覃龙光1. 项目概述：当卷积神经网络遇上垃圾分类
去年夏天，我在小区垃圾站目睹了保洁阿姨徒手分拣混投垃圾的场景。湿垃圾袋里黏着药片包装，可回收物桶堆满外卖餐盒——这种低效且卫生隐患严重的场景，正是我们团队开发这个垃圾分类系统的初衷。这个基于卷积神经网络（CNN）的GUI应用，本质上是用深度学习给垃圾拍"X光片"，通过视觉特征自动识别垃圾类别。相比传统图像处理方案，CNN对复杂背景、变形物体的识别准确率提升显著，实测在测试集上达到92.3%的mAP（mean Average Precision）。
这个毕设项目的独特价值在于：它用PyQt5构建了完整的端到端解决方案，从图像采集、模型推理到结果可视化形成闭环。不同于实验室里的纯算法研究，我们特别注重工程落地性——模型采用轻量化的MobileNetV3主干网络，在Intel i5处理器上单次推理仅需87ms，完全满足实时性要求。对于刚接触深度学习的同学，这个项目能带你完整走通数据标注、模型训练、GUI开发的全流程，其中涉及的技巧我会在后续章节详细拆解。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心设计思路与技术选型
2.1 为什么选择卷积神经网络？
传统计算机视觉方法（如SIFT+HOG）在垃圾分类场景面临三大困境：首先是视角敏感性，一个饮料瓶正放侧放会被判为不同特征；其次是遮挡问题，沾满油渍的外包装会干扰纹理分析；最重要的是泛化性差，新增垃圾品类需重新设计特征提取器。而CNN通过多层卷积核自动学习层次化特征：
- 浅层卷积捕捉边缘、颜色等基础特征（如玻璃瓶的高光反射）
- 中层卷积识别纹理模式（如瓦楞纸板的波浪纹路）
- 深层卷积组合出语义特征（如易拉罐的圆柱形+拉环结构）
我们对比了三种主流架构：
| 模型 | 参数量(M) | 准确率(%) | 推理速度(ms) |
|---|---|---|---|
| ResNet50 | 25.5 | 94.1 | 152 |
| MobileNetV3 | 5.4 | 92.3 | 87 |
| EfficientNetB0 | 5.3 | 93.7 | 94 |
最终