近年来，中国经济的快速增长，城市化进程的不断加速，人们物质需求的大 幅提升，使得城市产生的生活垃圾种类和数量逐年增加，对其进行研究和处理是 关乎城市生活环境、城市生态系统和可持续发展的重要课题，具有重要的研究价 值和现实意义。目前各城市对生活垃圾的处理主要依靠人工分拣，这耗费了大量 人力和物力，随着人工智能领域的飞速发展，使用计算机技术进行垃圾的智能 分类逐渐成为一种趋势，因此，使用人工智能技术对城市生活垃圾进行分类和 分选，可以降低人工成本、提高资源回收效率。论文针对城市生活垃圾的检测问 题，基于深度学习方法，完成了对图像中各类生活垃圾的分类和定位，并在实验 室实现了基于传送带的生活垃圾检测和跟踪系统。研究内容和成果如下:
  首先，介绍了对城市生活垃圾进行分类、检测的研究背景和意义，对不同的 垃圾检测方法进行了综述，并对论文的组织和结构安排做了说明。
  其次，开展了对基于深度学习的目标检测算法的选择。研究了不同的单阶段 目标检测模型，分析了具有代表性的 YOLO V3 和 CenterNet 算法的优势，并将 CenterNet 作为城市生活垃圾检测研究基本框架。
  第三，为了提升对城市生活垃圾数据的检测精度，对 CenterNet 检测算法做 出了改进，为了解决样本不足的问题，使用了多种数据增强方式对采集的垃圾数 据进行扩充。按照海华开源数据集的格式，自采并标注城市生活垃圾数据集;论 文创新点在基于 CenterNet 算法，引入了多网格点监督策略，对中心关键点的位 置起到辅助矫正的作用，从而提高垃圾检测精度;由于实际应用场景与训练数据 往往不属于同一分布，使用风格迁移来扩充训练数据，改变图像背景的纹理，能 够提高模型的泛化性能，此外，实际复杂场景下，垃圾分布密集，种类繁多，目 标垃圾之间存在的遮挡现象会严重影响检测模型的性能，为解决该问题，使用
“随机复制-粘贴”等数据增强方法，模拟目标间的遮挡场景;论文另一个创新点 为在 backbone 中引入的自注意力机制模块，增强了网络对不同维度上重要信息 的关注度，也实现了不同维度之间的信息交互。
第四，为了在传送带上实现对城市生活垃圾的实时跟踪，描述各类垃圾的运 动轨迹，设计了多目标垃圾跟踪器。基于 CenterNet，设计了联合检测跟踪器，引入前一帧的先验热力图信息作为额外输入，增加相邻帧之间关联偏移量预测分 支。相比于常用的 SORT 系列跟踪算法，这种联合检测跟踪算法有效地提高了垃 圾跟踪效率。
  第五，搭建了完整的城市生活垃圾检测与跟踪系统。基于 PyQt 开发垃圾检 测和跟踪系统，在传送带场景下，能够实现单张图片的垃圾检测、基于视频的垃 圾跟踪等，为城市生活垃圾的智能分拣提供了落地可能性。
  最后，对论文工作进行了总结，并对未来的工作进行规划和展望。