一、项目背景

随着我国城市化进程的持续加快与居民生活水平的不断提升，城市生活垃圾产生量呈现逐年攀升态势。据生态环境部统计数据显示，2023年全国城市生活垃圾清运量已超过2.5亿吨，垃圾处理设施长期处于超负荷运行状态，“垃圾围城”现象日益成为制约城市可持续发展的突出难题。推行垃圾分类制度，实现垃圾减量化、资源化、无害化处理，已成为破解这一困境的必由之路。自2019年起，全国地级及以上城市全面启动生活垃圾分类工作，但实际推进过程中仍面临诸多现实障碍。

当前，居民垃圾分类意识与实操能力之间的鸿沟是制约分类效果的核心瓶颈。调查研究表明，超过70%的居民认同垃圾分类的重要性，但在实际投放过程中，面对形态各异、材质复杂的废弃物，往往难以准确判断所属类别。“玻金塑纸”之外的复合材料包装、脏污污染的一次性用品、带有残留物的外卖餐盒等复杂场景，常使分类标准难以适用。混投、错投现象频发，不仅增加了后端分拣的人力成本，也降低了可回收物的资源化价值。社区督导员数量有限，难以实现全天候、全覆盖的指导监督，传统的宣传教育手段也难以将分类知识内化为居民的日常行为习惯。

与此同时，人工智能技术的快速发展为破解垃圾分类难题提供了新的技术路径。计算机视觉领域的YOLO目标检测算法凭借其卓越的检测速度与识别精度，已在工业质检、自动驾驶、安防监控等场景中得到广泛验证。YOLO算法能够实时识别图像中的目标物体并定位其位置，为垃圾投放点的智能识别提供了技术支撑。另一方面，大型语言模型在知识理解与推理决策方面展现出强大能力，DeepSeek作为国产开源大模型的代表，具备优秀的文本理解与知识问答能力，能够为垃圾分类提供知识解释、类别判断依据、投放指导建议等智能化服务。

将YOLO的视觉识别能力与DeepSeek的认知理解能力相结合，构建智能垃圾分类系统，具有重要的理论意义与应用价值。系统通过摄像头实时捕捉垃圾图像，利用YOLO模型识别垃圾类型与材质特征，初步判断所属类别；对于识别置信度较低或存在争议的复杂物品，调用DeepSeek模型进行二次推理，结合物品组成、污染程度、地域分类标准等因素给出精准建议。系统通过语音播报、屏幕显示等方式向用户反馈分类结果与投放指引，同时记录投放数据，为社区垃圾分类管理提供决策支持。

基于上述背景，本课题拟设计并实现一个基于YOLO与DeepSeek的智能垃圾分类系统，探索计算机视觉与大语言模型在环保领域的深度融合应用。系统的建设不仅能够降低居民垃圾分类的学习成本与认知负担，提升分类准确率与参与积极性，也为智慧社区建设提供可落地的技术解决方案，助力实现“双碳”目标下的绿色可持续发展。

二、 技术介绍

技术栈：
1、架构：B/S、MVC
2、系统环境：Windows、Mac
3、开发环境：IDEA、JDK1.8、Maven、Nodejs、Mysql、Python 3.9+
4、技术栈：Java、Mysql、Vue、spring boot、Mybatis、Element plus、Python、Flask、YOLOV5/8/11/12。

本系统采用浏览器/服务器（B/S）架构模式，用户无需安装任何客户端软件，仅通过浏览器即可访问垃圾分类系统的各项功能，极大降低了使用门槛与维护成本。系统整体遵循MVC设计模式进行分层架构，将数据访问、业务逻辑与前端展示进行清晰解耦，确保系统的可维护性与扩展性。考虑到智能垃圾分类涉及深度学习模型推理的特殊需求，系统创新性地采用双后端混合架构，即Java后端负责核心业务逻辑与数据管理，Python后端负责YOLO模型的加载与推理计算，前后端通过RESTful API进行高效通信，充分发挥不同技术栈的优势。

系统具备良好的跨平台兼容性，可在Windows与macOS主流操作系统上进行开发与部署。Windows环境适合大多数开发场景，提供完善的驱动支持与硬件兼容性；macOS则为前端开发与模型调试提供流畅的开发体验。系统部署时支持容器化封装，可通过Docker实现环境一致性，便于在不同操作系统间迁移与扩展。

系统开发集成环境选用IntelliJ IDEA作为Java后端的主要开发工具，其强大的代码提示、重构功能与Spring Boot原生支持能够显著提升开发效率。前端开发基于Visual Studio Code配合Vue插件，实现组件化开发与实时预览。Python部分采用PyCharm或Jupyter Notebook进行模型调试与算法验证。项目依赖管理方面，Java模块采用Maven统一管理依赖包版本与构建生命周期；Python模块使用pip配合requirements.txt管理深度学习相关依赖。数据库选用MySQL作为主数据库，存储用户信息、分类记录、知识库等结构化数据。Python环境要求Python 3.9+，以满足YOLO系列模型对PyTorch等深度学习框架的版本要求。Node.js环境为前端项目提供依赖安装与构建运行支持，利用其丰富的npm生态快速集成前端组件库。

Java后端基于Spring Boot框架构建，作为系统的业务核心，负责处理用户管理、分类记录存储、知识库检索、报表生成等常规业务逻辑。Spring Boot的自动配置机制简化了项目初始搭建，内嵌Tomcat服务器使部署更加便捷。数据持久化层采用MyBatis作为ORM框架，保留SQL灵活性的同时提供便捷的对象关系映射，配合MySQL数据库高效存储垃圾分类记录、用户行为数据等业务信息。系统采用RESTful风格设计API接口，通过JWT实现用户认证，确保接口安全。Java后端还负责与Python推理服务进行通信，通过HTTP请求将图像数据传递给Python服务，并接收识别结果进行业务处理。

Python后端基于轻量级Web框架Flask构建，专门负责深度学习模型的加载与推理服务。Flask的简洁性与灵活性使其成为模型服务的理想选择，能够快速搭建RESTful API接口接收前端或Java后端传来的图像数据。Python后端集成YOLO系列目标检测算法，系统支持YOLOv5、YOLOv8、YOLOv11、YOLOv12等多个版本的自由切换与对比实验。YOLO模型经过预训练与微调，能够精准识别常见生活垃圾的类别与位置，识别范围涵盖塑料瓶、易拉罐、纸张、玻璃、电池、果皮等数十种常见垃圾。Python后端接收图像后，调用YOLO模型进行推理，返回检测到的物体类别、置信度与边界框坐标。对于模型置信度较低的复杂场景，系统可进一步调用DeepSeek API进行知识推理，结合物品材质、污染程度等因素给出综合判断。

前端应用基于Vue.js框架构建，采用Element Plus作为UI组件库，快速搭建美观、易用的用户界面。针对不同使用场景，前端设计包含垃圾分类识别页、知识科普页、分类记录页、个人中心等模块。垃圾分类识别页支持图片上传或摄像头实时拍摄，图像提交后异步等待YOLO模型识别结果，识别结果以标签形式展示垃圾类别、投放指南与环保小知识。Element Plus提供的加载动画、进度条、消息提示等组件优化了用户体验，使识别过程更加流畅直观。前端通过Axios发起HTTP请求，分别与Java业务后端和Python推理后端进行通信，实现数据交互与结果渲染。

三、功能介绍

可接受定制：
✓抽烟行为识别
✓航拍火灾检测
✓水果识别
✓草莓成熟度检测
✓腐烂水果识别
✓番茄叶片病害识别
✓作物虫害识别
✓棉花虫害识别
✓垃圾桶满溢检测
✓铁轨缺陷检测
✓钢铁表面缺陷检测
✓钢索缺陷识别
✓绝缘子缺陷识别
✓墙体缺陷检测
✓金属表面缺陷识别
✓天池铝型材缺陷检测
✓安全帽和安全背心穿戴识别
✓工程机械识别
✓条形码检测
✓停车位识别
✓灭火器识别
✓遥感航拍飞机识别
✓遥感航拍船舶和飞机识别
✓遥感航拍船舶识别
✓猫狗识别
✓煤矸石检测
✓电线杆识别
✓红绿灯识别
✓瞳孔识别
✓煤矿输送带异物识别
本项目已经训练好模型，配置好环境可直接使用，也可以自己加数据集训练，运行效果见图像及视频。
共4类标签["可回收垃圾","其他垃圾","厨余垃圾","有害垃圾"]
系统亮点：
多场景检测：支持单张图片、图片集、视频、实时摄像头等多种输入方式。
实时反馈：提供实时检测结果和详细分析报告，可导出 PDF。
高精度识别：基于改进 YOLOV5/8/11/12 结合 PyTorch 实现，垃圾分类检测准确率高，运行速度快。
AI智能分析：结合Deepseek/ Qwen 大模型智能分析，可生成详细检测建议。
直观UI界面：基于 Vue3 + Flask 前端展示，操作界面简洁清晰。
 

四、 系统实现