深度学习基于神经网络进行图像识别处理的智能垃圾分类系统源码，使用PyQt5进行界面设计，做了数据集并进行训练，使用神经网络进行图像识别处理。测试时识别准确率为百分百。 软件架构 软件架构说明 PyQt5做界面设计，采用多线程（树莓派CPU不够用）处理任务，主界面是主线程，后台神经网络识别、拍照等都在次线程里面。 使用说明gcxls文件夹里面是源码，train和val分别是我的训练数据集和验证数据集 深度学习基于神经网络进行图像识别处理的智能垃圾分类系统源码，使用PyQt5进行界面设计，做了数据集并进行训练，使用神经网络进行图像识别处理。测试时识别准确率为百分百。 软件架构 软件架构说明 PyQt5做界面设计，采用多线程（树莓派CPU不够用）处理任务，主界面是主线程，后台神经网络识别、拍照等都在次线程里面。 使用说明gcxls文件夹里面是源码，train和val分别是我的训练数据集和验证数据集

垃圾分类 数据集及代码下载链接： : 基于TensorFlow和Keras的智能垃圾分类系统，用于参加中国软件杯双创大赛。 一，安装运行项目所需的python模块，包括tensorflow | numpy | 喀拉拉邦| cv2 二，train.py用于训练垃圾分类模型，由于训练的数据量过多庞大，因此不一并上传 三，predict.py作为预测垃圾的类别，首先运行predict.py，然后输入需要预测的文件路径，即可得到结果。 四，双创大赛.zip中和外部文件的区别就是多了些比赛文档，里面有个人信息不能外传，希望不要再问我要密码了。 测试结果示例：

垃圾分类 一个智能垃圾分类系统 一，主要功能 对上传的垃圾图片进行识别，并返回分类结果（干垃圾，湿垃圾，有害垃圾，可回收垃圾） 二，实现原理 该垃圾分类项目采用深度学习-图像处理模块，采用的是顺序序贯模型，序贯模型是函数式模型的简略版，为最简单的线性，从头到尾的结构顺序，不分叉。模型的基本组件包括①model.add，添加层；②model.compile，模型训练的BP模式设置；③model.fit，模型训练参数设置+训练；④模型预测。 三，运行环境 的win10 + cuda9.1 + cudnn7 + tensorflow-gpu-1.12.0，pytorch1.4.0 + keras-2.2.4 四，关于库文件： 在运行项目的过程中，我们遇到了很多报错，很大一部分是各种各样的库文件，在实现这个项目前，需要配置好环境，并且文件的版本需要对应，否则也会出现多种的报错问题（一定程度的ten

大学生论文，基础设计，

智慧方案