💻 computer science

MSF-TrashDet: A Lightweight Multi-Scale Feature Fusion Network for Automatic Waste Object Detection Using the TrashNet Dataset

本文提出了 MSF-TrashDet，这是一种轻量级多尺度特征融合网络，该网络利用一种新型的多尺度特征增强模块和结构化通道剪枝，在 TrashNet 数据集上实现了高精度、高效的垃圾目标检测，在保持低计算复杂度的同时，以 91.91% 的 mAP50 性能超越了 YOLOv5n、YOLOv8n 和 YOLOv11n 等最先进模型。

原作者： Tao Yanfen, Lei Lijuan, Gao Yousheng, Fan Dongdong, Mei Pengfei

发布于 2026-07-30

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Tao Yanfen, Lei Lijuan, Gao Yousheng, Fan Dongdong, Mei Pengfei

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图教一个机器人去整理一堆乱七八糟的玩具。有些玩具巨大无比，有些则微小如尘，有些被毯子遮住了，而且房间里的光线也在不断变化。这正是计算机试图在现实世界中“看见”并分类垃圾时面临的日常挑战。这个被称为“计算机视觉”的领域依赖于深度学习——可以将其想象为一个数字大脑，通过观察成千上万个示例来学习模式，直到它能够识别出规律。我们的目标是构建一个不仅足够聪明能分辨出苏打水罐和塑料袋，而且足够小巧、快速，能够运行在回收箱内部的一个简单芯片上，而不是需要一台庞大且耗电的超级计算机。如果我们能实现这一点，我们就能将枯燥、肮脏的垃圾分类工作自动化，让我们的城市更清洁，资源也更易于循环利用，而无需依赖人类工人去翻捡垃圾。

这时，来自九江职业技术学院的研究人员登场了，他们专门为这项杂乱的工作打造了一个新的数字大脑。他们将这一成果命名为 MSF-TrashDet。你可以把标准的垃圾检测软件想象成一副只有一种对焦设置的眼镜：它可能看得很清大件垃圾，却会漏掉细小的碎片；或者当一件垃圾被部分遮挡时，它会感到困惑。作者们意识到，现有的“轻量化”模型（即那些专为边缘设备设计的、小巧快速的模型）过于简单，无法处理现实世界垃圾的混乱情况；而超高精度的模型又太过沉重，无法装入小型设备中。

为了解决这个问题，团队设计了一个像拥有三把不同放大镜的侦探一样的网络。他们引入了一个名为**多尺度特征增强（MSFE）**块的特殊工具。想象一下观察一堆叶子的场景：一个镜头聚焦于单片叶子细微的脉络，另一个镜头观察整片叶子的形状，而第三个镜头则观察这片叶子是如何融入整个树枝的。MSFE 块对垃圾的处理也正是如此，它利用不同的“空洞”（dilated）视角来捕捉从皱巴巴的包装纸到大型纸板箱的一切，即使它们被部分遮挡。它还使用了一种“动态权重”系统，就像一个聪明的助手，它会决定：“嘿，图像的这个部分看起来像个瓶子，所以我要把注意力集中在那里”，同时忽略掉那些干扰性的背景噪音。

但仅仅聪明是不够的，该模型还需要足够小巧。研究人员将网络中沉重、缓慢的部分（即其“骨干”结构）更换为了一种更轻量、更高效的设计，称为 ShuffleNetV2。这就像是用一辆灵活、高效的电动踏板车替换掉了一辆笨重、缓慢的货运卡车，后者虽然能拉货，但效率较低，而前者则能像穿梭在车流中一样轻快地通过。为了使其更加精简，他们使用了**结构化通道剪枝（structured channel pruning）**技术。你可以把这想象成一个严格的编辑过程，模型被要求识别出其内部哪些“肌肉”（神经通道）正在做功，哪些只是在休息。他们剪掉了那些“懒惰”的通道，在不损失力量的情况下缩小了模型的体积。

他们在 TrashNet 数据集（一个公开的垃圾图像集合）上的实验结果非常令人印象深刻。在进行任何剪枝之前，该模型已经表现得很强劲，但在经过剪枝过程后，最终的 MSF-TrashDet 模型极其高效。它仅包含 1.93 M（百万）个参数，运行仅需 5.00 GFLOPs（十亿次浮点运算）。尽管如此之小，它仍实现了 91.91% 的检测准确率（mAP50）。

作者将他们的作品与几种流行的轻量化模型（如 YOLOv5n、YOLOv8n 和 YOLOv11n）进行了对比。数据表明，MSF-TrashDet 优于这些竞争对手，在速度和准确度之间取得了更好的平衡。例如，虽然其他模型可能需要更多的参数或更高的计算能力才能达到类似的准确度，但这个新模型在保持更小体积的同时，表现得更加精准。研究人员还进行了“消融实验”（ablation studies），这就像是将机器拆解开来，逐一观察每个部件的作用。他们发现，移除其三项主要创新中的任何一项（多尺度模块、轻量化骨干或特殊的融合头），都会导致模型准确度下降，这证明了他们设计的每一个部分都是必不可少的。

然而，作者也谨慎地指出，他们的研究结果是基于特定数据集的，并且该模型目前处理的是静态图像（静止图片）。它目前还无法预测垃圾随时间堆积的过程，也无法以追踪运动的方式处理实时视频流。他们建议，未来的工作可以加入这些基于时间的特征，以帮助实现更智能的城市规划。不过就目前而言，MSF-TrashDet 是一个极具前景且高效的解决方案，它表明我们确实可以制造出既聪明又足够小巧，能够装进回收箱里的机器人分拣器。

技术摘要：MSF-TrashDet

问题陈述

城市化和工业化的快速加速导致城市固体废物剧增，给生态治理和废物管理带来了巨大压力。传统的依靠人工分拣的方式效率低下、成本高昂，且存在健康风险。虽然基于深度学习的目标检测技术提供了解决方案，但在实际应用中，将主流模型应用于现实世界的垃圾检测面临着特定挑战：

目标多样性： 垃圾物体在尺度、纹理和放置角度方面表现出极大的差异。
环境复杂性： 检测过程经常受到杂乱背景、光照不均以及目标遮挡的干扰。
部署约束： 高精度模型通常包含过多的参数和计算开销，使其不适用于资源受限的边缘设备。相反，现有的轻量化模型往往存在多尺度特征提取能力不足和鲁棒性较弱的问题，导致容易漏检微小或破碎的碎片。

研究方法

作者提出了 MSF-TrashDet，这是一种基于 YOLO11n 基准构建的轻量化多尺度特征融合网络。该架构旨在平衡边缘部署时的检测精度与计算效率。该框架包含了三个主要的性能增强技术：

1. 轻量化骨干网络（集成 ShuffleNetV2）

为了降低计算复杂度，原 YOLO11n 骨干网络中计算密集型的模块被替换为 ShuffleNetV2 单元。这种替换利用了通道拆分（channel splitting）、深度卷积（depthwise convolution）和通道重组（channel shuffling）操作。这些机制消除了特征提取过程中冗余的矩阵乘法，在保持对多样化垃圾纹理和不规则形状稳定特征提取能力的同时，显著降低了参数量和 GFLOPs。

2. 多尺度特征增强（MSFE）模块

在网络的颈部（neck）部分嵌入了一个新型的 MSFE 模块，以解决多尺度和遮挡目标特征提取能力弱的问题。该模块采用了三种互补策略：

多扩张率并行分支： 三个具有不同扩张率 $d=\{1, 2, 3\}$ 的并行卷积分支分别捕捉局部纹理、中程轮廓和全局大尺度上下文。
动态权重自适应： 采用轻量化生成器而非固定融合权重，通过全局平均池化和 Sigmoid 激活函数产生数据自适应融合系数。这使得模型能够为匹配实际垃圾目标尺度的分支分配更高权重，同时抑制由杂乱环境引起的无关尺度特征。
通道拆分残差连接： 输入通道被拆分；一部分进行多尺度处理，另一部分作为残差分支保留。这确保了精细的浅层细节（对于微小、破碎的垃圾至关重要）在重复下采样过程中不会丢失。

3. 自适应空间特征融合（ASFF）检测头

标准的检测头被 ASFF 模块 取代，以解决传统特征金字塔网络中固有的尺度失配问题。与简单的拼接操作不同，ASFF 会学习来自不同层级（第 1、2、3 层）特征图的像素级自适应权重。该机制能够动态过滤无效的跨尺度特征干扰，抑制来自不匹配尺度的噪声，从而提高对微小、部分遮挡及密集堆叠垃圾的检测能力。

4. 结构化通道剪枝

为了进一步优化模型以实现边缘部署，应用了后处理结构化通道剪枝策略。这涉及稀疏训练，其中 Batch Normalization 的缩放因子被约束趋向于零。具有低缩放因子的通道被识别为冗余并予以移除。随后对剪枝后的模型进行微调，以恢复可能出现的轻微性能下降。

核心贡献

架构设计： 开发了 MSF-TrashDet，它将 ShuffleNetV2、自定义 MSFE 模块和 ASFF 集成到一个统一的 YOLO11n 框架中。
新型 MSFE 模块： 引入了一个结合了扩张卷积、动态权重生成和通道拆分残差的模块，旨在不显著增加计算开销的情况下增强多尺度特征表示。
优化策略： 应用了结构化通道剪枝技术来压缩模型，同时保持高检测精度，特别是在 60% 的剪枝率下达到了最优平衡点。
全面评估： 在 TrashNet 数据集上进行了广泛的消融实验和对比实验（包括与 YOLOv5n、YOLOv8n、YOLOv11n、SSD、RetinaNet 以及基于 Transformer 的模型进行对比）。

实验结果

实验在 PyTorch 框架下针对 TrashNet 数据集（按 70:20:10 的比例划分训练集、验证集和测试集）进行。

性能与复杂度的权衡： 最终剪枝后的 MSF-TrashDet 模型实现了 91.91% 的 mAP50，仅包含 1.93 百万个参数 和 5.00 GFLOPs。
对比分析： 所提出的模型在精度-效率权衡方面优于多种先进的轻量化检测器（YOLOv5n、YOLOv8n、YOLOv11n）以及沉重的两阶段或基于 Transformer 的模型。例如，它在参数量和计算量更少的情况下，超越了 YOLOv5n（89.29% mAP50, 2.64M 参数）和 YOLOv8n（89.86% mAP50, 3.15M 参数）。
消融研究： 实验证明，单独或共同添加 MSFE 模块、ShuffleNetV2 骨干网络和 ASFF 检测头，都能在精度和 mAP50 上带来增量式的提升。
剪枝影响： 在 60% 的剪枝率下，模型达到了最佳平衡，将参数从 2.67M 降至 1.93M，将 GFLOPs 从 7.30 降至 5.00，同时 mAP50 从 90.79% 略微提升至 91.91%。超过 70% 的剪枝率会导致明显的性能下降。

重要性与声明

本文声称 MSF-TrashDet 为自动垃圾检测和智能回收系统提供了一种实用、可靠且高效的解决方案。其主要意义在于解决了复杂垃圾场景下对高精度检测的需求与边缘设备严格计算约束之间的矛盾。通过有效过滤冗余参数并强化对多尺度目标的感知，该模型为在资源受限的硬件上部署智能垃圾分类系统提供了一种可行的技术方案。

作者指出，目前的工作局限于 TrashNet 数据集上的静态图像识别，尚未包含用于垃圾堆积预测的时间序列分析。未来的工作计划整合时间序列模块，并扩展数据集以涵盖更复杂的现实场景。