随着垃圾污染问题日益严重，垃圾自动检测识别具有越来越重要的应用价值。改进了YOLOv5算法，提升了对户外复杂背景下垃圾的检测性能，收集了6个类别的户外常见垃圾的图片，建立了一个背景复杂的垃圾图片数据集，提出了一种简单、高效的方法用于生成图片中垃圾目标物的简易真值热力图。基于YOLOv5网络，以真值热力图为量化标准，设计并实验得出一种用于生成垃圾目标物预测热力图的分支结构。随后，将预测热力图送回YOLOv5的backbone结构，增加目标检测网络前向传播过程中特征图的空间注意力权重，以提高整个目标检测网络的性能，改进后的网络仅增加了少量参数，生成了效果可观的预测热力图，垃圾检测的性能得到较大提升。

发光二极管的非线性特性是引起光信号出现非线性失真的一个重要因素,针对该问题,采用人工神经网络在接收端对信号的非线性失真进行抑制,进而降低可见光通信系统的误码率。将发光二极管的输入电信号与接收端转换后的电信号组成成对数据,将成对数据集送入神经网络进行训练,学习信号在电光转换、信道传输及光电转换过程中的非线性失真特性,通过神经网络对信号的非线性失真进行估计与抑制。此外,在训练过程中采用分布估计算法搜索神经网络的超参数集,以降低训练难度。实验结果表明,该方法在不同的信道环境下均能有效地改善可见光通信的性能。

利用Faster RCNN算法实现生活垃圾的高精度识别。选取典型的6种生活垃圾建立数据集,采用数据增强方法提升了数据集目标数量及目标类别、尺度均衡性,分析对比三种具有显著差异的主干网络VGG-16、Res101、MobileNet_v1的精度、速度及泛化性能。采用结合特异层微调的端到端训练策略,对低识别率样本开展增强训练,由此获得了最低为92.85%的均值平均精度(mAP),随后对误识别样本中提取的三种典型错误进行优化,将最高mAP提高到99.23%。此外,设计含816张图片的背景数据集测试算法在多变背景下的泛化性能,发现复杂垃圾背景对检测精度的影响最大,且泛化性能与网络收敛性能趋势一致,即从优到劣排序依次为Res101、 VGG-16、MobileNet_v1。最后,基于可回收垃圾倾向高精度指标及有害垃圾倾向高召回率指标的原则,分析并得到算法最优检测概率阈值的设置方法。