垃圾回收的好处很多,其有助于保护水土资源,提高居民的生活环境质量,加快绿色循环经济发展。然而传统的垃圾回收需要大量人力和物力。为了获得更高的精度,目标检测模型通常带有巨大的参数量和复杂的结构。本研究提出了一个更轻量和高效的YOLOv5s改进模型,将其用于对可回收垃圾的分类和定位,并结合可回收垃圾检测的应用开发进行相关的实践。主要的工作如下:1、对原YOLOv5s网络中,参数量较大的问题、计算复杂的部分,合理结合Shuffle Net V2基本单元、深度可分离卷积与Hard-Swish激活函数对YOLOv5s结构进行改进,降低网络的冗余性,使得结构更加紧凑。2、在原YOLOv5s网络中,对特征图通道数目较多的结构但是没有区分不同通道重要性的问题,通过嵌入轻量级的SE注意力机制,使得网络能区分不同通道的重要性,给予不同的权重。3、采用遗传算法和K-means++聚类算法,重新获得更准确的可回收垃圾锚框,便于网络边框回归调整。4、为了提高可回收垃圾检测模型的性能,采用迁移学习的方式,迁移学习选择的数据集为COCO数据集,使其预先学习COCO数据集中80个类别的丰富特征。5、针对于可回收垃圾检测模型的实际嵌入式应用开发,选用常见的Jenson Nano与树莓派4B作为微型的嵌入式平台,并进行实际的运行速度对比研究,且为了便于使用者的操作、观察效果和调节阈值,使用Pyqt5库创建图形化界面,实现可回收垃圾检测的便捷操作。6、为了研究实现在网络上的可回收垃圾检测任务,采用Flask后端与VUE前端构建了可回收垃圾检测的WEB平台。实验结果表明,改进的模型参数量压缩为原始模型参数量的60.3%,模型内存也压缩了59.2%。在输入分辨率为640×640时,在精度上,改进模型的m AP为96.43%,比原始YOLOv5s高出4.34%,在速度上,改进模型提高了在GPU平台上的并行度,通过在Jetson Nano硬件上进行部署,改进模型的前向推理速度比原始YOLOv5s加快了13.1%。另外,与目前主流的目标检测模型对比,提出的改进模型也具有很好的可回收垃圾特征表达能力,可为可回收垃圾检测的轻量化开发提供参考。