摘要随着全球塑料污染问题日益严峻高效、准确的可回收塑料自动分拣技术成为循环经济体系中的关键环节。本文基于YOLOv8目标检测算法构建了一套可回收塑料识别与分类检测系统涵盖七类常见塑料废弃物HDPE Plastic、Multi-layer Plastic、PET Bottle、Single-Use-Plastic、Single-layer Plastic、Squeeze-Tube 及 UHT-Box。实验采用大规模自建数据集其中训练集19,034张、验证集2,051张、测试集990张。训练结果表明模型在验证集上的平均精确度mAP50达到0.955~0.991其中Single-layer Plastic类别表现最优mAP500.991所有类别的精确率与召回率均超过0.90。模型推理速度为2.7ms/张具备实时检测能力。混淆矩阵分析显示多数类别分类准确率高于93%仅个别材质相似类别存在轻微误判。综合评估该模型在精度、速度与鲁棒性方面均表现优异具备工程部署与推广应用价值。引言塑料废弃物的大规模增长已成为全球环境治理的重大挑战。传统的人工分拣方式存在效率低、成本高、健康风险大等问题难以满足现代垃圾处理与资源回收的需求。近年来基于深度学习的目标检测技术尤其是YOLO系列算法因其端到端、实时性强、精度高等优势在工业视觉检测领域得到了广泛应用。YOLOv8作为该系列的最新迭代版本在特征提取、损失函数优化和训练稳定性方面均有显著提升为复杂场景下的垃圾分类任务提供了有力工具。本研究旨在开发一套适用于可回收塑料自动识别的YOLOv8检测系统。通过对七类常见塑料废弃物的系统标注、模型训练与性能评估验证深度学习技术在塑料分类任务中的可行性与优越性。实验结果表明该模型在多样本类别和小样本类别上均表现出色且推理速度满足实时分拣要求。本文将从数据集构建、模型训练、结果分析等方面系统阐述研究方法与成果为智能垃圾分类系统的实际落地提供技术参考。订阅此专栏获取文章项目完整源码和数据集https://blog.csdn.net/m0_68036862/category_13147048.htmlhttps://blog.csdn.net/m0_68036862/category_13147048.html项目演示视频YOLOv8可回收塑料识别分类检测系统项目源码YOLO数据集模型权重UI界面python深度学习环境配置_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1psTy6JEEM?vd_source549d0b4e2b8999929a61a037fcce3b0fspm_id_from333.788.videopod.sectionshttps://www.bilibili.com/video/BV1psTy6JEEM/目录摘要引言功能模块1、用户管理模块2、界面与交互模块3、检测源管理模块4、检测参数配置模块5、YOLO检测核心模块6、结果显示模块7、结果保存模块8、工具栏功能9、辅助功能10、数据校验模块背景数据集介绍训练过程训练结果各类别检测性能分析​编辑​编辑亮点混淆矩阵分析​编辑分类错误较少训练曲线分析results.png​编辑F1曲线与置信度阈值​编辑常用标注工具功能模块✅用户登录注册支持密码检测密码加密。注册登录✅图片检测可对图片进行检测返回检测框及类别信息。✅参数实时调节置信度和IoU阈值✅支持选择检测目标可以选择一个或者多个类目的目标进行检测✅视频检测支持视频文件输入检测视频中每一帧的情况。✅摄像头实时检测连接USB 摄像头实现实时监测。✅日志记录日志标签页记录操作和错误信息带时间戳✅结果保存模块支持图片/视频/摄像头检测结果保存1、用户管理模块功能描述用户注册用户名、密码、确认密码、邮箱选填注册密码SHA256加密存储用户登录用户名密码验证自动跳转主界面用户数据存储JSON文件存储用户信息密码加密、注册时间、邮箱登录状态主界面显示当前登录用户名2、界面与交互模块功能描述玻璃效果界面半透明毛玻璃背景圆角边框现代化视觉风格无边框窗口自定义标题栏支持窗口拖动、最小化、最大化、关闭响应式布局主窗口三栏布局左侧控制区、中央显示区、右侧信息区状态栏显示设备信息、模型状态、当前用户、实时时间3、检测源管理模块功能描述图片检测支持JPG/JPEG/PNG/BMP格式图片载入视频检测支持MP4/AVI/MOV/MKV格式视频载入摄像头检测实时调用摄像头默认ID 0进行检测检测源切换下拉菜单切换三种检测模式自动更新界面状态4、检测参数配置模块功能描述置信度阈值滑动条调节0-100%步长1%实时显示当前值IoU阈值滑动条调节0-100%步长1%实时显示当前值类别选择动态生成检测类别复选框支持全选/取消全选参数同步参数实时同步到检测器核心5、YOLO检测核心模块功能描述模型加载加载best.pt模型文件自动检测GPU可用性支持CPU/GPU切换多模式检测图片检测、视频检测、摄像头实时检测检测线程基于QThread的多线程处理避免界面卡顿检测结果返回目标类别、置信度、边界框坐标FPS计算实时计算处理帧率进度反馈视频处理进度条实时更新6、结果显示模块功能描述实时画面中央区域显示检测结果图像带标注框统计信息检测状态、目标数量、FPS、处理帧数实时更新检测列表右侧列表显示当前帧所有检测到的目标类别置信度日志记录日志标签页记录操作和错误信息带时间戳占位显示未选择检测源时显示系统LOGO和提示文字7、结果保存模块功能描述保存开关复选框控制是否保存检测结果路径选择自定义保存路径支持图片/视频格式自动识别自动命名保存文件自动添加时间戳detection_result_20240101_120000.jpg视频保存支持检测结果视频录制MP4格式手动保存工具栏保存按钮可随时保存当前画面保存反馈保存成功弹窗提示日志记录保存路径8、工具栏功能功能描述图片按钮快速切换到图片检测模式并打开文件选择器视频按钮快速切换到视频检测模式并打开文件选择器摄像头按钮快速切换到摄像头检测模式保存按钮手动保存当前显示画面9、辅助功能功能描述错误处理统一错误弹窗提示日志记录错误详情资源清理检测停止时自动释放摄像头、视频文件、视频写入器资源时间显示状态栏实时显示系统时间模型状态状态栏显示模型加载状态和当前设备CPU/GPU10、数据校验模块功能描述注册验证用户名长度≥3密码长度≥6密码一致性检查邮箱格式验证协议确认注册前需勾选同意用户协议文件校验模型文件存在性检查文件大小验证≥6MB输入非空登录/注册时必填项非空检查背景全球每年产生超过3亿吨塑料垃圾其中仅有不到10%被有效回收利用。大量塑料废弃物进入自然环境造成土壤、水体及生态系统长期污染。可回收塑料的精准分类是提升回收率、降低处理成本的关键前提。传统依赖人工视觉的分拣方式受疲劳、主观判断和工作环境影响误检率与漏检率较高。与此同时塑料制品本身形态多样瓶、管、盒、膜等、材质相似如多层塑料与单层塑料、印刷图案复杂进一步增加了自动识别的难度。计算机视觉技术的快速发展为解决这一问题提供了新思路。基于卷积神经网络的目标检测模型能够自动学习塑料废弃物的颜色、纹理、形状等高层特征并在流水线环境中实现快速定位与分类。YOLOv8凭借其多尺度预测、高效特征金字塔结构和轻量化设计特别适合部署于边缘计算设备如Jetson、树莓派等。因此构建一个高精度、高速度、可扩展的塑料识别系统对于推动循环经济发展、实现“双碳”目标具有重要意义。数据集介绍本研究构建了一个专门面向可回收塑料分类的高质量图像数据集涵盖七类常见塑料废弃物类别名称及对应标签如下HDPE Plastic高密度聚乙烯塑料Multi-layer Plastic多层复合塑料PET Bottle聚对苯二甲酸乙二醇酯瓶Single-Use-Plastic一次性塑料制品Single-layer Plastic单层塑料Squeeze-Tube挤压软管UHT-Box超高温瞬时灭菌包装盒数据集总量为22,075张图像划分为训练集19,034张验证集2,051张测试集990张训练过程训练结果各类别检测性能分析类别mAP50精确率(P)召回率(R)样本数Single-layer Plastic0.9910.9770.9671996PET Bottle0.9890.9650.9352079Multi-layer Plastic0.9840.9570.9462111Single-Use-Plastic0.9750.9770.9352091HDPE Plastic0.9720.9540.93114343Squeeze-Tube0.9650.9230.9081915UHT-Box0.9550.9500.9301971亮点Single-layer Plastic表现最佳mAP500.991说明该类别特征明显易于区分。HDPE Plastic样本量最大14343实例模型学习充分性能稳定。所有类别的 mAP50 均高于0.95整体检测质量极高。混淆矩阵分析从confusion_matrix_normalized.png可见分类错误较少对角线值普遍在0.93~0.97说明分类准确率高。背景误检率低背景类集中在最后一列/行数值小。主要混淆对Squeeze-Tube ↔ Multi-layer Plastic存在一定混淆约3-5%UHT-Box ↔ Multi-layer Plastic也有少量误判原因分析Squeeze-Tube 和 UHT-Box 在形状、材质上与部分多层塑料相似建议增加难例挖掘或数据增强。训练曲线分析results.png损失曲线box_loss、cls_loss、dfl_loss 均快速下降并收敛无过拟合迹象。mAP50 / mAP50-95稳定上升最终趋于平缓训练充分。精确率与召回率保持在 0.94 以上模型平衡性好。F1曲线与置信度阈值最佳F1值大部分类别在置信度0.3~0.5之间达到最优F1约0.96~0.98。建议部署置信度0.4~0.5在精确率和召回率之间取得良好平衡。常用标注工具假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具Label Studio一个灵活的工具支持各种标注任务并包含用于管理项目和质量控制的功能。 CVAT一个强大的工具支持各种标注格式和可定制的工作流程使其适用于复杂的项目。 Labelme一个简单易用的工具可以快速标注带有多边形的图像非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具特别适合以 YOLO 格式创建边界框标注。这些开源工具经济实惠并提供一系列功能来满足不同的标注需求。界面核心代码订阅此专栏获取文章项目完整源码和数据集https://blog.csdn.net/m0_68036862/category_13147048.htmlhttps://blog.csdn.net/m0_68036862/category_13147048.html项目演示视频YOLOv8可回收塑料识别分类检测系统项目源码YOLO数据集模型权重UI界面python深度学习环境配置_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1psTy6JEEM?vd_source549d0b4e2b8999929a61a037fcce3b0fspm_id_from333.788.videopod.sectionshttps://www.bilibili.com/video/BV1psTy6JEEM/