中文引用格式： 拜合提亞爾·安瓦爾. 基于邊緣算力和改進YOLOv10算法的智能垃圾分類系統[J]. 電子技術應用，2025，51(11)：90-97.
英文引用格式： Anwaer Baihetiyaer. Intelligent garbage classification system based on edge computing power and improved YOLOv10 algorithm[J]. Application of Electronic Technique，2025，51(11)：90-97.
引言
隨著經濟的迅猛增長和城市化步伐的不斷加速，城市垃圾問題愈發凸顯，已然成為當前社會解決的關鍵環境挑戰之一。統計資料表明，我國城市生活垃圾的年產量已經超出2億噸這一龐大數量，而且還在逐年遞增，呈現出不斷上升的發展態勢。傳統的垃圾處理方式不僅耗費了大量寶貴資源，更對環境造成了難以忽視的嚴重污染。鑒于此，垃圾檢測作為一種極具潛力的垃圾處理方法，正日益受到社會各界的深切關注與高度重視。
垃圾分類投放對于降低環境污染程度、提升資源的利用效率以及推動經濟可持續發展意義重大。但是，以往的垃圾分類投放大多依賴人工進行分揀，這種方式效率不高，而且工作人員的勞動負擔較重。
伴隨著人工智能和計算機視覺技術的日新月異，將智能技術應用于垃圾分類成為了一種必然趨勢。其中，基于深度學習的垃圾檢測模型因其較高的識別準確率和自動化程度，受到了研究者的青睞。
Redmon等人[1]提出的YOLO系列算法在目標檢測領域取得了革命性的進展，特別是在垃圾檢測的應用中顯示出其高效性和準確性。然而，YOLO系列算法在邊緣設備上的部署面臨著計算資源不足的挑戰。與此同時，Ren等人[2]提出的Faster R-CNN算法在精確度上有所提升，但同樣存在模型體積大、計算復雜度高的問題。在輕量化網絡結構方面，Zhang等人[3]的ShuffleNet和Zhang等人[4]的MobileNetV2都取得了顯著成果，他們通過優化網絡結構顯著降低了計算復雜度，但其在垃圾檢測任務中的性能表現和適應性仍需進一步研究。國內研究者在垃圾檢測技術方面也進行了積極的探索。例如，Cai等人[5]提出了改進的激活函數，通過增強模型的非線性表達能力來提高模型對垃圾的識別性能。Wang等人[6]對深度學習在垃圾檢測中的應用進行了全面的調研，指出了當前研究的趨勢和挑戰。Li等人[7]則提出了一種基于YOLOv3的垃圾檢測識別方法，盡管在檢測準確率上有顯著提升，但模型在邊緣設備上的部署仍然受限。在輕量化模型和邊緣計算方面，Chen等人[8]探討了輕量化神經網絡在資源受限的物聯網邊緣設備上的執行效率，而Jacob等人[9]則研究了神經網絡量化技術，以實現整數算術運算的推理。Sze等人[10]闡述了在邊緣設備上運行深度神經網絡（DNN）的挑戰。這些研究為邊緣設備上的垃圾檢測提供了重要的技術支持。盡管上述的研究工作已經實現垃圾準確地檢測，但只在本地端進行了測試，未將檢測方法部署至實際場景中。然而，這些研究多在模擬或控制環境下進行，缺乏對應的機械結構設計和實際場景部署，導致研究成果難以直接轉化為實際應用。Xie等人[11]提出一種融合多頭注意力機制改進YOLOX-s的垃圾檢測方法，在公開204類垃圾檢測數據集中進行測試，結果表明，所提算法的平均精度優于當前流行的目標檢測算法，且檢測速度較快，但缺少在實際嵌入式端的測試效果，無法評價其在實際應用中的效果。Tang等人[12]提出一種采用水下垃圾檢測機器人檢測垃圾的方法，使用輕量化的YOLOv5算法提高垃圾檢測的高效性和準確性，并成功部署至機器人搭載的嵌入式設備上，但存在檢測速度和檢測準確率不高的不足。Chen等人[13]提出基于改進MobileNetv2的垃圾圖像分類方法，方法驗證實驗在自建數據集和兩個開源數據集上進行，其檢測性能均高于常見的圖像分類模型，雖然該方法在JETSON TX2上的推理耗時為68 ms，但該方法的檢測精度有待提高。
綜上，目前基于深度學習的垃圾檢測方法中以下問題仍然存在：（1）現有深度學習模型在邊緣設備上的部署難度大，導致實時性和資源限制難以滿足；（2）模型輕量化后，如何保持較高的檢測精度和實時性是一個關鍵的技術問題；（3）缺乏針對邊緣設備特點的垃圾檢測模型優化策略；（4）缺少模型實際部署至嵌入式端實現實際的垃圾分類案例。
鑒于此類狀況，本文構建了一個依托于YOLOv10的輕量型垃圾檢測模型。Chen等人[13]在研究深度學習中的激活函數時，發現了一些新的性能提升方法，這為本文的模型改進提供了啟示。本文的主要貢獻如下：
本文所提模型使用輕量化網絡ShuffleNetv2對垃圾特征進行提取，以較少的計算提取目標區域特征，該網絡在保持性能的同時，具有較低的參數量和計算復雜度，較好滿足邊緣設備的硬件條件。
在特征融合階段，本文使用Ghost網絡重構C3結構中的卷積塊，并將其作為特征融合中的殘差塊，保證不消耗過多的計算資源的同時，仍然能夠攜帶豐富的語義信息，進而加強模型的表達能力。
本文通過減少深度縮放系數，進一步降低模型的參數量和計算負擔，使其更適應邊緣設備的資源限制。
為了實現垃圾準確地分類，提出一種投票機制以實現垃圾的準確分類。若識別結果中某一類垃圾首次出現20次，則判定本次投放的垃圾類型，并發送對應的通信至電機驅動串口，電機轉動按照一定的方向和角度對垃圾準確進行地分類。
本文設計了一種智能垃圾分類裝置，創新點在于引入低能耗的垃圾傳送與傾倒機制，結合實時圖像識別和前沿的目標檢測算法，實現了對垃圾的精準、快速分類。通過雙電機傳送帶結構，垃圾自動傳輸至低能耗托舉盤上，再借助舵機的零轉矩支撐與二連桿結構的特殊支撐角設計，利用垃圾自重實現低能耗的自動傾倒。這種設計顯著降低了系統的能耗需求，同時提高了智能垃圾分類的實時性與效率，適用于智慧生活場景中的垃圾分類處理。
本文詳細內容請下載：
http://www.tom3567.com/resource/share/2000006846
作者信息：
拜合提亞爾·安瓦爾
（蘭州大學 信息科學與工程學院，甘肅 蘭州 730000）
