数据集地址：通过网盘分享的文件：垃圾图片数据集.zip 链接: https://pan.baidu.com/s/1PqwIYMdh0XDeroKeoz_sXQ 提取码: qj5s

# 垃圾分类识别系统

基于 **PyTorch + Flask** 的垃圾分类识别 Web 应用，支持图片上传、实时分类、历史记录查看及用户反馈收集。系统集成了多种 CNN 模型（ResNet、VGG、MobileNetV2）并使用 SQLite 进行数据存储。

---

## 功能

1. **垃圾图片上传分类**
   - 支持用户上传图片，系统返回预测类别及置信度。
   - 显示类别描述、示例及颜色标识。

2. **历史记录管理**
   - 自动保存每次分类结果，包括图片路径、预测类别、置信度及所有类别概率。
   - 提供历史记录查询接口及网页显示。

3. **用户反馈收集**
   - 用户可以对分类结果进行反馈（正确或错误）。
   - 保存反馈信息用于后续模型优化。

4. **统计信息**
   - 提供总分类次数、各类别分布、反馈统计等数据。

---

## 项目结构

garbage_classification/ │ ├─ app.py # Flask主应用文件 ├─ best_model.pth # 训练好的PyTorch模型 ├─ garbage_classifier.db # SQLite数据库（运行时生成） ├─ templates/ │ ├─ index.html # 主页面模板 │ └─ history.html # 历史记录页面模板 ├─ static/ │ └─ history_images/ # 保存历史上传图片 └─ README.md

---

使用方法

1. 准备模型

将训练好的模型文件 best_model.pth 放置在项目根目录。支持的模型：

• ResNet18
• ResNet50
• VGG16
• MobileNetV2（默认）

2. 启动 Flask 应用

python app.py

系统将自动：

• 创建数据库 garbage_classifier.db 并初始化表结构
• 创建历史图片文件夹 static/history_images/
• 加载训练好的模型
• 启动 Web 服务（默认端口 5000）

3. 访问网页

• 分类主页面: http://localhost:5000
• 历史记录页面: http://localhost:5000/history

---

API接口说明

1. 图片预测

• URL: /predict
• 方法: POST
• 参数: 文件参数 file（图片）
• 返回:

{
  "class_id": 1,
  "class_name": "可回收物",
  "confidence": 95.23,
  "all_probabilities": {
    "厨余垃圾": 2.3,
    "可回收物": 95.23,
    "其他垃圾": 1.2,
    "有害垃圾": 1.27
  },
  "class_info": {
    "color": "#2196F3",
    "description": "适宜回收和资源利用的废弃物",
    "examples": "纸类、塑料、玻璃、金属、织物等"
  },
  "image": "data:image/jpeg;base64,...",
  "record_id": 12
}

---

2. 提交反馈

• URL: /feedback
• 方法: POST
• 参数（JSON）:

{
  "classification_id": 12,
  "feedback_type": "correct",
  "correct_class": "其他垃圾",
  "comment": "分类错误示例"
}

• 返回:

{
  "status": "success",
  "message": "感谢您的反馈！"
}

---

3. 获取历史记录

• URL: /api/history
• 方法: GET
• 参数: limit（可选，默认 50）
• 返回:

{
  "status": "success",
  "data": [
    {
      "id": 12,
      "timestamp": "2025-10-30T10:00:00",
      "image_path": "static/history_images/20251030_100000_123456.jpg",
      "predicted_class": "可回收物",
      "confidence": 95.23,
      "all_probabilities": { ... }
    }
  ]
}

---

4. 获取统计信息

• URL: /api/statistics
• 方法: GET
• 返回:

{
  "status": "success",
  "data": {
    "total_classifications": 150,
    "class_distribution": {
      "厨余垃圾": 50,
      "可回收物": 70,
      "其他垃圾": 20,
      "有害垃圾": 10
    },
    "correct_feedback": 120,
    "incorrect_feedback": 5
  }
}

---

数据库结构

classification_history

字段	类型	描述
id	INTEGER	主键
timestamp	TEXT	分类时间
image_path	TEXT	图像路径
predicted_class	TEXT	模型预测类别
confidence	REAL	分类置信度
all_probabilities	TEXT	所有类别概率（JSON字符串）
user_ip	TEXT	用户IP

feedback

字段	类型	描述
id	INTEGER	主键
classification_id	INTEGER	对应的分类记录ID
timestamp	TEXT	反馈时间
feedback_type	TEXT	'correct' 或 'incorrect'
correct_class	TEXT	用户提供的正确类别
comment	TEXT	用户评论
user_ip	TEXT	用户IP

---

模型与图像预处理

• 输入图像大小：128×128
• 归一化参数：mean=[0.485,0.456,0.406]，std=[0.229,0.224,0.225]
• 输出类别：

类别编号	类别名称
0	厨余垃圾
1	可回收物
2	其他垃圾
3	有害垃圾

• 可替换模型：resnet18 / resnet50 / vgg16 / mobilenetv2

---

注意事项

1. 模型文件必须存在，否则应用无法启动。
2. 支持最大上传文件大小 16MB。
3. 图片将自动保存到 static/history_images/，用于历史记录展示。
4. 推荐在 GPU 环境下运行以加速推理。