1.基于垃圾目标检测的图像识别改进方法，其特征在于，所述方法具体包括以下步骤：S1，将垃圾数据集经标记光斑区域、归一化处理后作为样本数据集；

S2，构建并训练针对光斑的目标检测模型，将样本数据集输入针对光斑的目标检测模型中，得到图像中的光斑区域特征；

S3，对光斑区域特征取补，得到图片像素权重矩阵；

S4，构建并训练垃圾分类模型；

垃圾分类模型为监督模型，包括特征提取器和分类器两部分，其中特征提取器采用5个卷积层，分类器采用2个全连接层构成的网络；

训练垃圾分类模型的过程为：将垃圾数据集划分为训练集和测试集，使用训练集对垃圾分类模型进行训练，将每张图片依次输入到模型中，并计算图片像素权重矩阵，将所有图片的RGB值都和对应的图片像素权重矩阵相乘后再输入到模型中，以达到削弱光斑影响的目的；设定训练批次，在训练阶段采用预热学习率策略，优化器采用Adam进行优化，损失函数采用交叉熵的形式；通过验证集验证模型识别准确率，直至模型的准确率达到预设的标准或损失函数收敛完成训练；

S5，将待测图像输入训练好的垃圾分类模型，将待测图像中所有像素的像素值与图片像素权重矩阵相乘输入训练好的垃圾分类模型，得到分类结果。

2.根据权利要求1所述的基于垃圾目标检测的图像识别改进方法，其特征在于，所述垃圾数据集中的图像包括废纸箱、玻璃、纸、塑料、干电池、充电宝、剩饭剩菜、水果果皮、烟蒂。

3.根据权利要求1所述的基于垃圾目标检测的图像识别改进方法，其特征在于，针对光斑的目标检测模型为监督模型，其标签是标记的光斑区域的光斑区域标签；针对光斑的目标检测模型包括特征提取器和置信度生成器两部分，其中特征提取器采用5个卷积层，光斑置信度生成器采用2个反卷积层构成的网络，激活函数采用Relu函数。

4.根据权利要求1所述的基于垃圾目标检测的图像识别改进方法，其特征在于，训练针对光斑的目标检测模型具体为：将垃圾数据集中的每张图片作为标签，设置训练批次，采用预热学习率策略，优化器采用Adam进行优化，损失函数采用峰值信噪比的形式，利用验证集进行验证，直至模型的准确率达到预设的标准或损失函数收敛完成训练。

5.根据权利要求1所述的基于垃圾目标检测的图像识别改进方法，其特征在于，对光斑区域特征取补的公式如下：Wmodel=I‑W

其中，I表示所有元素均为1的矩阵，W为光斑区域特征，得到的Wmodel则为图片像素权重矩阵。

6.一种电子设备，包括存储器和处理器，其特征在于，所述存储器与所述处理器耦接；

其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现上述权利要求1‑5任一项所述的基于垃圾目标检测的图像识别改进方法。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1‑5中任一所述的基于垃圾目标检测的图像识别改进方法。