基于 PyTorch 的垃圾分类识别系统设计与实现
项目简介
面向校园与社区的垃圾分类识别系统：上传或拍摄照片，用卷积神经网络识别类别（纸板 / 玻璃 / 金属 / 纸张 / 塑料 / 其他垃圾），给出 Top-3 置信度与投放容器、投放指引；支持批量识别、低置信提示与人工纠正闭环。论文含「自研 CNN 基线 vs 迁移学习」对比实验与混淆矩阵分析。
演示视频
视频也可在 B 站视频页 观看
运行环境
| 编程语言 | Python 3.8 及以上 |
|---|---|
| 深度学习 | PyTorch 2.x + torchvision（MobileNetV3-Small，模型随包交付） |
| Web 框架 | Django 4.2 |
| 推理环境 | CPU 即可（单张约 10ms），GPU 非必需 |
| 数据库 | MySQL 5.7 及以上（交付默认 SQLite，免安装） |
| 可视化 | ECharts 5（已内置本地文件，离线可用） |
| 报表导出 | openpyxl |
| 操作系统 | Windows / macOS / Linux |
| 启动方式 | 双击一键脚本，或 python manage.py runserver |
功能模块
- 两组对比实验：自研 CNN 基线（64×64，1.18M 参数，验证 68.90%）与 MobileNetV3-Small 迁移学习（验证 85.24%）
- 可复现训练：TrashNet 分层 8:2 划分（固定种子）、增强口径明确，指标由脚本产出，基线指标一并保留
- 混淆矩阵分析：定位玻璃↔塑料互相误判与其他垃圾召回偏低（该类样本仅 137 张）并给出改进方向
- 识别结果卡：类别、置信度、Top-3 概率条，附投放容器与投放指引（清空 / 压扁 / 去胶带）
- 批量识别：一次最多 12 张，逐张给出类别与指引，适合社团集中整理垃圾
- 低置信兜底：置信度低于阈值提示人工确认；模型缺失时明确提示而不是返回随机结果
- 纠正闭环：一键纠正结果，纠正分布进入统计，作为下一轮补数据依据
- 类别与指引维护 + 识别统计 + 三张工作表 Excel 导出；CPU 单张推理约 10ms
交付内容
- 完整源码（已跑通，含训练好的模型与指标文件、演示数据库与示例识别记录）
- 两个训练脚本：自研 CNN 基线（可复现）与 MobileNetV3-Small 迁移学习（交付模型）
- 模型产物：model.pt / meta.json（指标与混淆矩阵）/ baseline.json（基线指标）
- 毕业设计任务书（Word）
- 开题报告（Word）
- 毕业论文（Word，七章制，含对比实验与混淆矩阵分析章节）
- 系统使用与二次开发说明（Word + md）
- 10 张系统运行截图
最终成品目录结构
下面是交付包里的真实目录，共 121 个文件。只展示文件名，不含文件内容； 点击文件夹可逐层展开，看到每个模块是怎么拆分的。
界面截图
点击任意一张可放大，支持左右切换（也可用键盘 ← → 键）
文档预览
交付的任务书、开题报告与论文均为 Word 文档，下面是真实页面预览；点击可放大并左右切换：
常见问题
项目能直接跑起来吗？
能。交付包里已带训练好的模型与演示数据库，安装依赖（含 PyTorch）后双击一键脚本即可；推理在 CPU 上运行，单张约 10ms。
识别准确率是多少？
交付模型（MobileNetV3-Small 迁移学习）验证集准确率 85.24%，验证集 508 张；各类别 F1 在 0.77–0.89 之间，页面「模型信息」可看到混淆矩阵与每类指标。
为什么还带了一个 68.9% 的模型指标？
那是自研 CNN 基线（不依赖预训练权重的 4 卷积块网络）。论文把它与迁移学习做对比实验，说明迁移学习在同一切分上把准确率从 68.90% 提升到 85.24%、训练时间缩短约 84%。
哪些类别容易认错？
玻璃与透明塑料互相误判（101 张玻璃中 10 张被判塑料），原因是材质外观相近；「其他垃圾」召回偏低，因为公开数据集中该类只有 137 张样本。
识别不准怎么办？
页面提供「识别有误？选择正确类别」的纠正入口，纠正记录会进入统计；同时低置信结果会明确提示「建议人工确认」，避免误信。
模型是怎么训练出来的？
数据集为 TrashNet（6 类 2527 张公开图片），按类别分层 8:2 划分并固定随机种子，训练脚本随源码提供，指标可完整复现。
能加新类别或换更强的模型吗？
能。加类别改训练脚本的类别表、放示例图、加投放指引后重训；换网络（如 ResNet18）只需修改骨干与输入尺寸，说明文档第 3 节给了步骤。
能换成 MySQL 吗？
能。设置 DB_ENGINE=mysql 与连接参数后 migrate 即可；交付默认 SQLite 是为了免安装。