项目介绍
本项目为一个基于深度学习的垃圾识别系统，旨在实现生活垃圾的智能分类识别与信息化管理。系统以前后端分离方式开发，前端采用 Vue3 与 Element Plus 构建交互界面，提供图片上传、识别结果展示、分类说明查询及历史记录查看等功能；后端采用 Flask 搭建轻量级服务接口，负责接收图片、调用模型推理并返回识别结果。算法部分基于 TensorFlow 框架实现，并采用 ResNet50 作为核心卷积神经网络模型，对常见垃圾类别进行训练与预测。用户可通过网页端上传垃圾图片，系统在较短时间内完成分类判断，并输出对应类别及处理建议。该系统将人工智能技术应用于垃圾分类场景，具有较强的实用性与演示价值，可为校园、社区等场景提供智能化辅助分类方案。
选题背景与意义
随着城市化进程加快和居民生活水平提升，生活垃圾产生量持续增长，垃圾分类已成为城市治理和生态环境保护中的重要环节。然而在实际推广过程中，公众常因分类标准复杂、垃圾种类辨识困难等问题，出现分类不准确、投放错误等现象，影响后续回收处理效率。传统依赖人工宣传与监督的方式存在成本高、覆盖有限、持续性不足等问题。基于深度学习的垃圾识别系统能够利用图像识别技术自动判断垃圾类别，为用户提供即时、直观的分类指导，从而降低分类门槛，提高参与积极性。
关键技术栈：resnet50
ResNet50 是一种经典的深度卷积神经网络模型，属于残差网络（Residual Network）系列，其核心思想是通过引入残差连接（Skip Connection）缓解网络加深后可能出现的梯度消失与训练退化问题。ResNet50 共约 50 层，能够在保持较强特征提取能力的同时兼顾训练稳定性与模型性能，广泛应用于图像分类、目标检测等计算机视觉任务。在本垃圾识别系统中，ResNet50 可作为基础特征提取网络，结合 TensorFlow 完成迁移学习训练：利用预训练权重加快收敛速度，并根据垃圾分类数据集对最后分类层进行调整，以适配具体类别数量。
