37、固体废弃物检测的机器视觉技术与数据集

固体废弃物检测的机器视觉技术与数据集

1. 目标检测模型

1.1 GarbNet

GarbNet基于AlexNet模型，AlexNet曾在100万张图像上进行训练，能够识别1000种不同类别的物体，在当时的分类问题上取得了突破性进展。GarbNet对基础模型进行了重建，用于二分类，并优化以减少全连接层和卷积层中的神经元总数。其整体算法基于提取特定大小的图像部分并组合预测结果，但无法捕捉物体边界的精细细节。在碎片检测任务中，GarbNet的准确率达到了87.69%，不过当图像中检测到类似碎片的物体或碎片在远处时，会给出错误的预测。

1.2 OverFeat

OverFeat是一个较旧的卷积神经网络（CNN）模型，旨在同时解决三个任务：检测物体、对其进行分类以及细化其在图像中的位置。其主要特点包括使用不同大小和尺度的内核，输出不仅包括物体类别，还包括边界框，并为每个单独的类别累积框的大小。在解决街道垃圾检测任务时，该模型对烟头类别的精度为63.2%，召回率为61.02%；对树叶类别的精度为77.35%，召回率为60%。

1.3 Faster R - CNN

Faster R - CNN是一种基于区域的卷积神经网络（Region - Based Convolutional Neural Network），是对R - CNN和Fast R - CNN检测网络的改进。它属于两阶段检测方法，首先确定物体可能存在的区域，然后进行处理和分类。该模型基于区域提议网络（RPN）进行物体定位，其工作原理如下：
1. 将图像输入CNN，选择特征。
2. 在特征图上滑动可变大小的窗口，判断当前区域是否存在物体。 <