ki-pi1. 智能垃圾分类系统概述
在城市化进程加速的今天，垃圾分类已成为现代城市管理的重要课题。传统垃圾分类主要依靠人工识别和分拣，效率低下且准确率难以保证。我们开发的这套智能垃圾分类系统，通过AI图像识别技术结合数据可视化分析，实现了垃圾自动分类和数据分析的全流程管理。
系统采用SpringBoot+Vue的前后端分离架构，后端使用Java语言开发，前端采用Vue.js框架，数据库选用MySQL。系统主要功能包括：
- 基于深度学习的垃圾图像识别分类
- 垃圾分类数据统计分析
- 用户积分奖励机制
- 垃圾分类知识库
- 管理员后台管理系统
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. 系统架构设计
2.1 技术选型分析
选择SpringBoot作为后端框架主要基于以下考虑：
- 快速开发：SpringBoot的自动配置和起步依赖大大简化了项目搭建过程
- 微服务友好：便于后期扩展为分布式系统
- 丰富的生态系统：整合MyBatis、Redis等组件非常方便
- 良好的社区支持：遇到问题容易找到解决方案
前端选择Vue.js框架的原因：
- 轻量级：打包后体积小，加载速度快
- 组件化开发：提高代码复用性和可维护性
- 双向数据绑定：简化DOM操作
- 丰富的UI库：如Element UI可以快速构建美观界面
2.2 系统架构图
code复制┌───────────────────────────────────────────────────────┐
│ 客户端层 │
│ ┌───────────┐ ┌───────────┐ ┌───────────┐ │
│ │ Web端 │ │ 微信小程序 │ │ Android App│ │
│ └───────────┘ └───────────┘ └───────────┘ │
└──────────────────────────┬────────────────────────────┘
│
┌──────────────────────────▼────────────────────────────┐
│ 应用服务层 │
│ ┌───────────┐ ┌───────────┐ ┌───────────┐ │
│ │ API网关 │ │ 业务逻辑层 │ │ 消息队列 │ │
│ └───────────┘ └───────────┘ └───────────┘ │
└──────────────────────────┬────────────────────────────┘
│
┌──────────────────────────▼────────────────────────────┐
│ 数据持久层 │
│ ┌───────────┐ ┌───────────┐ ┌───────────┐ │
│ │ MySQL │ │ Redis │ │ MinIO │ │
│ └───────────┘ └───────────┘ └───────────┘ │
└───────────────────────────────────────────────────────┘
3. 核心功能实现
3.1 AI图像识别模块
垃圾图像识别采用改进的ResNet50模型，在ImageNet预训练模型基础上进行迁移学习。我们收集了超过10万张垃圾图片，分为可回收物、有害垃圾、厨余垃圾和其他垃圾四大类。
模型训练关键参数：
python复制# 模型配置示例
model = ResNet50(weights='imagenet', include_top=False, input_shape=(224,224,3))
x = model.output
x = GlobalAveragePooling2D()(x)
x = Dense(1024, activation='relu')(x)
predictions = Dense(4, activation='softmax')(x)
# 训练参数
optimizer = Adam(lr=0.0001)
model.compile(optimizer=optimizer,
loss='categorical_crossentropy',
metrics=['accuracy'])
实际部署时，我们使用OpenCV进行图像预处理，TensorFlow Serving提供模型推理服务。前端上传图片后，后端调用推理接口获取分类结果，响应时间控制在500ms以内。
3.2 数据可视化模块
系统使用ECharts实现数据可视化展示，主要包含以下图表类型：
- 垃圾分类统计饼图
- 用户参与趋势折线图
- 区域分类准确率热力图
- 垃圾投放量柱状图
后端数据处理关键代码：
java复制// 数据统计服务示例
public Map<String, Object> getClassifyStats(Date startDate, Date endDate) {
Map<String, Object> result = new HashMap<>();
// 查询各分类数量
List<Map<String, Object>> counts = classifyRecordMapper.selectCountByType(
startDate, endDate);
// 查询准确率趋势
List<Map<String, Object>> accuracyTrend = classifyRecordMapper.selectAccuracyTrend(
startDate, endDate);
result.put("counts", counts);
result.put("trend", accuracyTrend);
return result;
}
3.3 积分奖励系统设计
为激励用户参与垃圾分类，系统设计了积分奖励机制：
- 正确分类一次获得10积分
- 连续7天参与额外奖励50积分
- 积分可兑换环保袋、垃圾袋等实物奖品
积分计算采用Redis的SortedSet实现，确保高并发下的性能：
java复制public void addPoints(Long userId, int points) {
String key = "user:points:" + LocalDate.now().getYear();
redisTemplate.opsForZSet().incrementScore(key, userId.toString(), points);
// 检查连续打卡
checkContinuousCheckIn(userId);
}
4. 数据库设计
4.1 主要数据表结构
- 用户表(user)
sql复制CREATE TABLE `user` (
`id` bigint(20) NOT NULL AUTO_INCREMENT,
`username` varchar(50) NOT NULL COMMENT '用户名',
`password` varchar(100) NOT NULL COMMENT '密码',
`phone` varchar(20) DEFAULT NULL COMMENT '手机号',
`points` int(11) DEFAULT '0' COMMENT '积分',
`create_time` datetime DEFAULT CURRENT_TIMESTAMP,
PRIMARY KEY (`id`),
UNIQUE KEY `idx_username` (`username`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
- 分类记录表(classify_record)
sql复制CREATE TABLE `classify_record` (
`id` bigint(20) NOT NULL AUTO_INCREMENT,
`user_id` bigint(20) NOT NULL,
`image_url` varchar(255) NOT NULL COMMENT '图片URL',
`ai_result` varchar(20) NOT NULL COMMENT 'AI识别结果',
`user_confirm` varchar(20) DEFAULT NULL COMMENT '用户确认结果',
`is_correct` tinyint(1) DEFAULT NULL COMMENT '是否正确',
`create_time` datetime DEFAULT CURRENT_TIMESTAMP,
PRIMARY KEY (`id`),
KEY `idx_user_id` (`user_id`),
KEY `idx_create_time` (`create_time`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
- 积分记录表(points_record)
sql复制CREATE TABLE `points_record` (
`id` bigint(20) NOT NULL AUTO_INCREMENT,
`user_id` bigint(20) NOT NULL,
`points` int(11) NOT NULL COMMENT '积分变化值',
`type` varchar(20) NOT NULL COMMENT '类型',
`description` varchar(255) DEFAULT NULL COMMENT '描述',
`create_time` datetime DEFAULT CURRENT_TIMESTAMP,
PRIMARY KEY (`id`),
KEY `idx_user_id` (`user_id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
4.2 数据表关系设计
系统采用星型模型设计数据仓库，以分类记录表为中心，关联用户表、区域表等维度表，便于后续数据分析。
5. 系统部署方案
5.1 服务器环境配置
推荐部署环境：
- 操作系统：Ubuntu 20.04 LTS
- Web服务器：Nginx 1.18
- 应用服务器：Tomcat 9
- 数据库：MySQL 8.0
- 缓存：Redis 6.0
5.2 容器化部署
使用Docker编排服务：
yaml复制version: '3'
services:
web:
image: nginx:1.18
ports:
- "80:80"
volumes:
- ./nginx.conf:/etc/nginx/nginx.conf
- ./dist:/usr/share/nginx/html
depends_on:
- app
app:
image: openjdk:11-jre
ports:
- "8080:8080"
volumes:
- ./app.jar:/app.jar
command: java -jar /app.jar
environment:
- SPRING_PROFILES_ACTIVE=prod
depends_on:
- mysql
- redis
mysql:
image: mysql:8.0
ports:
- "3306:3306"
environment:
- MYSQL_ROOT_PASSWORD=yourpassword
- MYSQL_DATABASE=garbage_classification
volumes:
- ./mysql_data:/var/lib/mysql
redis:
image: redis:6.0
ports:
- "6379:6379"
5.3 性能优化措施
- 前端优化：
- 使用Webpack进行代码压缩和Tree Shaking
- 配置Gzip压缩减少传输体积
- 使用CDN加速静态资源加载
- 后端优化：
- 启用SpringBoot的Actuator监控端点
- 配置HikariCP连接池
- 使用Redis缓存热点数据
- 数据库优化：
- 为常用查询字段创建索引
- 定期执行ANALYZE TABLE更新统计信息
- 配置合理的innodb_buffer_pool_size
6. 系统测试与验证
6.1 功能测试用例
- 图像识别测试：
- 输入：香蕉皮图片
- 预期输出：厨余垃圾
- 实际结果：厨余垃圾（通过）
- 积分计算测试：
- 操作：用户连续7天正确分类
- 预期积分：7×10 + 50 = 120
- 实际积分：120（通过）
- 数据统计测试：
- 操作：生成某区域一周的分类数据报表
- 预期：正确显示各类垃圾占比
- 实际：报表数据与数据库一致（通过）
6.2 性能测试结果
使用JMeter进行压力测试，配置：
- 并发用户数：1000
- 持续时间：10分钟
- 测试接口：/api/classify
测试结果：
- 平均响应时间：320ms
- 错误率：0.12%
- 吞吐量：1250请求/秒
6.3 安全测试
- SQL注入测试：
- 尝试在用户名输入：admin' OR '1'='1
- 结果：被拦截（通过）
- XSS测试：
- 尝试在评论中插入
- 结果：被转义处理（通过）
- 文件上传测试：
- 尝试上传PHP后门文件
- 结果：被拒绝（通过）
7. 项目总结与改进方向
在实际开发过程中，我们遇到并解决了几个关键问题：
-
图像识别准确率提升：
最初使用MobileNet模型，在小物体识别上准确率不足。通过改用ResNet并增加数据增强手段（旋转、亮度调整等），准确率从82%提升到93%。 -
高并发下的积分计算：
直接操作数据库导致性能瓶颈。引入Redis作为缓存层后，积分操作响应时间从200ms降低到20ms。 -
前端性能优化：
初始打包体积达到8MB，通过路由懒加载和组件按需引入，最终打包体积缩减到1.2MB。
未来改进方向：
- 增加语音识别功能，方便老年用户使用
- 开发AR识别功能，提升用户体验
- 引入区块链技术确保数据不可篡改
- 与政府环卫系统对接，实现数据共享
这套系统已在某试点社区运行3个月，用户参与率达到65%，分类准确率从最初的58%提升到89%，验证了系统的实用价值。