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。

技术栈

Python、PyTorch、torchvision、Django、ECharts、MySQL

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

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

界面截图

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：

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