基于MobileViT轻量级视觉模型的垃圾自动分类系统设计

目的 针对传统机器视觉网络模型存在的参数量大、效率低、落地难等问题，设计一种更高效的基于轻量级网络模型的垃圾自动分类系统。方法 结构的创新设计可实现4种占比不同的垃圾分类存储和垃圾箱工作模式的自动切换。利用STM32控制机构的电机和多种传感器，与树莓派4B串口通信实现垃圾分类投放，采用云服务器实现小程序端物联网通信，提高管理效率。采用MobileViT轻量级模型在自建数据集上训练，并结合迁移学习，提高模型的训练速度和准确率，与主流模型对比，并验证其可行性。结果 MobileViT模型的准确率可以达到98.01%，实际测试平均单张图像的推理时间为17.8 ms，模型参数量仅为5.6×10⁶；在与轻量化网络MobileNetV3参数量相近的情况下，准确率高出9.25%，各性能指标优于传统ResNet50、AlexNet模型。结论 基于MobileViT轻量级视觉模型的垃圾自动分类系统设计能够更高效地完成垃圾自动分类任务，模型精度和速度满足实际需求，对垃圾分类领域边缘设备非常友好。