随着经济和科技的不断发展,人们对物质上的需求也不断提高,伴随着一起增长的还有人们产生的垃圾的数量。垃圾问题也逐渐进入大众的视野,同时也兴起了全民垃圾分类的热潮。尽管如此还是有大量未进行分类的垃圾被混放投入垃圾桶,最后被一起送进垃圾场进行垃圾分类和进一步的处理。然而现阶段大多数分类垃圾的方法还是处于落后的人工分类,人工分类的效率非常低,所以我们可以利用其他技术来帮助进行对生活垃圾的分类。而深度学习技术作为近段时间因硬件设备性能的提高而逐渐热门的一个技术,已经慢慢被应用到各个领域中,如语音识别、图像识别、人脸识别等。为了提高垃圾分类的效率,减少人工分类的工作量或完全取代人工分类。因此,本文提出基于深度学习的垃圾分类识别方法研究与实现,从而达到用深度学习的方法来对垃圾分类进行识别的目的。本文具体开展的研究工作如下:(1)本文首先调研了垃圾分类和深度学习的国内外研究现状。就现阶段使用最多的two-stage目标检测算法和one-stage目标检测算法中选取了SSD、Faster R-CNN、YOLOv3进行分析对比。并根据三种算法的优缺点最终选择了Faster RCNN和YOLOv3这两种算法运用于垃圾分类识别中。其次制作本文所需的垃圾数据集,其中包括训练集和测试集的制作、由于数据不足而做的数据扩充和数据的标注。(2)提出了基于Faster R-CNN的垃圾分类识别的方法。首先搭建Faster RCNN做垃圾分类识别的实验平台,并设计好实验。使用前面制作好的垃圾训练集进行多次不同参数下的训练及在不同分类的垃圾测试集上进行多次测试。并就训练过程和测试结果进行分析。最后选择出本次实验中对垃圾分类识别效果最好的一次训练权重为后面硬件实现上做准备。(3)提出了基于YOLOv3的垃圾分类识别的方法。搭建YOLOv3做垃圾分类识别的实验平台,进行实验设计。用前面制作好的垃圾训练集在Darknet-53模型和yolov3-tiny模型这两种初始模型中进行多次不同参数下的训练,然后将得到的训练完成的权重在不同分类的垃圾测试集上进行多次测试,并就训练过程和测试结果进行分析。最后选择出本次实验中对垃圾分类识别效果最好的两种训练模型的训练权重为后面硬件实现上做准备。(4)将前面所得到的Faster R-CNN权重和得到的YOLOv3权重在Jetson Nano嵌入式平台上进行实现。并对在本次使用Jetson Nano嵌入式平台所得到的结果进行展示和分析。在经过本文的研究后得到,在用Faster R-CNN对垃圾进行分类识别时,当学习率为0.00025时,经过多次训练出来的Faster R-CNN模型对垃圾分类识别的准确度最高,准确率可以达到89.19%,漏检率为2.97%。在用YOLOv3中的Darknet-53模型对垃圾进行分类识别时,当学习率为0.001时,经过多次训练出来的Darknet-53模型对垃圾分类识别的准确度最高,准确率可以达到91.28%,漏检率为2.27%。在用YOLOv3中的yolov3-tiny模型对垃圾进行分类识别时,当学习率为0.001时,经过多次训练出来的yolov3-tiny模型对垃圾分类识别的准确度最高,准确率为81.86%,未识别出物体的概率为11.57%。经对比发现,在垃圾分类识别中,在不考虑识别速度等其他条件下,Darknet-53模型的分类识别效果是最好的,Faster R-CNN的效果也较好,yolov3-tiny模型的效果相对于上两种较差。但在Jetson Nano嵌入式平台上运行时,Darknet-53模型和Faster R-CNN识别速度非常慢,只有yolov3-tiny模型能流畅运行并能达到实时检测。