垃圾分类回收能够有效避免资源浪费和环境污染问题,逐渐成为全球资源循环利用和经济可持续发展的一种重要手段。瓶罐垃圾因其回收价值高、数量多,从而作为一种重要的可回收资源被广泛关注。本文针对垃圾分类及瓶罐回收问题展开研究,基于目前主流的目标识别算法实现了瓶罐的有效识别与分类,并针对本文方法实现了相应的原型系统。本文主要内容如下:(1)针对瓶罐识别的模型训练,构建面向瓶罐的专属数据集及标注工作。现有的公开数据集(如ImageNet)公布的瓶罐数据集因数量少、类别单一不能有效满足瓶罐垃圾识别回收的模型训练需求。因此,需要针对瓶罐回收需求场景进行多样化、实景化、高样本量数据集的收集与标注。本文利用摄像头对不同场景下的垃圾图片进行分时段传输,来解决手动拍摄的低效率问题。通过对图片进行剪裁,饱和度,对比度,色相等变换,使数据集能更好的表达出图像特征。本文还实现了半自动化的数据集标注,节省了人工手动标注的工作量,耗时大大缩短。(2)针对瓶罐识别的准确率和实时性,构建面向瓶罐识别分类的网络模型并进行实验验证。在实际场景中,瓶罐的堆放是杂乱无章的,再者容易受外力发生形变,特征样貌变化无常,瓶罐之间的重叠,给识别带来困难。本文需要一个识别速度上较快的算法来作为训练的网络模型,对目前的YOLO v3和SSD算法进行了对比验证,实验表明YOLO v3算法更适合应用在瓶罐识别分类系统中。其次针对YOLO v3对小目标不敏感的问题,用GIOU替代传统的IOU,用K-means聚类算法来优化锚框尺寸。经过实验验证改进后的YOLO v3算法比起原始算法在识别精确率提高约4%,能够满足实际场景中的应用需求。(3)针对瓶罐识别的应用场景,搭建面向瓶罐识别分类的原型系统。基于构建的训练集以及网络模型,并融合深度学习开源框架TensorFlow,搭建了面向瓶罐识别分类的应用原型系统。该系统支持两种识别模式,一种是图片识别,另一种是视频识别,两种模式互相配合,能极大提升识别效率且可以应用到生活中。综上所述,本文基于深度学习算法,聚焦于面向瓶罐识别回收的数据采集与标注、网络模型择优、原型系统搭建三个方面的研究,实验结果和平台验证证明本文工作能够有效实现瓶罐的自动化识别方法和原型平台,为垃圾分类提供了一套较为完整的解决方案,具有良好的应用前景和使用价值。