一、介绍
垃圾识别系统，使用Python作为主要开发语言，基于深度学习TensorFlow框架，搭建卷积神经网络算法。并通过对5种垃圾数据集进行训练，最后得到一个识别精度较高的模型。并基于Django，开发网页端操作平台，实现用户上传一张垃圾图片识别其名称。
二、效果展示
1683715790995-c2c08b9a-55ce-4f82-9694-cbb2bdcb186e
1683715801443-a7297e01-5292-4d1f-8e57-f4b21f02633c
1683715810211-3adff239-0c08-48b4-aced-f4b4df192be9三、演示视频 代码
视频 完整代码：https://www.yuque.com/ziwu/yygu3z/lwutss28pac54l3n
四、相关代码
代码语言：python代码运行次数：0复制def upload_img(request):
# 图片上传
file = request.FILES.get('file')
file_name = file.name
file_name = '{}.{}'.format(int(time.time()), str(file_name).rsplit('.')[-1])
with open(os.path.join(settings.MEDIA_ROOT, file_name), 'wb') as f:
for chunk in file.chunks():
f.write(chunk)
upload_url = request.build_absolute_uri(settings.MEDIA_URL file_name)
ImageCheck.objects.create(file_name=file_name, file_url=upload_url)
return JsonResponse({'code': 200, 'data': {'url': upload_url}})
def check_img(request):
# 图片检测
image_url = request.POST.get('img_url')
if not image_url:
return JsonResponse({'code': 400, 'message': '缺少必传的参数'})
image_name = image_url.rsplit('/')[-1]
image_path = os.path.join(settings.MEDIA_ROOT, image_name)
pred_name = check_handle(image_path)
obj = ImageCheck.objects.filter(file_name=image_name).last()
obj.check_result = pred_name
obj.save()
return JsonResponse({'code': 200, 'data': {'pred_name': pred_name}})五、实现步骤
● 首先收集需要识别的种类数据集
● 然后基于TensorFlow搭建ResNet50卷积神经网络算法模型，并通过多轮迭代训练，最终得到一个精度较高的模型，并将其保存为h5格式的本地文件。
● 基于Django开发网页端可视化操作平台
