摘要：生活垃圾不分类便随意丢弃严重影响了人类的生活质量和社会的可持续发展，随着深度学习的发展，越来越多成熟的目标检测算法涌现出来。将这些非常适合做图像检测的算法用在垃圾分类检测上，可以大大提高垃圾分类检测的效率，解放大量劳动力，促进经济发展。

本文建立了自己的垃圾检测数据集，使用YOLOv3（You Only Look Once version3）模型和高速区域卷积神经网络（Faster Region-based Convolutional Network, Faster-RCNN）模型对数据集进行训练。首先通过数据增强扩充了数据集，数据集扩充后检测的准确性有所提高，损失函数收敛更快，可以得出数据增强有利于模型准确性的提升；接着使用单显卡与双显卡的计算机分别运行同一算法，双显卡的计算机训练时间明显更短，说明双显卡的计算机与单显卡相比图像处理速度更快，更适合深度学习算法的训练与学习；将YOLOv3模型与Faster R-CNN模型的预测结果进行对比，证实了Faster R-CNN的准确性更高，YOLOv3的预测速度更快。

关键词：垃圾检测；YOLOv3；Faster R-CNN

目  录

摘  要

ABSTRACT

第一章  绪论-1

1.1 课题研究背景及意义-1

1.2 垃圾检测分类算法研究现状-2

1.3 垃圾分类检测的难点-3

1.4 论文的章节安排-3

第二章  基于深度学习的目标检测算法简介-4

2.1 提取特征的主体网络-4

2.1.1 AlexNet-4

2.1.2 GoogLeNet-4

2.1.3 VGG-5

2.1.4 ResNet-5

2.2 经典目标检测算法的发展-5

2.2.1 Faster R-CNN-6

2.2.2 YOLOv1-6

2.2.3 YOLOv2-7

2.2.4 YOLOv3-7

第三章  基于YOLOv3进行垃圾分类检测研究-8

3.1 YOLOv3算法检测流程-8

3.2 主体网络——Darknet-53-9

3.3 损失函数-10

3.4 实验设置与结果分析-11

3.4.1 制作自己的数据集-12

3.4.2 图像增强方法-13

3.4.3 结果分析-14

3.5 本章小结-21

第四章 基于Faster R-CNN进行垃圾分类检测研究-22

4.1 Faster R-CNN算法检测流程-22

4.2 主体网络——VGG-22

4.3 损失函数-22

4.4 实验设置与结果分析-23

4.5 本章小结-24

第五章 总结与展望-25

5.1 总结-25

5.2 未来发展方向-25

参考文献-27

致  谢-29

附  录-30