（2）在目标检测任务中，本研究采用了改进后的YOLOv7算法。通过引入Swin-Transformerv2主干网络，提高了特征提取能力；同时，利用基于HorNet的递归门控卷积增强了模型的表达能力；最后，融入SimAM注意力机制，使模型能够更加关注目标区域。经过这些改进措施，相较于原始YOLOv7算法，改进后的算法在mAP0.5精度上从87.7%提升到了98.9%，提升幅度达到了10.1%，满足了垃圾站垃圾处理的工业需求。
（3）针对垃圾燃烧实时检测任务，本研究使用了基于U-Net的算法。经过50轮训练，算法在Loss损失率上达到了0.075，Miou达到了90%，表现出了优秀的性能。这一结果证明了基于U-Net算法在垃圾焚烧实时检测方面具有较高的适用性，能够满足垃圾站垃圾处理及垃圾焚烧的工业需求。本研究的研究成果为垃圾焚烧领域的工程应用提供了有力支持。改进后的YOLOv7算法在垃圾及吊车夹爪的实时检测任务中表现出了卓越的性能，有助于提高垃圾站的工作效率。同时，基于U-Net的火焰燃烧检测算法在垃圾燃烧实时检测方面具有较高的适用性，能够确保焚烧过程的安全性和环保性。
参考文献（略）
