中文引用格式： 拜合提亚尔·安瓦尔. 基于边缘算力和改进YOLOv10算法的智能垃圾分类系统[J]. 电子技术应用，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
随着经济的迅猛增长和城市化步伐的不断加速，城市垃圾问题愈发凸显，已然成为当前社会解决的关键环境挑战之一。统计资料表明，我国城市生活垃圾的年产量已经超出2亿吨这一庞大数量，而且还在逐年递增，呈现出不断上升的发展态势。传统的垃圾处理方式不仅耗费了大量宝贵资源，更对环境造成了难以忽视的严重污染。鉴于此，垃圾检测作为一种极具潜力的垃圾处理方法，正日益受到社会各界的深切关注与高度重视。
垃圾分类投放对于降低环境污染程度、提升资源的利用效率以及推动经济可持续发展意义重大。但是，以往的垃圾分类投放大多依赖人工进行分拣，这种方式效率不高，而且工作人员的劳动负担较重。
伴随着人工智能和计算机视觉技术的日新月异，将智能技术应用于垃圾分类成为了一种必然趋势。其中，基于深度学习的垃圾检测模型因其较高的识别准确率和自动化程度，受到了研究者的青睐。
Redmon等人[1]提出的YOLO系列算法在目标检测领域取得了革命性的进展，特别是在垃圾检测的应用中显示出其高效性和准确性。然而，YOLO系列算法在边缘设备上的部署面临着计算资源不足的挑战。与此同时，Ren等人[2]提出的Faster R-CNN算法在精确度上有所提升，但同样存在模型体积大、计算复杂度高的问题。在轻量化网络结构方面，Zhang等人[3]的ShuffleNet和Zhang等人[4]的MobileNetV2都取得了显著成果，他们通过优化网络结构显著降低了计算复杂度，但其在垃圾检测任务中的性能表现和适应性仍需进一步研究。国内研究者在垃圾检测技术方面也进行了积极的探索。例如，Cai等人[5]提出了改进的激活函数，通过增强模型的非线性表达能力来提高模型对垃圾的识别性能。Wang等人[6]对深度学习在垃圾检测中的应用进行了全面的调研，指出了当前研究的趋势和挑战。Li等人[7]则提出了一种基于YOLOv3的垃圾检测识别方法，尽管在检测准确率上有显著提升，但模型在边缘设备上的部署仍然受限。在轻量化模型和边缘计算方面，Chen等人[8]探讨了轻量化神经网络在资源受限的物联网边缘设备上的执行效率，而Jacob等人[9]则研究了神经网络量化技术，以实现整数算术运算的推理。Sze等人[10]阐述了在边缘设备上运行深度神经网络（DNN）的挑战。这些研究为边缘设备上的垃圾检测提供了重要的技术支持。尽管上述的研究工作已经实现垃圾准确地检测，但只在本地端进行了测试，未将检测方法部署至实际场景中。然而，这些研究多在模拟或控制环境下进行，缺乏对应的机械结构设计和实际场景部署，导致研究成果难以直接转化为实际应用。Xie等人[11]提出一种融合多头注意力机制改进YOLOX-s的垃圾检测方法，在公开204类垃圾检测数据集中进行测试，结果表明，所提算法的平均精度优于当前流行的目标检测算法，且检测速度较快，但缺少在实际嵌入式端的测试效果，无法评价其在实际应用中的效果。Tang等人[12]提出一种采用水下垃圾检测机器人检测垃圾的方法，使用轻量化的YOLOv5算法提高垃圾检测的高效性和准确性，并成功部署至机器人搭载的嵌入式设备上，但存在检测速度和检测准确率不高的不足。Chen等人[13]提出基于改进MobileNetv2的垃圾图像分类方法，方法验证实验在自建数据集和两个开源数据集上进行，其检测性能均高于常见的图像分类模型，虽然该方法在JETSON TX2上的推理耗时为68 ms，但该方法的检测精度有待提高。
综上，目前基于深度学习的垃圾检测方法中以下问题仍然存在：（1）现有深度学习模型在边缘设备上的部署难度大，导致实时性和资源限制难以满足；（2）模型轻量化后，如何保持较高的检测精度和实时性是一个关键的技术问题；（3）缺乏针对边缘设备特点的垃圾检测模型优化策略；（4）缺少模型实际部署至嵌入式端实现实际的垃圾分类案例。
鉴于此类状况，本文构建了一个依托于YOLOv10的轻量型垃圾检测模型。Chen等人[13]在研究深度学习中的激活函数时，发现了一些新的性能提升方法，这为本文的模型改进提供了启示。本文的主要贡献如下：
本文所提模型使用轻量化网络ShuffleNetv2对垃圾特征进行提取，以较少的计算提取目标区域特征，该网络在保持性能的同时，具有较低的参数量和计算复杂度，较好满足边缘设备的硬件条件。
在特征融合阶段，本文使用Ghost网络重构C3结构中的卷积块，并将其作为特征融合中的残差块，保证不消耗过多的计算资源的同时，仍然能够携带丰富的语义信息，进而加强模型的表达能力。
本文通过减少深度缩放系数，进一步降低模型的参数量和计算负担，使其更适应边缘设备的资源限制。
为了实现垃圾准确地分类，提出一种投票机制以实现垃圾的准确分类。若识别结果中某一类垃圾首次出现20次，则判定本次投放的垃圾类型，并发送对应的通信至电机驱动串口，电机转动按照一定的方向和角度对垃圾准确进行地分类。
本文设计了一种智能垃圾分类装置，创新点在于引入低能耗的垃圾传送与倾倒机制，结合实时图像识别和前沿的目标检测算法，实现了对垃圾的精准、快速分类。通过双电机传送带结构，垃圾自动传输至低能耗托举盘上，再借助舵机的零转矩支撑与二连杆结构的特殊支撑角设计，利用垃圾自重实现低能耗的自动倾倒。这种设计显著降低了系统的能耗需求，同时提高了智能垃圾分类的实时性与效率，适用于智慧生活场景中的垃圾分类处理。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000006846
作者信息：
拜合提亚尔·安瓦尔
（兰州大学 信息科学与工程学院，甘肃 兰州 730000）
