1.一种用于垃圾转运站的垃圾分拣处理方法，其特征在于，所述垃圾分拣处理方法包括以下步骤：

S1，在滚筒筛出口处安装两层具有高度差的传送带，将被滚筒筛留下的直径大于80毫米的垃圾放入第一层传送带中，当传入第二层传送带时，对传送带指定区域上的所有垃圾进行拍摄；将拍摄得到的堆叠垃圾图像送至安装在嵌入式处理终端上的垃圾识别模块，对垃圾进行分类；

S2，将垃圾分类结果送入嵌入式处理器ARM，设置相应程序控制伺服电机，转动传送带旁的机械臂，采用机械手抓取垃圾送去相应的垃圾分类槽；

所述垃圾识别模块采用若干张同种类堆叠垃圾样本图像训练得到，包括依次连接的自适应池化层、特征提取单元、特征融合单元、自适应最大池化层、全局平均池化层和全连接层；所述特征提取单元基于轻量化方式提取特征，包括五个卷积模块，均采用深度可分离卷积方式，对自适应池化层中调整尺寸后的多视野特征图进行深层特征提取；其中，第一卷积模块、第二卷积模块和第三卷积模块中添加有压缩和激励模块；所述特征融合单元用于将第四卷积模块和第五卷积模块的输出提取出来，进行不同尺寸的特征融合；融合后的特征分别经自适应最大池化层和全局平均池化层进行自适应最大池化和全局平均池化处理后，提取得到堆叠垃圾图像全局特征；所述全连接层用于对提取得到的堆叠垃圾图像全局特征进行分类处理，计算得到该堆叠垃圾图像属于每个类别的概率，输出当前堆叠垃圾图像的类别信息和相应的概率。

2.根据权利要求1所述的用于垃圾转运站的垃圾分拣处理方法，其特征在于，所述堆叠垃圾样本图像的类型至少包括预处理后的厨余垃圾、可回收物、其他垃圾、有害垃圾四大类，每张堆叠垃圾样本图像上的垃圾数量不小于预设的垃圾数量阈值；

所述预处理的过程包括：对每个批次的堆叠垃圾样本图像进行增强，采用缩放、旋转、变换、翻转多种方法以扩充数据集。

3.根据权利要求2所述的用于垃圾转运站的垃圾分拣处理方法，其特征在于，所述预设的垃圾数量阈值为3。

4.根据权利要求1所述的用于垃圾转运站的垃圾分拣处理方法，其特征在于，所述特征提取单元包括五个卷积模块，每个卷积模块均采用交替连接的DepthWise卷积层和PointWise卷积层：第一个卷积模块有一组交替连接的DepthWise卷积层和PointWise卷积层；第二个卷积模块有两组交替连接的DepthWise卷积层和PointWise卷积层；第三、四、五个卷积模块各自有三组交替连接的DepthWise卷积层和PointWise卷积层；在每个卷积层之后添加有BN层；在每组卷积模块的卷积层之后添加有ZeroPadding层；

在第一卷积模块、第二卷积模块、第三卷积模块的ZeroPadding层之后还添加有注意力机制中的压缩和激励模块；

每个卷积模块的卷积核个数随着网络层数的加深而变多，改变卷积步长以缩小特征图。

5.根据权利要求1所述的用于垃圾转运站的垃圾分拣处理方法，其特征在于，所述特征融合单元的融合过程包括以下步骤：在融合特征中，分别提取第四卷积模块输出的29×29×512的第一输出特征以及第五卷积模块输出的14×14×512的第二输出特征；

对于第四卷积模块的第一输出特征，进行卷积核大小为3×3，核数目为256，步长为1，有填充的卷积；随后进行批归一化处理，用Relu函数进行激活，得到输出为28×28×256的第一特征值，用以表征垃圾的几何细节信息，侧重提取垃圾图像的中型目标；

对于第五卷积模块的输出特征，进行卷积核大小为1×1，核数目为512，步长为1，有填充的卷积；随后进行批归一化处理，用Relu函数进行激活，通过上采样，将深度特征缩放到相同的尺度，得到输出为28×28×512的第二特征值，用以表征垃圾的语义信息，侧重提取垃圾图像的中大型目标；

将第四卷积模块、第五卷积模块输出的第一特征值和第二特征值调整至尺寸一致，进行Concatenate融合形成28×28×768的特征图，融合网络中不同层次的特性，得到堆叠垃圾图像全局特征。

6.根据权利要求1所述的用于垃圾转运站的垃圾分拣处理方法，其特征在于，所述垃圾识别模型的训练过程包括以下步骤：开始训练时，将预处理的图像经过自适应池化层，使垃圾识别模型接收的输入图像的分辨率保持为224×224×3；

‑3

设初始化学习率为1×10 ，每当迭代7个epoch学习率不下降时，学习率将自动下降

10％，达到100epoch停止训练，batch_size设置为16；采用随机梯度下降法，动量设置为‑4

0.9，重量衰减系数设置为2×10 ；

训练100个epoch后，保存当前权重文件；

根据权重文件和测试集，从参数量、准确率、精确率、召回率、F1‑score和FPS六个方面对训练完成后的垃圾识别模型的性能进行评估。

7.根据权利要求6所述的用于垃圾转运站的垃圾分拣处理方法，其特征在于，所述计算得到该堆叠垃圾图像属于每个类别的概率的过程包括以下步骤：将训练好的权重文件加载至模型中，利用预测函数预测测试集中的垃圾图像所属类别的概率值；使用scikit‑learn包中计算混淆矩阵的API接口函数,计算混淆矩阵用来评估分类的准确度；

其中，混淆矩阵中数字1代表其他垃圾，数字2代表厨余垃圾，数字3代表可回收物，数字

4代表有害垃圾。

8.根据权利要求1所述的用于垃圾转运站的垃圾分拣处理方法，其特征在于，所述垃圾分拣处理方法还包括以下步骤：

S3，将全连接层输出的垃圾分类结果发送至嵌入式处理器ARM，根据垃圾分类结果设置相应程序控制伺服电机，以转动传送带旁的机械臂，用机械手抓取垃圾送去垃圾分类槽，对垃圾进行分拣。

9.根据权利要求8所述的用于垃圾转运站的垃圾分拣处理方法，其特征在于，所述垃圾分拣处理方法还包括以下步骤：

S31，将第二层传送带按照传输方向分为n个传送区域；

S32，采用垃圾识别模块对n个传送区域上的堆叠垃圾图像进行垃圾类别识别：如果识别出的垃圾类别对应的概率高于预设的概率阈值，则采用机械臂将前述n个传送区域上的堆叠垃圾一次抓取至对应的垃圾分类槽，否则，对最邻近的传送区域上的堆叠垃圾图像进行再次识别，按照识别结果对最近邻的传送区域上的堆叠垃圾抓取至对应的垃圾分类槽；

S33，重复步骤S32，直至所有垃圾被分拣完成。

10.一种基于权利要求1‑9任一项所述垃圾分拣处理方法的用于垃圾转运站的垃圾分拣处理系统，其特征在于，包括：

安装在滚筒筛出口处的两层具有高度差的传送带，将被滚筒筛留下的直径大于80毫米的垃圾放入第一层传送带中，并且控制第一层传送带传输速度慢于第二层传送带传输速度；

摄像头，安装在第二层传送带上方，当垃圾传入第二层传送带时，对传送带指定区域上的所有垃圾进行拍摄，将拍摄得到的堆叠垃圾图像送至安装在嵌入式处理终端上的垃圾识别模块，使垃圾识别模块对图像中的垃圾进行分类；

嵌入式处理器ARM，其内部安装有垃圾识别模块和伺服电机控制软件；所述垃圾识别模块用于对摄像头拍摄的堆叠垃圾图像进行处理，识别得到其所属类别和相应的概率；所述伺服电机控制软件根据识别结果生成相应的控制程序，转动传送带旁的机械臂，采用机械手抓取垃圾送去相应的垃圾分类槽。