为解决白酒瓶盖封装表面质量检测和算法参数庞大难部署的问题，对YOLOv5s进行改进并提出了更轻量化和高精度的SEGC-YOLO算法。首先，采用ShuffleNet V2替换原始骨干网络，有效简化参数，引入高效通道注意力机制增强骨干网络。再使用基于GhostNet改进的GhostConv和C3-Ghost模块增强颈部网络，减少颈部参数量。另外，使用CARAFE算子替代最近邻插值上采样算子，利用自适应内容感知的上采样预测核提升颈部网络的信息表达能力，进而提升检测精度。最后，训练应用Adam梯度优化器来提高检测精度。实验结果表明：所提SEGC-YOLO算法在不同交并比（IoU）阈值下的平均精度均值mAP@0.5为84.1%和mAP@0.5∶0.95为49.0%，分别优于原始YOLOv5s算法1.2个百分点和0.5个百分点，并且浮点运算数（FLOPs）比原始算法减少了69.94%、参数量减少了71.15%和模型文件大小减小了69.66%，更加精准和轻量化。所提SEGC-YOLO可以快速、精准地检测瓶盖表面缺陷，为相关领域快速缺陷检测和设备部署提供了数据和算法支持。

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。