基于图像识别的智能垃圾分类辅助系统

针对居民垃圾分类准确率低、分类标准复杂等问题，设计并开发了一套智能垃圾分类辅助系统。系统采用前后端分离架构，前端基于Vue3构建交互界面，后端采用FastAPI提供接口服务，并使用MySQL管理用户及识别数据。基于PyTorch对MobileNetV2进行迁移学习，实现四类生活垃圾智能识别，同时集成Top-K分类结果展示和Grad-CAM热力图可视化，提高模型预测的准确性和可解释性。此外，结合Ollama部署DeepSeek大语言模型，实现环保知识问答功能，并开发用户登录、JWT身份认证、历史记录查询、管理员后台及数据统计分析等模块，形成完整的智能垃圾分类解决方案。

整体架构与设计思路：
项目采用前后端分离架构设计，前端使用Vue3、Tailwind CSS和ECharts构建用户交互界面，实现垃圾图片上传、识别结果展示、历史记录查询及数据可视化；后端基于FastAPI开发RESTful API，负责用户认证、业务逻辑处理以及模型推理服务，并结合JWT实现身份认证。数据库采用MySQL存储用户信息、识别记录及系统数据。AI识别模块基于PyTorch框架，采用迁移学习训练MobileNetV2模型，实现四类生活垃圾分类，同时集成Top-K预测结果展示和Grad-CAM热力图，提高模型可解释性。智能问答模块通过Ollama部署DeepSeek大语言模型，为用户提供垃圾分类知识查询和环保知识问答服务。
项目难点及解决方案：
① 模型准确率不足。 初期直接使用预训练模型进行分类，识别效果不理想。通过采用迁移学习，仅微调MobileNetV2后期特征层及分类层，并结合数据增强、学习率调整等策略，提高了模型泛化能力和分类准确率。
② 模型推理与Web系统集成。 为避免模型加载导致接口响应缓慢，将模型封装为独立推理模块，在FastAPI启动时完成模型加载，后续请求直接调用内存中的模型进行预测，有效降低了接口响应时间。
③ 模型结果可信度不足。 针对用户难以理解AI分类依据的问题，引入Grad-CAM生成模型关注区域热力图，并增加Top-K分类结果展示，使识别过程更加直观，提升了系统的可解释性和用户体验。