基于金鹰优化算法(GEO)的Faster R-CNN框架在垃圾检测与分类中的优化研究

来自某研究团队的研究人员针对城市垃圾管理中的检测与分类难题，开展了一项基于金鹰优化(GEO)的Faster R-CNN模型优化研究。该研究通过改进模型结构并利用自建数据集（包含10类垃圾共3030张图像）进行训练，有效解决了过拟合、类别不平衡及视觉相似性等问题。实验表明，该方法在准确率（99.04%）、精确率（98.96%）及错误率（0.96%）上均显著优于现有深度学习方法，为智能垃圾处理提供了高效技术方案。

　　

城市垃圾管理正因人口密度增长与废弃物类型日益复杂而面临重大挑战。本研究提出一种经金鹰优化(Golden Eagle Optimization, GEO)增强的优化型Faster R-CNN（Faster Region-based Convolutional Neural Network）框架，用于提升垃圾检测与分类性能。该模型着力应对过度拟合、类别不平衡以及不同垃圾类别间视觉相似性高等问题。研究采用自建标注数据集进行训练，涵盖10类垃圾（如塑料、口罩、罐体等），总计3030幅图像，并通过数据增强技术提升模型鲁棒性。实验结果显示，该方法相较于现有深度学习方案表现出卓越性能，准确率达99.04%，精确率为98.96%，错误率低至0.96%。