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（mAP50=0.991），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.html

https://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_source=549d0b4e2b8999929a61a037fcce3b0f&spm_id_from=333.788.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

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

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

亮点：

• Single-layer Plastic表现最佳（mAP50=0.991），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.html

https://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_source=549d0b4e2b8999929a61a037fcce3b0f&spm_id_from=333.788.videopod.sectionshttps://www.bilibili.com/video/BV1psTy6JEEM/