Devido à grande quantidade de parâmetros dos modelos de detecção de lixo em ambientes complexos e aos problemas de falsos positivos e omissões, este artigo propõe um modelo leve de detecção de lixo baseado no YOLOv8n aprimorado. Primeiro, propõe-se uma estrutura de rede leve MobileNet V3_ECA como backbone do YOLOv8n para melhorar a capacidade do modelo de representar as regiões de características do lixo, reduzindo ao mesmo tempo o número de parâmetros do modelo; segundo, é introduzido um mecanismo de atenção âncora contextual na rede backbone para reforçar a capacidade do modelo de extrair características do lixo; em seguida, na rede do pescoço, a convolução padrão é substituída por convolução dinâmica de dimensão total para refinar os mapas de características locais, alcançando a capacidade de fusão de características locais de grão fino do lixo; finalmente, utiliza-se a função de perda de borda WIoU v3 para melhorar o desempenho da regressão da caixa delimitadora da rede. Foram realizados experimentos de validação do modelo em um conjunto de dados de lixo com fundo complexo auto-construído. Em comparação com o YOLOv8n original, o modelo aprimorado aumentou o mAP@0.5 em 1,1%, a velocidade de detecção FPS em 11,7%, enquanto os parâmetros Params, o tamanho do modelo Size e as operações de ponto flutuante FLOPs foram reduzidos em 70,8%, 66,1% e 70,7%, respectivamente. Os resultados experimentais indicam que o modelo aprimorado pode melhorar efetivamente a precisão da detecção e reduzir significativamente a complexidade do modelo, o que é de grande importância engenheiral para a implantação e aplicação do modelo em equipamentos de detecção de borda.

detecção de lixo;leve;MobileNet V3_ECA;YOLOv8n;aprendizado profundo