Back to gallery
Presentation
Undergraduate Thesis Defense — Campus Waste-Sorting Recognition
A bachelor’s thesis defense: background, related work, technical roadmap, system architecture, dataset and model, a comparison table, ablations and field-test numbers — closing with conclusions and thanks.

1 / 12
All examples are AI-generated with FlyPPT.
Source inputExpand
This is the complete input used to generate this example — nothing was edited by hand.
本科毕业论文答辩 题目:基于深度学习的校园垃圾分类识别系统设计与实现 专业:计算机科学与技术 答辩人:李明 指导教师:王芳 副教授 一、研究背景与意义 随着垃圾分类制度在全国推行,高校作为人员密集、垃圾产量大的场所,分类准确率仍然偏低。我们在本校 3 个食堂和 6 栋宿舍楼开展了为期两周的抽样调查:投放点平均分类准确率仅为 61.4%,其中“其他垃圾”与“厨余垃圾”混投最为严重;42% 的受访同学表示“不确定某些物品属于哪一类”。人工督导成本高、覆盖时段有限,因此需要一种低成本、能自动识别垃圾类别并实时提示的辅助系统。 本课题的意义在于:(1)把图像识别技术落地到真实校园场景,帮助同学正确投放;(2)为后勤部门提供投放数据统计,辅助管理决策;(3)探索轻量化模型在边缘设备上的部署方案。 二、国内外研究现状 1. 传统方法:早期研究多采用 SIFT、HOG 等手工特征配合 SVM 分类,在背景简单的数据集上准确率约 60%–75%,对光照和遮挡比较敏感。 2. 深度学习方法:以卷积神经网络为代表的方法显著提升了识别精度。在常用的公开垃圾图像数据集(6 类、约 2500 张)上,ResNet、DenseNet 等模型的准确率可达 90% 以上。 3. 轻量化与部署:MobileNet、ShuffleNet、EfficientNet 等轻量网络使模型可以运行在手机和嵌入式设备上,但多数研究停留在公开数据集层面,缺少针对校园真实投放场景的数据与完整系统实现。 4. 存在的问题:公开数据集的类别划分与我国四分类标准不一致;图片多为单一物体、纯色背景,与实际投放场景差距较大。 三、研究内容与技术路线 1. 构建符合国家四分类标准(可回收物、有害垃圾、厨余垃圾、其他垃圾)的校园垃圾图像数据集; 2. 以 MobileNetV3 为基础,引入注意力机制与迁移学习,训练轻量化识别模型; 3. 设计并实现“拍照识别 + 投放提示 + 数据统计”的完整系统; 4. 在嵌入式开发板与手机端进行部署测试。 技术路线:需求调研 → 数据采集与标注 → 模型选型与训练 → 模型压缩与部署 → 系统开发 → 实地测试与评估。 四、系统设计 系统采用“边缘端 + 服务端 + 应用端”三层架构: (1)感知层:在投放点安装一块四核 ARM 嵌入式开发板和 USB 摄像头,同学把垃圾对准摄像头,设备在本地完成推理,并通过语音和屏幕提示类别; (2)服务层:后端基于 Python Web 框架搭建,提供识别接口、用户管理与数据上报接口,数据存储使用关系型数据库; (3)应用层:手机小程序供同学拍照查询、查看环保积分;Web 管理后台供后勤老师查看各投放点的识别次数、类别分布与误投趋势。 主要功能模块:图像识别模块、投放提示模块、积分激励模块、统计分析模块。 五、数据集与模型 1. 数据集:在校内食堂、宿舍、教学楼采集图像 12,860 张,覆盖 4 大类 32 小类常见垃圾(如外卖餐盒、奶茶杯、电池、果皮、纸巾等),按 7:2:1 划分为训练集、验证集和测试集。为模拟真实场景,约 40% 的图片包含手持、遮挡与复杂背景。 2. 数据增强:随机裁剪、旋转、色彩抖动、Mixup,并对样本较少的类别过采样,缓解类别不均衡(有害垃圾样本仅占 6%)。 3. 模型改进:以 MobileNetV3-Large 为主干网络,在倒残差模块中引入 CBAM 注意力;使用 ImageNet 预训练权重进行迁移学习;损失函数采用标签平滑交叉熵。 4. 训练设置:输入尺寸 224×224,批大小 64,初始学习率 0.001,余弦退火策略,共训练 120 轮。 六、实验结果 表 1 不同模型在自建测试集上的对比 模型|Top-1 准确率|参数量|开发板单张推理时间 ResNet50|93.1%|25.6M|812 ms EfficientNet-B0|92.4%|5.3M|365 ms MobileNetV3-Large(基线)|90.2%|5.4M|148 ms 本文方法(MobileNetV3 + CBAM)|93.6%|5.6M|156 ms 表 2 消融实验(相对基线的准确率提升) 迁移学习 +3.8%;数据增强 +2.1%;CBAM 注意力 +1.5%;标签平滑 +0.4%。 各类别识别准确率:可回收物 95.2%,有害垃圾 91.7%,厨余垃圾 94.8%,其他垃圾 91.3%。主要误识别发生在“沾有油污的纸巾、餐盒”与“其他垃圾”之间。 实地测试:在 2 个投放点试运行 4 周,累计识别 3,416 次,投放点分类准确率由 61.4% 提升至 83.9%;问卷显示 87% 的同学认为系统“有帮助”。 七、结论与不足 结论:(1)构建了一个贴近校园真实场景的四分类垃圾图像数据集;(2)改进后的 MobileNetV3 模型在保持轻量的同时,准确率比基线提高 3.4 个百分点,推理时间仅增加 8 ms;(3)完成了从边缘设备到小程序、管理后台的完整系统,并通过实地试运行验证了效果。 不足:(1)数据集规模和类别仍有限,对少见垃圾的识别不够稳定;(2)夜间光照不足时准确率下降约 5 个百分点;(3)目前一次只能识别单个物品。 展望:引入目标检测实现多物体同时识别;结合称重传感器统计垃圾产生量;扩大数据采集范围,持续迭代模型。 八、致谢 感谢指导教师王芳副教授在选题、实验和论文写作过程中给予的悉心指导;感谢学校后勤处提供试点支持;感谢参与数据采集和问卷调查的同学们。恳请各位老师批评指正!