由于现代生活水平的提高以及人口总量的持续增长,产生的生活垃圾也随之增多,垃圾过多直接影响到城市的环境和美观。目前垃圾区域的清洁主要依靠人工检查并定期清扫,这种方式工作量大且效率低。通过摄像头采集视频图像,并自动检测路面的垃圾桶旁是否有垃圾溢出现象,对有垃圾溢出的区域进行清扫,有利于保护市容、减少细菌的滋生,同时提升了城市环保的智能管理水平,便于智能城市的发展。由于路面背景复杂、垃圾种类多样且定义困难,本文提出一种基于YOLOv5（You Only Look Once）的垃圾检测系统。通过目标检测算法对道路图像中的垃圾以及垃圾桶进行检测,并判断垃圾桶是否有垃圾溢出并需要清理。该算法解决了路面背景复杂和小目标垃圾检测的问题,可用于视频检测并将垃圾溢出结果反馈在图形化界面上,自动检测路面垃圾情况。本文主要研究内容如下:（1）分析目标检测算法,从技术角度进行对比。针对目前在垃圾检测领域数据集稀缺的问题,本文通过自收集垃圾图像构建数据集,制订标注细则,使用数据增强丰富样本,建立了一个垃圾数据集。基于YOLOv5网络模型,对自制的数据集进行训练,该模型精确率达到了94.83%,具有良好的检测效果。（2）在实际应用场景中,垃圾类型多种多样、背景复杂,导致算法运行过程中计算效率不高,本文通过引入注意力机制的方法,对溢出垃圾的关键特征给予更多的重视从而避免大量无用计算,提高了垃圾溢出检测算法的效率。具体方案为在YOLOv5网络结构上分别嵌入两种注意力机制SENet（Squeeze-and-Excitation Networks）和CBAM（Convolutional Block Attention Module）进行检测,并将两种模型以及YOLOv5模型的垃圾检测结果进行对比,实验表明注意力机制SENet和CBAM的嵌入在垃圾数据集上精确率达到了95.88%和96.46%,有效提升了特征信息的提取以及检测精度。（3）将改进后的模型在视频图像上进行垃圾溢出检测,并将结果显示在系统界面上,较好的完成了垃圾溢出的自动检测。