基于多模态数据融合的边缘设备轻量级垃圾分类方法和系统研究

摘要

随着人工智能技术的发展，基于神经网络的垃圾分类方法成为解决垃圾处理问题的重要手段，并得到了广泛应用.但对于边缘设备而言，神经网络的可更新性与准确率提升仍需进一步研究.本文提出了一种面向边缘设备的垃圾分类方法和系统.首先，为解决神经网络在增量学习时面临的遗忘问题，本文采用多步知识蒸馏对AlexNet网络进行类别增量学习，形成了适用于垃圾分类的教师–助教–学生模型，使得AlexNet网络在学习新类别时保持对旧类别的判断能力.其次，为克服图像特征不明显导致分类准确率降低的问题，本文引入了金属传感器数据和重量传感器数据，通过Q-learning算法将图像分类结果与多传感器数据进行加权融合，提高了分类的准确率和鲁棒性.最后，本文在树莓派4B平台上设计与实现了垃圾分类系统，并在公开数据集TrashNet和自建数据集上进行了对比实验.实验结果表明，所实现的垃圾分类系统在自建数据集的垃圾分类任务中平均分类准确率达到89.7%，单次分类平均所需时间为130 ms，实现了快速准确的垃圾分类，相较基于MobileNetV3的嵌入式算法提升了6.5%的准确率.

关键词

垃圾分类 / 边缘设备 / 神经网络 / 知识蒸馏 / 类别增量学习 / 数据融合

基金资助

国家自然科学基金资助项目（62173158,62377023）; 湖北省自然科学基金联合基金重点资助项目（2025AFD195）; 中央高校基本科研业务费资助项目（CCNU25ai013,CCNU25ZZ104）; 数字教育湖北省重点实验室开放基金资助项目（F2024G01）