò)在保證準(zhǔn)確率等性能指標(biāo)的同時(shí)，使得網(wǎng)絡(luò)模型參數(shù)和計(jì)算量更少，速度更快。

由于許多模型的評(píng)價(jià)指標(biāo)是以大型公共數(shù)據(jù)集為基準(zhǔn)，所以針對(duì)不同場(chǎng)景的分類任務(wù)需要使用不同的優(yōu)化手段。Yang等[10]針對(duì)可回收垃圾收集了2 527張圖像創(chuàng)建了TrashNet數(shù)據(jù)集，除此之外，很少有針對(duì)垃圾圖像的公共數(shù)據(jù)集，大多數(shù)研究都是在私有數(shù)據(jù)集上評(píng)估其模型[11]，

目前也有許多研究使用TrashNet數(shù)據(jù)集來(lái)訓(xùn)練模型。BIRCANO?LU C等[12]修改DenseNet里Dense模塊的連接結(jié)構(gòu)，在TrashNet上進(jìn)行訓(xùn)練，準(zhǔn)確率為81%。ZHANG Q等[13]將自注意力模塊（SMM）融入ResNet18中對(duì)TrashNet進(jìn)行訓(xùn)練，最終測(cè)試集的準(zhǔn)確率達(dá)到了95.87%。ADEDEJI O等[14]

使用支持向量機(jī)（SVM）作為ResNet50的分類器，能夠在TrashNet數(shù)據(jù)集上達(dá)到87%的準(zhǔn)確率。MAO W-L等[15]使用遺傳算法對(duì)DenseNet121全連接層的超參數(shù)進(jìn)行優(yōu)化微調(diào)，并將全連接層的神經(jīng)元數(shù)量和Dropout層的丟棄率作為主要決策變量，優(yōu)化后的DenseNet121準(zhǔn)確率最高達(dá)到了99.6%。

研究以TrashNet作為基準(zhǔn)數(shù)據(jù)集，對(duì)每幅圖像進(jìn)行水平翻轉(zhuǎn)和垂直翻轉(zhuǎn)來(lái)填充數(shù)據(jù)集，以EfficientNetV1作為研究的主干網(wǎng)絡(luò)，提出了一種改進(jìn)的基于深度學(xué)習(xí)的可回收垃圾分類方法。

1 算法研究

1.1 研究思路

本研究以構(gòu)建高準(zhǔn)確率的可回收垃圾分類模型為目的，使用輕量級(jí)網(wǎng)絡(luò)EfficientNet V1作為網(wǎng)絡(luò)主干，探究了即插即用的空間轉(zhuǎn)換器模塊（STN）[16]與通道和空間注意力機(jī)制（CBAM）[17]對(duì)網(wǎng)絡(luò)的影響，更新網(wǎng)絡(luò)基礎(chǔ)模塊構(gòu)成，通過(guò)數(shù)據(jù)增強(qiáng)手段來(lái)提高模型精度。

1.2 EfficientNet V1

在之前提升卷積神經(jīng)網(wǎng)絡(luò)性能的研究中，學(xué)者們的主要手段是通過(guò)不斷加深或者加寬網(wǎng)絡(luò)。2019年，谷歌團(tuán)隊(duì)在平衡網(wǎng)絡(luò)深度、寬度和輸入圖像分辨率后發(fā)現(xiàn)能帶來(lái)更好的性能，提出了EfficientNet V1，其測(cè)試的準(zhǔn)確率性能和參數(shù)數(shù)量以及計(jì)算量基本都優(yōu)于之前在單一維度上提升網(wǎng)絡(luò)精度的模型。其主要由MBConv[18]模塊組成，結(jié)構(gòu)如圖1所示。EfficientNet V1分為B0～B7共8個(gè)配置，其輸入圖像的尺寸隨著配置的序號(hào)增大而增大。為加快模型收斂速度，本研究使用B0配置進(jìn)行訓(xùn)練，輸入圖像分辨率為224×224。MBConv結(jié)構(gòu)如圖1所示。

1.3 STN模塊

STN模塊是一種對(duì)輸入進(jìn)行空間變換的模塊，空間變換器結(jié)構(gòu)如圖2所示。STN模塊可以使模型對(duì)于輸入圖像中物體姿勢(shì)與位置的變化具有一定的不變性，為每一個(gè)輸入提供對(duì)應(yīng)的空間變換方式。模塊可以插入網(wǎng)絡(luò)的各個(gè)位置，根據(jù)輸入的通道數(shù)和特征圖尺寸修改模塊內(nèi)卷積層和全連接層即可達(dá)到即插即用的目的。

STN模塊由3個(gè)部分組成。定位函數(shù)網(wǎng)絡(luò)（Localisation Net）通過(guò)獲取寬W、高H、C通道的輸入特征圖U∈RH×W×C，采用包含最終回歸層的全連接網(wǎng)絡(luò)或卷積網(wǎng)絡(luò)產(chǎn)生應(yīng)用于特征圖的空間變換參數(shù)θ，變換參數(shù)的大小取決于參數(shù)化的變換類型。

第二部分是網(wǎng)格生成器（Grid Generator），通過(guò)產(chǎn)生的θ和定義的變換以尋找輸出和輸入特征圖的映射Tθ（G），通常，輸出像素位于規(guī)則網(wǎng)格G=（Gi）上，輸入特征圖U每個(gè)像素位置為（xsi， ysi），經(jīng)過(guò)映射Tθ（G）變換后每個(gè)像素位置為Gi=（xti， yti），形成輸出特征圖V∈RH'×W'×C，其中輸入輸出的通道數(shù)C相同。

假設(shè)Tθ是二維仿射變換Aθ，在這種變換情況下，逐點(diǎn)變換：

（1）

式中：（xti， yti）是輸出特征圖中規(guī)則網(wǎng)格的目標(biāo)坐標(biāo)；（xsi， ysi）是輸入特征圖中每個(gè)樣本點(diǎn)的源坐標(biāo)；Aθ是仿射變換

矩陣。

最后一部分為采樣器（Sampler），通過(guò)之前的步驟得到輸出特征圖各像素點(diǎn)坐標(biāo)后，需要結(jié)合不同的采樣方式生成各像素點(diǎn)對(duì)應(yīng)的像素值。每個(gè)像素點(diǎn)應(yīng)用采樣核獲取輸出特征圖V中的像素值可寫為：

（2）

式中：Φx和Φy是定義圖像插值（例如雙線性插值）的通用采樣內(nèi)核k（）的參數(shù)；UCnm是輸入通道C中位置（n，m）的值；Vic是通道C中位置（xti， yti）處像素i的輸出值。理論上可以使用任何采樣內(nèi)核，只要可相對(duì)xsi和ysi定義（子）梯度。

1.4 CBAM模塊

CBAM模塊將通道和空間注意力機(jī)制串聯(lián)集成，通道和空間注意力機(jī)制如圖3所示。以特征圖F∈RC×H×W作為輸入，CBAM會(huì)按順序生成一個(gè)1D的Mc∈RC×1×1通道注意力輸出和一個(gè)2D的Ms∈R1×H×W輸出，整體計(jì)算過(guò)程由下式

給出：

（3）

（4）

式中：代表點(diǎn)積運(yùn)算；F'是給定輸入通過(guò)通道注意力模塊的輸出；F''是F'通過(guò)空間注意力模塊的輸出。

在通道注意力模塊中（圖4），分別使用平均池化層和最大池化層生成2個(gè)中間特征，分別用Fcavg和Fcmax表示，然后將這2個(gè)特征轉(zhuǎn)發(fā)到共享的多層感知機(jī)中，再將各輸出逐元素相加后通過(guò)Sigmoid激活函數(shù)得到最終的通道注意力特征向量。通道注意力模塊運(yùn)算可概括為：

（5）

式中：σ表示Sigmoid函數(shù)；MLP是多層感知機(jī)；W0和W1是感知機(jī)的權(quán)重；Fcavg和Fcmax是輸入特征圖經(jīng)過(guò)平均池化層和最大池化層的結(jié)果。

在空間注意力模塊中（圖5），首先使用最大池化層和平均池化層融合通道上的特征信息生成2個(gè)特征圖，隨后在通道維度上拼接后并使用卷積層卷積，從而生成2D空間注意力圖?？臻g注意力機(jī)制如圖5所示。計(jì)算過(guò)程如下所示：

（6）

式中：σ表示sigmoid函數(shù)；f7×7表示卷積核大小為7的卷積操作；Fsavg和Fsmax大小均為1×H×M。

1.5 基于STN和CBAM改進(jìn)的EfficientNet V1

EfficientNet V1使用MBConv作為網(wǎng)絡(luò)的基礎(chǔ)模塊，由于在網(wǎng)絡(luò)的淺層包含大量特征信息，CBAM模塊能夠有效融合通道和空間的特征信息。本研究在淺層使用CBAM模塊，需要將CBAM插入MBConv中以獲得新的模塊。而STN模塊的使用由于其即插即用的特性和對(duì)輸入圖像的位置矯正作用，所以將其放在特征提取部分之前。

文中共研究了3種模型，只加入STN和只加入CBAM以及將2種模塊同時(shí)加入網(wǎng)絡(luò)中，分別命名為EffV1-stn、EffV1-cbam和EffV1-stn-cbam。將CBAM融入MBConv模塊后的結(jié)構(gòu)如圖6所示。

由于網(wǎng)絡(luò)淺層存在更多特征信息，本研究只在EfficientNet V1的前4個(gè)階段使用改進(jìn)后的MB-Conv模塊，在后面3個(gè)階段保持原結(jié)構(gòu)不變。

2 實(shí)驗(yàn)與結(jié)果

2.1 數(shù)據(jù)集和實(shí)驗(yàn)環(huán)境

由于目前可回收垃圾分類工作暫時(shí)沒(méi)有公開的標(biāo)準(zhǔn)數(shù)據(jù)集，但介于國(guó)內(nèi)外有大量研究工作是以TrashNet數(shù)據(jù)集開展，所以文中也采用此數(shù)據(jù)集進(jìn)行研究。該數(shù)據(jù)集包含常見的6種

可回收垃圾，表1為每種類別垃圾的數(shù)量分布，由于數(shù)據(jù)集數(shù)量偏少，將圖片進(jìn)行水平翻轉(zhuǎn)和垂直翻轉(zhuǎn)后作為數(shù)據(jù)增強(qiáng)手段來(lái)填充數(shù)據(jù)集，將擴(kuò)充后的數(shù)據(jù)集的80%作為訓(xùn)練集，其余數(shù)據(jù)作為測(cè)試集。

實(shí)驗(yàn)平臺(tái)配置：CPU為AMD EPYC 7763 64-Core Processor，搭載NVIDIA A100-SXM4-80GB顯卡，操作系統(tǒng)為Ubuntu20.04.4，Python版本為3.8.10，使用的深度學(xué)習(xí)框架為Pytorch 1.11。

2.2 實(shí)驗(yàn)結(jié)果及分析

文中選取了一些經(jīng)典的神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn)結(jié)果對(duì)比，以證明本研究模型在可回收垃圾分類任務(wù)上的有效性，選用的對(duì)比網(wǎng)絡(luò)模型包括ResNet50、ResNet101、ShuffleNet等。使用上述模型對(duì)增強(qiáng)后的TrashNet數(shù)據(jù)集進(jìn)行訓(xùn)練，統(tǒng)一使用Adma優(yōu)化器，學(xué)習(xí)率為0.001，迭代次數(shù)為100輪，批量大小為64，每一輪訓(xùn)練結(jié)束后，記錄此周期每一批次的訓(xùn)練集損失，測(cè)試集的總損失和準(zhǔn)確率以及每輪結(jié)束后當(dāng)前最高準(zhǔn)確率，便于及時(shí)掌控模型的訓(xùn)練情況，避免模型過(guò)擬合等影響訓(xùn)練，確保模型能夠完成迭代周期的訓(xùn)練。

各模型在增強(qiáng)后的TrashNet數(shù)據(jù)集上的訓(xùn)練結(jié)果如圖7、圖8所示。其中，E代表訓(xùn)練的迭代周期，A代表測(cè)試的準(zhǔn)確率，L代表訓(xùn)練損失。從各曲線得知，未使用任何改進(jìn)的基準(zhǔn)EfficientNet V1網(wǎng)絡(luò)。在可回收垃圾分類任務(wù)方面，該模型相較于ResNet50、ShuffleNet等模型取得了更好的結(jié)果。本研究算法基于EfficientNet V1進(jìn)行改進(jìn)，共有3種改進(jìn)后的模型，準(zhǔn)確率相比無(wú)任何改進(jìn)的基準(zhǔn)模型有所提升，EffV1-stn、EffV1-cbam和EffV1-stn-cbam分別比原模型準(zhǔn)確率提高了2.88%、1.02%、1.42%，但相比于獲得最高準(zhǔn)確率的對(duì)比模型ResNet101，只有EffV1-stn提高了1.32%。原因可能是Effcient V1本身就是優(yōu)秀的輕量級(jí)神經(jīng)網(wǎng)絡(luò)，即使使用不同訓(xùn)練集進(jìn)行訓(xùn)練，其訓(xùn)練速度和測(cè)試準(zhǔn)確率等均強(qiáng)于之前的部分網(wǎng)絡(luò)；本研究算法使用2種不同的模塊進(jìn)行模型性能的提升，EffV1-stn在網(wǎng)絡(luò)起點(diǎn)使用STN模塊，能夠矯正不同翻轉(zhuǎn)程度的輸入特征圖，獲取更好的特征。EffV1-cbam在網(wǎng)絡(luò)淺層的MBconv模塊中加入CBAM模塊，將空間和通道的注意力機(jī)制串聯(lián)集成，使得相比于原始的EffV1能夠提取更多的特征信息。而EffV1-stn-cbam試圖將兩者的優(yōu)點(diǎn)集合從而獲得更高的準(zhǔn)確率。結(jié)果表明，此舉的準(zhǔn)確率超過(guò)了EffV1-cbam，但未超過(guò)EffV1-stn，可能是STN模塊對(duì)輸入圖像進(jìn)行位置矯正后，CBAM模塊能獲得相較于EffV1-cbam更多的特征信息，但是也未能超過(guò)僅使用STN模塊對(duì)提升模型性能的影響。

為分析本研究算法模型在其他分類任務(wù)場(chǎng)景下的性能提升效果，選用公共數(shù)據(jù)集ImageNet100和Cifar100進(jìn)行對(duì)比試驗(yàn)，各訓(xùn)練參數(shù)保持一致。公共數(shù)據(jù)集和本研究所用數(shù)據(jù)集的測(cè)試集分類準(zhǔn)確率見表2所列。

表2中，AT代表模型在TrashNet數(shù)據(jù)集上的測(cè)試集準(zhǔn)確率，AC代表模型在Cifar100數(shù)據(jù)集上的測(cè)試集準(zhǔn)確率，AI代表模型在ImageNet100數(shù)據(jù)集上的測(cè)試集準(zhǔn)確率。從表2

可知，EffV1-stn在ImageNet100和Cifar100數(shù)據(jù)集上的準(zhǔn)確率最高，分別為62.78%和68.17%，EffV1-stn-cbam在Cifar100測(cè)試集上的準(zhǔn)確率高于ResNet101，EffV1-cbam在2個(gè)公共數(shù)據(jù)集上的測(cè)試準(zhǔn)確率仍低于ResNet101。造成這種結(jié)果可能的原因是ResNet101網(wǎng)絡(luò)深度較大，模型復(fù)雜，在大型數(shù)據(jù)集上一般能取得更好的性能，但這種模型由于體積過(guò)大不能保證實(shí)時(shí)性。而EffV1-stn一直保持最高準(zhǔn)確率的原因可能是由于各數(shù)據(jù)集的圖片中物體存在不同程度姿勢(shì)和位置的變化，而STN模塊能夠有效矯正這種變化，從而獲得更高的準(zhǔn)確率。

將文中獲得最高精度的算法EffV1-stn進(jìn)行可視化測(cè)試，隨機(jī)選取一組數(shù)據(jù)集外的真實(shí)場(chǎng)景中的可回收垃圾圖像，將其傳入模型后進(jìn)行識(shí)別，結(jié)果如圖9所示。

圖9中括號(hào)內(nèi)的數(shù)值為置信度，可以看出不同環(huán)境下，模型都能精準(zhǔn)識(shí)別出可回收垃圾種類，但是在復(fù)雜背景下的識(shí)別效果略差。因此，本研究精度最高的EffV1-stn模型是一個(gè)在可回收垃圾分類任務(wù)中具有高準(zhǔn)確率的網(wǎng)絡(luò)模型。

3 結(jié) 語(yǔ)

文中改進(jìn)了輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)EfficientNet V1，使用STN和CBAM兩種模塊提升準(zhǔn)確率。實(shí)驗(yàn)表明，分別使用和融合使用都能使性能增強(qiáng)，但僅使用STN模塊可獲得最高的精度，實(shí)現(xiàn)了對(duì)可回收垃圾的快速精準(zhǔn)分類。在其他分類任務(wù)中，使用STN模塊的模型同樣得到了最高的準(zhǔn)確率，證明本研究算法的可用性。本研究使用的數(shù)據(jù)集主要是單標(biāo)簽簡(jiǎn)單背景下的物體，識(shí)別圖像中的多個(gè)目標(biāo)時(shí)存在局限性。實(shí)際情況下可回收垃圾所處的背景復(fù)雜，一張圖像內(nèi)有多種多樣的垃圾。今后的研究重點(diǎn)需要針對(duì)復(fù)雜背景下的可回收垃圾建立更加完整的數(shù)據(jù)集，將可回收垃圾分類任務(wù)擴(kuò)展到多標(biāo)簽多目標(biāo)分類，使之更能適用現(xiàn)實(shí)的垃圾分類場(chǎng)景。

注：本文通訊作者為劉心中。

參考文獻(xiàn)

[1] ABDALLAH M，ABUTALIB M，F(xiàn)EROZ S，et al. Artificial intelligence applications in solid waste management：A systematic research review [J]. Waste manag，2020，109：231-46.

[2]戴冰燕，鄭志碩. 基于遷移學(xué)習(xí)的可回收垃圾識(shí)別分類研究 [J]. 中國(guó)科技信息，2021，33（5）：86-88.

[3] KRIZHEVSKY A，SUTSKEVER I，HINTON G E. Imagenet classification with deep convolutional neural networks [J]. Communications of the ACM，2017，60（6）：84-90.

[4] HE K，ZHANG X，REN S，et al. Deep residual learning for image recognition [C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，F(xiàn)，2016.

[5] SIMONYAN K，ZISSERMAN A. Very deep convolutional networks for large-scale image recognition [Z]. arXiv preprint arXiv：14091556，2014.

[6] SZEGEDY C，LIU W，JIA Y，et al. Going deeper with convolutions[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，F(xiàn)，2015.

[7] HOWARD A G，ZHU M，CHEN B，et al. Mobilenets：Efficient convolutional neural networks for mobile vision applications [Z]. arXiv preprint arXiv：170404861，2017.

[8] TAN M，LE Q. Efficientnet：Rethinking model scaling for convolutional neural networks [C]// Proceedings of the International Conference on Machine Learning，F(xiàn)，2019.

[9] ZHANG X，ZHOU X，LIN M，et al. Shufflenet：An extremely efficient convolutional neural network for mobile devices [C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，F(xiàn)，2018.

[10] YANG M，THUNG G. Classification of trash for recyclability status [J]. CS229 project report，2016（1）：3.

[11] LU W，CHEN J. Computer vision for solid waste sorting：A critical review of academic research [J]. Waste management，2022，142：29-43.

[12] BIRCANO?LU C，ATAY M，BE?ER F，et al. RecycleNet：Intelligent waste sorting using deep neural networks [C]// Proceedings of the 2018 Innovations in Intelligent Systems and Applications（INISTA），F(xiàn)，2018.

[13] ZHANG Q，ZHANG X，MU X，et al. Recyclable waste image recognition based on deep learning [J]. Resources，conservation and recycling，2021，171：105636.

[14] ADEDEJI O，WANG Z. Intelligent waste classification system using deep learning convolutional neural network [J]. Procedia manufacturing，2019，35：607-12.

[15] MAO W L，CHEN W C，WANG C T，et al. Recycling waste classification using optimized convolutional neural network [J]. Resources，conservation and recycling，2021，164：105132.

[16] JADERBERG M，SIMONYAN K，ZISSERMAN A. Spatial transformer networks [J]. Advances in neural information processing systems，2015，28.

[17] WOO S，PARK J，LEE J Y，et al. Cbam：Convolutional block attention module [C]// Proceedings of the European Conference on Computer Vision （ECCV），F(xiàn)，2018.

[18] SANDLER M，HOWARD A，ZHU M，et al. Mobilenetv2：Inverted residuals and linear bottlenecks [C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，F(xiàn)，2018.

基金項(xiàng)目：國(guó)家重點(diǎn)研發(fā)計(jì)劃（2019YFC1904103）

作者簡(jiǎn)介：李鎮(zhèn)宏（1999—），男，碩士在讀，研究方向?yàn)橛?jì)算機(jī)視覺(jué)、垃圾圖像分類。

劉心中（1963—），男，博士，教授，研究方向?yàn)楣腆w廢物資源化利用。

林澤宇（1997—），男，碩士在讀，研究方向?yàn)闄C(jī)器學(xué)習(xí)。

聶文峰（1993—），女，碩士在讀，研究方向?yàn)闄C(jī)器學(xué)習(xí)。

馬樹森（1999—），男，碩士在讀，研究方向?yàn)楣腆w廢物資源化利用。

葛 焰（1999—），男，碩士在讀，研究方向?yàn)橛?jì)算機(jī)視覺(jué)。

趙 津（1999—），男，碩士在讀，研究方向?yàn)楣腆w廢物資源化利用。