在环保领域中,针对生活垃圾的有效分类,已逐步成为社会发展日益关注的焦点,其中针对垃圾的分类过程是生活垃圾处理的关键。在我国当前国情条件下,垃圾处理厂中垃圾分类处理多采用人工流水线分拣的方式进行,该方式存在环境恶劣、劳动强度大、分拣效率低和自动化程度弱的弊端,远不能满足我国环保资源回收利用的发展和社会进步需要。随着我国工业自动化水平的不断提升,自动化生产模式已多行业得到了良好的应用,但在环保行业中受到起步晚、投入少、分拣难度大等因素制约,适用于我国国情的自动化分拣设备匮乏,因此针对环保行业的垃圾分拣需求,以自动化工业设备替代人工分拣的方案势在必行,研发生活垃圾智能分类系统有重要意义。垃圾分类是垃圾分离、回收或再利用的第一步。本课题采用基于MobileNetv3的深度学习分类模型,该模型根据以下类别对常见垃圾进行分类:可回收物、厨余垃圾、有害垃圾和其他垃圾。使用.jpg格式的15835个垃圾图像数据集进行训练。该模型使用了在ImageNet大型视觉识别挑战数据集上训练的模型进行迁移学习。对得到的基线MobileNet v3模型进行了优化,最终测试精度为78%。模型更适合移动设备部署。本文还采用docker集成部署模型训练环境,并优化算法构建高效神经网络,最后将训练好的模型部署在前端设备,使得边缘计算资源充分利用,解决工程场景中信息时延问题,达到实时处理数据的工程目的。完成一个详细的工程流程及算法验证。