Python+CNN垃圾分类系统垃圾分类与处理建议系统 PyQt5界面+TensorFlow深度学习（建议收藏）✅

q_2917219673

759人浏览 · 2025-09-26 15:30:00

q_2917219673 · 2025-09-26 15:30:00 发布

博主介绍：✌全网粉丝50W+，前互联网大厂软件研发、集结硕博英豪成立软件开发工作室，专注于计算机相关专业项目实战6年之久，累计开发项目作品上万套。凭借丰富的经验与专业实力，已帮助成千上万的学生顺利毕业，选择我们，就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

1、2026年计算机专业毕业设计选题大全（建议收藏）✅

2、大数据、计算机专业选题（Python/Java/大数据/深度学习/机器学习）（建议收藏）✅

1、项目介绍

技术栈：Python语言、PyQt5、TensorFlow、CNN算法（卷积神经网络）、NumPy、OpenCV、Matplotlib、Mobilenet

研究背景：
环境污染问题日益严重，垃圾分类成为全球关注焦点。传统人工分类效率低、易出错，导致资源浪费与处理困难，亟需自动化、高精度的垃圾分类解决方案。

研究意义：
本系统基于卷积神经网络（CNN）技术，结合PyQt5图形界面，实现垃圾图片的自动识别与分类。用户上传图片后，系统通过预训练的CNN模型快速准确识别垃圾类型，并提供具体处理建议，助力垃圾分类普及与推广，预计分类准确率超90%，显著提升分类效率。

2、项目界面

（1）其他垃圾
在这里插入图片描述

（2）厨余垃圾
在这里插入图片描述

（3）其他垃圾
在这里插入图片描述

（4）有害垃圾
在这里插入图片描述

（5）其他垃圾
在这里插入图片描述

（6）厨余垃圾
在这里插入图片描述

3、项目说明

随着环境污染问题的日益严重，垃圾分类已成为全球关注的重要议题。传统的垃圾分类方法依赖人工识别和处理，效率低下且容易出错，导致分类不准确、资源浪费严重。尤其在日常生活中，居民常常因缺乏足够的分类知识或误操作而将不同种类的垃圾混合在一起，造成垃圾处理困难。此外，手动分类的工作量庞大，导致人员资源紧张和处理效率低下。为了解决这些问题，本系统采用卷积神经网络（CNN）技术，结合PyQt5图形界面，实现了垃圾图片的自动识别与分类。

系统功能与技术实现

1. 数据集准备与预处理

系统使用了垃圾分类数据集，包含厨余垃圾、其他垃圾、可回收物和有害垃圾四大类。数据集通过tf.keras.preprocessing.image_dataset_from_directory方法加载，自动划分为训练集和验证集。通过设置validation_split参数，确保数据划分的随机性和代表性，提升模型的训练效果。加载的数据集支持按批次进行训练，每个批次的大小由batch_size参数控制。最终，函数返回训练集和验证集的数据对象train_ds和val_ds，以及类别名称列表class_names，便于后续的模型训练和评估。

2. 模型训练

系统提供了两种模型训练选项：CNN模型和Mobilenet模型。CNN模型通过train_cnn.py脚本训练，利用卷积层、池化层和全连接层构建深度学习网络，能够自动提取图像特征并进行分类。Mobilenet模型通过train_mobilenet.py脚本训练，利用轻量级的MobileNet架构，在保持高准确率的同时，显著降低了模型的计算复杂度，适合在移动设备上运行。训练过程中，系统会记录训练集和验证集的准确率与损失变化曲线，并将结果保存在results目录下，便于用户分析模型性能。

3. 图形界面设计

系统前端使用PyQt5开发，提供了一个简洁直观的用户界面。用户可以通过点击“上传图片”按钮，将垃圾图片上传至系统。系统会自动调用预训练的CNN模型或Mobilenet模型，对上传的图片进行垃圾分类识别，并在界面上显示垃圾的类别名称和相应的处理方法。此外，系统还提供了详细的分类介绍，帮助用户更好地理解不同垃圾的处理方式。界面设计注重用户体验，操作简便，结果展示清晰明了。

4. 测试与评估

系统通过testmodel.py脚本对训练好的模型进行评估，测试两组模型在验证集上的准确率。测试结果显示，CNN模型和Mobilenet模型均能准确识别不同类型的垃圾，准确率均超过90%。系统还提供了详细的测试报告，包括每个类别的准确率、召回率和F1分数，帮助用户全面了解模型性能。此外，系统还支持用户自定义测试集，用户可以上传自己的垃圾图片进行测试，验证模型的泛化能力。

系统优势与应用场景

1. 高效准确

系统采用先进的卷积神经网络技术，能够快速准确地识别垃圾类型，减少人为错误，提高垃圾分类效率。通过深度学习算法，系统能够不断优化识别能力，适应不同场景下的垃圾图片。

2. 用户友好

系统界面简洁直观，操作简便，结果展示清晰明了。用户无需具备专业的深度学习知识，即可轻松使用系统进行垃圾分类识别。系统还提供了详细的分类介绍和处理建议，帮助用户更好地理解和执行垃圾分类。

3. 灵活扩展

系统支持多种模型训练选项，用户可以根据实际需求选择合适的模型进行训练。此外，系统还提供了详细的训练代码和测试脚本，方便用户进行模型优化和扩展。系统还支持用户自定义数据集，用户可以上传自己的垃圾图片进行训练和测试，提升模型的适应性。

4. 实时反馈

系统能够实时反馈识别结果，为用户提供即时的分类建议。用户可以即时了解垃圾的类别和处理方法，提高垃圾分类的准确性和效率。

未来展望

尽管系统在垃圾分类识别方面取得了显著的成果，但仍存在一些改进空间。未来，我们将进一步优化模型结构，提高模型的准确率和泛化能力。我们还将增加更多的垃圾类别和处理方法，丰富系统的功能。此外，我们还将探索将系统部署到移动设备上，方便用户随时随地进行垃圾分类识别。我们相信，通过不断的技术创新和优化，本系统将为垃圾分类事业做出更大的贡献。

4、核心代码

import tensorflow as tf
from tensorflow.keras import layers, models

def build_cnn_model(IMG_SHAPE=(224, 224, 3), class_num=10):
    model = models.Sequential()
    
    # 数据预处理层
    model.add(layers.Rescaling(1./255, input_shape=IMG_SHAPE))
    
    # 第一层卷积层
    model.add(layers.Conv2D(32, (3, 3), activation='relu'))
    model.add(layers.MaxPooling2D((2, 2)))
    
    # 第二层卷积层
    model.add(layers.Conv2D(64, (3, 3), activation='relu'))
    model.add(layers.MaxPooling2D((2, 2)))
    
    # 展平层，将二维数据展平为一维
    model.add(layers.Flatten())
    
    # 全连接层
    model.add(layers.Dense(128, activation='relu'))
    
    # 输出层，使用 softmax 激活函数
    model.add(layers.Dense(class_num, activation='softmax'))
    
    # 编译模型
    model.compile(optimizer='adam',
                  loss='categorical_crossentropy',
                  metrics=['accuracy'])
    
    return model

import time
from tensorflow.keras.models import save_model

def train_and_save_model(epochs):
    # 记录开始时间
    start_time = time.time()

    # 加载数据集
    train_ds, val_ds, class_names = data_load()

    # 构建模型
    model = model_load()

    # 训练模型
    history = model.fit(train_ds, epochs=epochs, validation_data=val_ds)

    # 保存训练好的模型
    save_model(model, 'models/cnn_245_epoch30.h5')

    # 绘制损失和准确率曲线
    show_loss_acc(history)

    # 计算并打印总运行时间
    end_time = time.time()
    total_time = end_time - start_time
    print(f"Total training time: {total_time:.2f} seconds")