为了实时检测乘客的异常行为，提出一种基于YOLOv5s算法的轻量化自动扶梯乘客异常行为实时检测算法YOLO-STE。首先在主干网络中引入轻量化ShuffleNetV2网络，以减少主干网络的参数量和计算量；其次在骨干网络的最后一层引入基于Transformer编码的C3TR模块，以更好地提取丰富的全局信息和融合不同尺度的特征；最后在YOLOv5s的特征融合网络中嵌入SE（Squeeze-and-excitation）注意力机制，以更好地关注主要信息，从而提高模型精度。自建数据集并进行实验，实验结果表明，相比于原YOLOv5s，改进算法的全类平均精度值（mAP）高出1.9百分点，达到了96.1%，模型大小减少了70.8%。并且在Jetson Nano硬件上部署测试所得，改进后的算法前传耗时比原YOLOv5s模型缩短了39.9%。通过对比改进前后的算法，后者能更好地实现对自动扶梯乘客异常行为的实时检测，从而可以更好地保障乘客乘梯安全。

垃圾回收的好处有很多，有助于保护水土资源，提高居民的生活环境质量，加快绿色循环经济发展，然而传统的垃圾回收需要大量人力和物力。结合ShuffleNet v2与深度可分离卷积，提出一个更轻量化的YOLOv5s改进模型，将其用于对可回收垃圾的分类和定位。实验结果表明：改进模型的参数量仅为原始模型参数量的38.98%；在输入分辨率为640×640时，改进模型的平均精度均值（mAP）为94.01%，比原始YOLOv5s高出1.91个百分点；在速度上，通过在Jetson Nano硬件上进行部署，改进模型的前传耗时比原始YOLOv5s少了11.5%。另外，与目前常见的主流的目标检测模型对比，所提改进模型也具有很好的表达可回收垃圾特征的能力。