简介面向计算机、自动化等相关专业学生及从业者的微信小程序毕设源码围绕垃圾分类自动识别场景提供按物品名称查询类别、按可回收/有害/厨余湿垃圾/其他干垃圾查看热搜榜单、上传图片自动识别垃圾类型及科普资讯等完整功能适合用于课程设计、大作业或毕业设计二次开发。项目基于微信开发者工具与天行数据接口实现代码经过严格调试评审分达95分整体结构包含页面展示、业务逻辑、数据请求与静态资源分层便于学习小程序原生框架、组件生命周期和第三方API鉴权调用。压缩包共34个文件以PNG/JPG图片素材、WXML/WXSS页面结构样式、JS/JSON逻辑与配置、MD项目说明为主整体仅158KB目录划分清晰。已有221人学习下载适合希望快速上手小程序前后端联调与垃圾分类业务落地的开发者。1. 垃圾识别类微信小程序为什么容易做“翻车”如果你搜过“微信小程序 垃圾分类 自动识别 源码”会发现这类毕设数量庞大但答辩时真正能跑通的不多。问题往往不出在模型而出在“小程序端怎么把图片送到后端”和“后端返回的结果怎么在小程序里正常渲染”这两条链路上。图片选不了、请求超时、识别结果和分类标准对不上这些才是现场演示的高频事故。本文按“识别方案选型 → 小程序端实现 → 后端接口与模型部署 → 验证与答辩准备”这条主线给你一套能复现、能讲清原理、也扛得住追问的完整做法核心代码可直接改成你自己的数据集和分类体系。2. 先想清楚这个自动识别到底识别什么、用哪种模型2.1 图像分类和物体检测的选型分水岭垃圾分类场景里“自动识别”本质上是给一张图片打标签。如果你的需求是“用户拍一张香蕉皮系统回答它属于厨余垃圾”这是一个典型的多分类图像任务用图像分类模型就够了。只有当需求变成“画面里同时有矿泉水瓶和纸团要把两个物体各自框出来并分别判断类别”时才需要 YOLO 这类目标检测模型。毕设源码里最常见的错误是动辄就上 YOLO训练成本高、数据标注量大、部署到移动端还慢。从答辩角度讲分类模型更容易把“准确率、损失曲线、混淆矩阵”讲透从工作量角度讲分类模型的训练代码更短调参空间更清晰。所以除非你的创新点明确是“多目标定位”否则我建议选分类方案模型用 MobileNetV2 或 ResNet18 这类轻量网络。别为了显得高级而选大模型微信小程序请求服务端做推理时响应时间比模型精度更影响演示效果。2.2 按厨余、可回收、有害、其他四类分还是按物品细类分分类体系的粒度直接决定标注难度和最终准确率。常见的做法是“两级结构”第一级是四分类厨余、可回收、有害、其他第二级是具体的物品类别比如香蕉皮、电池、纸箱。你的 App 里可以这样设计前端先展示识别到的最可能的物品名称再附带这个物品归属于哪一大类。这里有个关键决策第二级类别建议控制在 20 到 40 类之间。类别太少演示时用户随便拍个东西就识别失败体验很差类别太多数据收集和标注工作量会失控准确率也会明显下滑。你可以基于公开的垃圾分类数据集来起步这些数据集通常已经按物品分好了类但图片质量和背景差异较大需要在后面做清洗。2.3 用现成 API 还是自己训练模型这是另一个绕不开的选型。百度、阿里、腾讯都有现成的图像识别接口调用起来非常简单识别效果也稳定。但毕设答辩时评委大概率会问“模型是你自己训练的吗”如果你答不上来训练细节分数会打折扣。我的建议是识别模型自己训练但不必从零训练——用 ImageNet 预训练权重做迁移学习这在毕设里属于成熟且稳妥的做法既避免了训练不收敛的风险又能理直气壮地回答训练细节。3. 微信小程序端图片采集、预处理与结果渲染的完整实现3.1 页面结构与基础配置小程序端要做的事情有四件让用户选择或拍摄图片把图片压缩后传给后端接收后端返回的识别结果把结果以卡片形式展示出来。这里我直接给一个最小可跑的页面结构。假设你用的是原生微信小程序而不是 uniapp两者的逻辑相同只是 API 略有差异。先看index.wxml整体布局包括一个展示图片的区域、一个“拍照/选图”按钮以及一个结果卡片区域view classcontainer image wx:if{{imagePath}} src{{imagePath}} modeaspectFit classpreview/image view wx:else classplaceholder请选择或拍摄一张垃圾图片/view button typeprimary bindtapchooseImage拍照 / 从相册选择/button view wx:if{{result}} classresult-card text classitem-name物品{{result.item_name}}/text text classcategory分类{{result.category}}/text text classconfidence置信度{{result.confidence}}/text /view /view对应的index.js中核心逻辑是chooseImage和“上传到服务器”这两个函数。微信小程序的用户隐私授权策略经常调整所以使用wx.chooseMedia时要注意授权失败的回调分支。代码逻辑如下const app getApp() Page({ data: { imagePath: , result: null }, chooseImage() { wx.chooseMedia({ count: 1, mediaType: [image], sourceType: [album, camera], sizeType: [compressed], success: (res) { const tempFilePath res.tempFiles[0].tempFilePath this.setData({ imagePath: tempFilePath }) this.recognizeImage(tempFilePath) }, fail: (err) { wx.showToast({ title: 获取图片失败, icon: none }) } }) }, recognizeImage(filePath) { wx.showLoading({ title: 识别中... }) wx.uploadFile({ url: http://127.0.0.1:5000/predict, filePath: filePath, name: image, success: (res) { const data JSON.parse(res.data) this.setData({ result: data }) wx.hideLoading() }, fail: () { wx.hideLoading() wx.showToast({ title: 请求失败, icon: none }) } }) } })3.2 参数细节sizeType、count、sourceType 分别管什么上面这段代码里有几个参数值得单独说明答辩时也常被问到count: 1表示最多选一张图放在这个场景里是合理的如果你想支持“一次拍多张、批量识别”可以改成更大的值但结果展示区域要做成列表。sourceType: [album, camera]表示相册和拍照都可以。如果只保留camera模拟器上没法测因为开发者工具模拟器没有真实的摄像头。sizeType: [compressed]让微信先做一次压缩通常能压到几百 KB这对后端的传输速度很有帮助。但要注意compressed压缩的是分辨率而不是画质压缩后的图片可能仍然有 1000 像素左右的宽高对分类模型来说已经够用如果你的模型输入是 224x224最好在后端再做一次缩放而不是完全依赖前端压缩。3.3 一个关键的坑本地调试的域名校验问题在小程序开发者工具里如果直接请求http://127.0.0.1:5000默认会报“不合法域名”或“不在以下 request 合法域名列表中”。这是因为小程序的 request/uploadFile 都要求域名必须是 HTTPS且在小程序管理后台配置过白名单。本地调试时你可以在开发者工具的“详情 → 本地设置”里勾选“不校验合法域名、web-view(业务域名)、TLS 版本以及 HTTPS 证书”。但有个前提这只能在开发版和体验版里生效。如果你想让别人扫码体验就必须把后端部署到一台有公网地址的服务器上并配置 HTTPS 证书。很多毕设演示翻车就是因为这个校验问题在答辩机器上突然弹出。如果用 uniapp 开发你会在manifest.json的 h5 配置里设置代理但发布到微信小程序时同样绕不开这个限制。3.4 顶部导航栏和页面适配微信小程序的顶部导航栏高度不是固定值它由状态栏高度加上导航栏本身的高度组成不同手机的系统状态栏高度不同。常见做法是调用wx.getWindowInfo()获取statusBarHeight然后动态设置自定义导航栏的padding-top。如果不想处理这套适配就用默认导航栏把navigationStyle保持默认这样最省事也不会在体验上出大问题。这个细节在答辩时主动提一句能体现你踩过真机适配的坑。4. 后端与模型部署把训练好的模型变成可调用的接口4.1 模型训练的最小闭环训练部分我直接给出一个用 PyTorch 和 MobileNetV2 做迁移学习的完整流程。你可以把它改造成自己的训练脚本数据集的目录结构按train/glass/、train/paper/这种形式组织每个子目录是一种物品类别。核心代码如下import torch import torch.nn as nn import torch.optim as optim from torchvision import datasets, transforms, models transform transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) # 10 个类别改成你自己的类别数 train_dataset datasets.ImageFolder(data/train, transformtransform) train_loader torch.utils.data.DataLoader(train_dataset, batch_size32, shuffleTrue, num_workers4) model models.mobilenet_v2(weightsmodels.MobileNet_V2_Weights.IMAGENET1K_V1) model.classifier[1] nn.Linear(model.last_channel, 10)这段代码里Resize(256)和CenterCrop(224)的组合是 ImageNet 预训练模型的标准做法先把短边缩放到 256再裁剪中心 224x224 的区域。这样得到的图片比直接拉伸更不容易失真。weightsmodels.MobileNet_V2_Weights.IMAGENET1K_V1会下载预训练权重没有网络的环境会报错所以训练机的网络要提前准备好。DataLoader里的batch_size32是一个比较保守的值如果你的显存只有 4GB建议改成 16如果显存有 12GB 以上可以调到 64。shuffleTrue必须在训练时开启否则每个 epoch 里的样本顺序相同会影响梯度更新的随机性。4.2 训练配置与损失曲线观察点损失函数用交叉熵优化器用 Adam学习率设1e-4是常见起点。注意迁移学习场景下预训练层的学习率不宜设太大否则会把之前学到的特征破坏掉。可以采用“分层学习率”新加的classifier层用1e-3前面的特征提取层用1e-4。PyTorch 的实现方式是把参数分组分别传入优化器。训练 20 到 30 个 epoch 通常足够收敛因为预训练模型已经很强你需要做的只是把通用特征映射到垃圾类别上去。训练过程中要在每个 epoch 结束后记录训练损失和验证集准确率。如果训练损失持续下降但验证准确率不升说明过拟合需要加数据增强或 Dropout如果两个都不动先检查数据路径是否读取正确再确认是否用了预训练权重。这里我通常会写一个小的验证函数每个 epoch 跑一遍验证集并打印准确率和混淆矩阵方便观察哪些类别最容易被混淆。4.3 导出模型并用 Flask 提供 HTTP 接口训练完成后把 PyTorch 模型导出为 TorchScript或者直接用 Flask 加载.pth权重文件。TorchScript 的优点是推理速度更快且不依赖原来的 Python 类定义。导出命令如下model.eval() example_input torch.randn(1, 3, 224, 224) traced_model torch.jit.trace(model, example_input) traced_model.save(garbage_model.pt)然后写一个 Flask 应用接收小程序上传的图片做和训练时相同的预处理把结果以 JSON 返回。这里要注意torch.jit.trace对输入尺寸敏感所以前后端必须约定图片调到 224x224如果图片尺寸变化过大trace 出来的模型会报错。Flask 端的接口实现如下from flask import Flask, request, jsonify from PIL import Image import torchvision.transforms as transforms import torch app Flask(__name__) model torch.jit.load(garbage_model.pt) model.eval() class_names [电池, 纸箱, 香蕉皮, 塑料瓶] # 改成你的类别映射 transform transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) app.route(/predict, methods[POST]) def predict(): file request.files[image] img Image.open(file.stream).convert(RGB) img_tensor transform(img).unsqueeze(0) with torch.no_grad(): outputs model(img_tensor) probs torch.softmax(outputs, dim1) conf, idx torch.max(probs, 1) return jsonify({ item_name: class_names[idx.item()], confidence: round(conf.item(), 4) }) if __name__ __main__: app.run(host0.0.0.0, port5000)4.4 参数与异常场景说明request.files[image]的 key 必须和小程序端wx.uploadFile里的name: image完全一致否则后端拿不到文件。host0.0.0.0表示监听所有网络接口这样同一局域网内的小程序开发者工具或真机都可以访问到。如果你只在本地用127.0.0.1手机真机是连不上的。推理时用torch.no_grad()包裹是必须的它关闭了梯度计算能显著减少显存占用并加快推理速度。torch.max(probs, 1)返回的是概率最大的值和索引索引对应的就是class_names里的类别。如果返回的置信度一直很高但类别不对多半是class_names的顺序和训练时ImageFolder的类别顺序不一致。这个 bug 非常隐蔽因为ImageFolder是按文件夹名字母顺序排序的你需要把数据集的class_to_idx打印出来核对。另外建议加一个置信度阈值判断。比如conf 0.6时返回“无法确定请重新拍摄”这比硬给一个错误答案更得体答辩时也是加分的点。阈值设多少要看验证集上的表现我一般会看错误样本的置信度分布挑一个能明显区分正确和错误样本的值。5. 答辩演示与验证用混淆矩阵和边界样例把项目讲扎实5.1 离线批量评估脚本在给评委演示之前先做一次离线评估。准备一批训练时没见过的图片跑一遍你的模型统计每类的准确率和混淆矩阵。下面给一个简单的评估脚本import torch from torchvision import datasets, transforms def evaluate(model, dataloader): model.eval() correct 0 total 0 with torch.no_grad(): for inputs, labels in dataloader: outputs model(inputs) _, predicted torch.max(outputs, 1) total labels.size(0) correct (predicted labels).sum().item() print(fAccuracy: {100 * correct / total:.2f}%)答辩时拿出这个数字再辅以每类的准确率列表比口头说“效果很好”要有说服力得多。如果某几个类别准确率特别低比如“塑料瓶”和“玻璃瓶”经常互相认错提前想好原因它们外观相似、数据集里样本数量不均衡、拍摄角度影响了特征提取。只要能自圆其说这反而是展示你理解模型局限性的机会。5.2 带着“边界样例”去现场建议提前准备五到六张测试图覆盖三种情况清晰标准图100% 确定能识别对、模糊图或光照不足图模型可能识别错、多物体叠放图分类任务本身不擅长处理、完全无关的图比如桌面、书本、以及一个“应该触发低置信度提示”的图。现场演示时按顺序展示。第一张图展示流畅的识别体验第三四张图主动问评委“这类情况为什么难”然后解释单标签分类模型天然假设图片里只有一个主体多物体场景应该用检测方案这是本设计的边界。这种叙述比回避问题效果好得多评委通常能从中看出你对任务本质有判断。最后一章里再把“置信度低于阈值时给出提示”这个逻辑展示一遍说明这不是模型没训练好而是系统设计里刻意加的保护机制。整个演示节奏控制在十分钟左右既有高光也有深度打分时往往比那些“演示全对但讲不出为什么”的项目更有优势。本文还有配套的精品资源点击获取