目前我国小区生活垃圾分类仍然处于人工分拣的阶段,在垃圾分类过程中存在着工作量大、分类精度低、不能及时反馈信息等诸多问题,且当前垃圾分类的智能研究由于研究类别较少或垃圾识别实时性差等原因并不能适用于小区生活垃圾智能分类。为了实现小区垃圾分类的智能化及高效化,该研究提出了一种基于YOLOv5s模型的实时垃圾识别方法。YOLOv5s模型具有目标检测速度快的优点,能够保障垃圾智能分类系统对目标物体进行实时检测。然而,由于生活垃圾成像模糊、目标物体相互遮挡、场景复杂等缺点,导致YOLOv5s模型检测的部分目标物体准确度不高。因而该研究在基本保持原有检测速度的基础上提出了一种基于YOLOv5s模型的改进方法。改进方法如下:1.为了改善成像模糊、复杂场景等缺点带来的问题,该研究通过图像增强来改善图像对比度,利用图像加权等图像处理技术来缓解图像数据中各类别的标签数量存在不平衡的问题,从而提高模型的目标检测精确度。2.对于模型的梯度下降优化算法,通过对比带有动量的MBGD算法和Adam优化算法,确定带有动量的MBGD算法为YOLOv5s模型在本实验环境中最优的梯度下降优化算法,从而保证目标检测模型较好的精确度。3.为了缓解YOLOv5s模型难以区分相互遮挡的目标物体等不足问题,该研究在模型的骨干网络中引入注意力机制,将通道注意力和空间注意力加入到骨干网络的卷积层之中来提高模型的特征提取能力,从而进一步提高模型的目标检测效果。实验结果表明,在相同实验环境和条件下,改进后的YOLOv5s模型对绝大多数垃圾类别的实时目标检测精确度均有所提高,单个垃圾类别中垃圾桶的目标检测精确度增长最多,比原始模型增长了17.1%,平均精确度m [email protected]值比原始模型提升了2.3%。