毕业设计：基于YOLO+DeepSeek垃圾分类检测系统（源码）
目录
毕业设计：基于SpringBoot的学生选课管理系统（源码+文档）
毕业设计：基于学术知识图谱的检索系统（源码+二次扩展）
毕业设计：基于python+flask的动漫推荐系统（源码）
毕业设计：基于python+flask的宠物用品商城（源码）毕业设计：基于Spark和Hive的抖音大数据可视化分析（源码）
毕业设计：基于Spark和springboot的共享单车数据存储系统（源码）
毕业设计：基于vue+springboot的留守儿童管理平台（源码）
毕业设计：基于springboot+vue的智慧公交管理系统（源码）毕业设计：基于YOLO+DeepSeek行人车辆多目标检测系统（源码）
毕业设计：基于YOLO+deepseek的表情/情绪分析系统（源码）
毕业设计：基于YOLO+DeepSeek垃圾分类检测系统（源码）毕业设计：基于YOLOV8+DeepSeek苹果叶片病害检测系统（源码）
毕业设计：基于YOLO+Pytorch的海洋生物检测系统（源码）
毕业设计：基于springAi+vue的非遗数字文化馆（源码）
毕业设计：基于SpringBoot+Vue的奶茶点单系统（源码）
毕业设计：基于SpringBoot3+Vue3的电影院购票系统（源码）
一、项目背景
随着城市化进程的加速和人口持续增长，生活垃圾产生量呈爆发式增长。据统计，全球每年产生超过20亿吨城市固体废物，若不加以有效管控，这一数字预计到2050年将增至34亿吨。垃圾分类作为资源循环利用的关键环节，对于缓解环境压力、推动可持续发展具有重要意义。然而，传统垃圾分类主要依赖人工分拣，存在效率低下、劳动强度大、分类标准不统一等问题，难以满足大规模推广的需求。
近年来，人工智能技术的突破为垃圾分类提供了新的解决方案。计算机视觉领域的YOLO系列算法凭借其优异的实时检测性能，已在垃圾识别任务中展现出巨大潜力。同时，以大语言模型为代表的生成式AI技术正加速赋能传统行业转型。值得关注的是，北京市东城区崇外街道已于2025年率先将DeepSeek人工智能系统应用于垃圾桶站管理，通过AI视频分析实时监测垃圾桶满溢、垃圾暴露等问题，创新打造“人工+智能”垃圾分类双轮驱动模式。广州市白云区则采用“5G+AI”技术，在近2000个垃圾分类投放点部署智能监控系统，实现垃圾落地、满溢等违规行为的自动识别与预警，日均预警处置效率提升70%。这些实践表明，AI技术正在从单纯的图像识别向全链条智慧管理演进。
基于此，本课题提出一种融合YOLO目标检测与DeepSeek大语言模型的垃圾分类检测系统。系统利用YOLO算法对生活垃圾进行实时定位与初步分类，在此基础上引入DeepSeek大模型进行深度分析：一方面，针对受污染物品、复合材料等复杂场景，结合知识库对分类结果进行校正与推理；另一方面，为用户提供分类依据、处理建议及相关环保知识。这种“视觉识别+认知推理”的双引擎架构，不仅能够提升分类的准确性与可解释性，更探索了计算机视觉与大语言模型在环保领域的协同应用路径，为智慧环卫建设提供新的技术方案。
二、技术介绍
本系统基于YOLOv8目标检测框架与大语言模型技术，构建了一套智能化、多模态的垃圾分类检测平台。系统后端采用SpringBoot微服务架构与MyBatis-Plus持久层框架，前端基于Vue3组合式API开发，结合TypeScript与Element-Plus组件库，实现界面美观、交互流畅的用户体验。通过ECharts可视化库对检测结果进行多维度统计分析，支持主题色、布局样式及组件大小的个性化定制，满足不同用户群体的使用偏好。
在核心检测能力上，系统集成YOLOv8深度学习模型，基于PyTorch框架训练了包含14964张标注图像的四分类数据集，涵盖可回收垃圾、厨余垃圾、有害垃圾及其他垃圾四大类别。模型经过300轮次迭代训练，在精度与召回率上达到实用化水平。系统支持四种检测模式：单图检测、文件夹批量检测、视频流检测及实时摄像头检测，其中批量检测结果可一键导出为结构化PDF检测报告，便于用户存档与追溯。
系统的创新之处在于引入DeepSeek与Qwen双大语言模型引擎，对YOLO初步检测结果进行深度分析与知识增强。针对复杂场景如受污染包装、复合材料等，大模型结合内置环保知识库进行推理校正，并提供分类依据、处理指南及环保建议。通过Flask框架构建AI服务中间层，实现检测结果向自然语言建议的智能转换，显著提升了系统的可解释性与教育价值。
系统采用前后端分离架构，前端通过Axios与后端API交互。在用户管理方面，基于RBAC权限模型设计了管理员与普通用户双角色体系：管理员可查看全量检测记录、管理用户信息及系统配置；普通用户仅能访问个人检测历史，保障数据隐私。数据库采用MySQL存储用户信息、检测记录及建议日志，通过MyBatis-Plus实现高效数据访问。
本技术方案实现了计算机视觉与大语言模型的深度融合，不仅提供了高精度的垃圾识别能力，更通过知识增强赋予系统教育指导功能，为智慧环保领域探索了AI技术落地的创新路径。
三、功能介绍
亮点：
【结合Deepseek，Qwen】
【可以上传文件夹批量检测，可以导出图片检测结果为PDF文件】
【附赠垃圾厨余等四类检测YOLO数据集模型14964张 4类，yolov8 300epoch训练好的模型】
可以实现检测图片、批量检测图片、视频检测、摄像头检测四种方式。
能够检测出[“可回收垃圾”, “厨余垃圾”, “有害垃圾”, “其他垃圾”]4种检测情况。
结合DeepSeek、Qwen等大模型对检测结果给出相关建议，并可将检测报告导出为PDF文件。另外添加可视化界面对检测结果进行可视化显示。 技术栈使用YOLO、DeepSeek、Qwen、Pytorch、SpringBoot、MyBatis-Plus、Vue3、Echarts、Ts、element-plus、Flask、Axios、MySQL等技术。 系统还支持分用户管理。分为管理员和普通用户，管理员可查看所有记录，并管理用户。普通用户只可查看自己的记录。 界面简洁、美观。支持主题色修改、布局样式修改、组件大小修改等。
四、系统实现
欢迎加入DeepSeek 技术社区。在这里，你可以找到志同道合的朋友，共同探索AI技术的奥秘。
更多推荐
11
0- 0
已为社区贡献5条内容
所有评论(0)