Java+MySQL实战：智能垃圾分类督导系统（图像识别+积分奖励机制）

下面我将详细介绍一个基于Java和MySQL的智能垃圾分类督导系统的完整设计方案，包含图像识别功能和积分奖励机制。

一、系统架构设计

1. 技术栈

  • ​​前端​​：JavaFX/Spring Boot + Thymeleaf 或 Vue.js
  • ​​后端​​：Spring Boot + Spring MVC + Spring Security
  • ​​图像识别​​：OpenCV + TensorFlow/PyTorch（Java调用Python服务）
  • ​​数据库​​：MySQL 8.0
  • ​​其他​​：Redis（缓存）、RabbitMQ（消息队列）

2. 系统模块

智能垃圾分类督导系统
├── 用户管理模块
├── 垃圾分类识别模块
├── 积分管理模块
├── 数据统计模块
├── 消息通知模块
└── 系统管理模块

二、数据库设计

1. 主要表结构

用户表(users)
CREATE TABLE users (
    user_id INT AUTO_INCREMENT PRIMARY KEY,
    username VARCHAR(50) NOT NULL UNIQUE,
    password VARCHAR(100) NOT NULL,
    real_name VARCHAR(50),
    phone VARCHAR(20),
    email VARCHAR(100),
    avatar VARCHAR(255),
    total_points INT DEFAULT 0,
    level INT DEFAULT 1,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP
);
垃圾分类表(garbage_categories)
CREATE TABLE garbage_categories (
    category_id INT AUTO_INCREMENT PRIMARY KEY,
    category_name VARCHAR(50) NOT NULL UNIQUE,
    description TEXT,
    icon VARCHAR(255)
);
垃圾投放记录表(disposal_records)
CREATE TABLE disposal_records (
    record_id INT AUTO_INCREMENT PRIMARY KEY,
    user_id INT NOT NULL,
    category_id INT NOT NULL,
    image_path VARCHAR(255) NOT NULL,
    weight DECIMAL(10,2),
    points_earned INT NOT NULL,
    disposal_time TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    status ENUM('pending', 'approved', 'rejected') DEFAULT 'pending',
    FOREIGN KEY (user_id) REFERENCES users(user_id),
    FOREIGN KEY (category_id) REFERENCES garbage_categories(category_id)
);
积分记录表(point_records)
CREATE TABLE point_records (
    record_id INT AUTO_INCREMENT PRIMARY KEY,
    user_id INT NOT NULL,
    points_change INT NOT NULL,
    change_type ENUM('disposal', 'exchange', 'admin', 'other'),
    related_id INT,
    description VARCHAR(255),
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    FOREIGN KEY (user_id) REFERENCES users(user_id)
);

三、核心功能实现

1. 图像识别模块

Java调用Python图像识别服务
// Python服务调用示例
public class ImageRecognitionService {
    private static final String PYTHON_SERVICE_URL = "http://localhost:5000/recognize";
    
    public String recognizeGarbage(MultipartFile imageFile) {
        try {
            // 构建请求
            HttpHeaders headers = new HttpHeaders();
            headers.setContentType(MediaType.MULTIPART_FORM_DATA);
            
            MultiValueMap<String, Object> body = new LinkedMultiValueMap<>();
            body.add("image", new ByteArrayResource(imageFile.getBytes()) {
                @Override
                public String getFilename() {
                    return imageFile.getOriginalFilename();
                }
            });
            
            HttpEntity<MultiValueMap<String, Object>> requestEntity = new HttpEntity<>(body, headers);
            
            // 发送请求
            RestTemplate restTemplate = new RestTemplate();
            ResponseEntity<String> response = restTemplate.postForEntity(
                PYTHON_SERVICE_URL, requestEntity, String.class);
            
            return response.getBody();
        } catch (Exception e) {
            throw new RuntimeException("图像识别服务调用失败", e);
        }
    }
}
Python图像识别服务（Flask实现）
from flask import Flask, request, jsonify
import cv2
import numpy as np
from tensorflow.keras.models import load_model

app = Flask(__name__)
model = load_model('garbage_classifier.h5')
categories = ['可回收物', '有害垃圾', '厨余垃圾', '其他垃圾']

@app.route('/recognize', methods=['POST'])
def recognize():
    if 'image' not in request.files:
        return jsonify({'error': 'No image provided'}), 400
    
    file = request.files['image']
    img = cv2.imdecode(np.frombuffer(file.read(), np.uint8), cv2.IMREAD_COLOR)
    img = cv2.resize(img, (224, 224))
    img = img / 255.0
    img = np.expand_dims(img, axis=0)
    
    pred = model.predict(img)
    category_idx = np.argmax(pred)
    
    return jsonify({
        'category': categories[category_idx],
        'confidence': float(pred[0][category_idx])
    })

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000)

2. 积分奖励机制

积分计算服务
@Service
public class PointService {
    @Autowired
    private PointRecordRepository pointRecordRepository;
    
    @Autowired
    private GarbageCategoryRepository categoryRepository;
    
    @Transactional
    public void awardPoints(User user, GarbageCategory category, Double weight) {
        // 计算基础积分
        int basePoints = category.getBasePoints();
        int additionalPoints = (int) (weight * category.getPointsPerKg());
        int totalPoints = basePoints + additionalPoints;
        
        // 更新用户总积分
        user.setTotalPoints(user.getTotalPoints() + totalPoints);
        
        // 记录积分变化
        PointRecord record = new PointRecord();
        record.setUser(user);
        record.setPointsChange(totalPoints);
        record.setChangeType(PointChangeType.DISPOSAL);
        record.setDescription("垃圾分类投放奖励");
        
        pointRecordRepository.save(record);
    }
    
    // 其他积分操作方法...
}
积分兑换商品
@RestController
@RequestMapping("/api/points")
public class PointController {
    @Autowired
    private PointService pointService;
    
    @PostMapping("/exchange")
    public ResponseEntity<?> exchangePoints(@RequestBody ExchangeRequest request) {
        try {
            pointService.exchangePoints(request.getUserId(), request.getItemId());
            return ResponseEntity.ok("兑换成功");
        } catch (InsufficientPointsException e) {
            return ResponseEntity.badRequest().body(e.getMessage());
        }
    }
    
    // 其他积分相关API...
}

3. 垃圾分类记录处理

@Service
public class DisposalService {
    @Autowired
    private DisposalRecordRepository recordRepository;
    
    @Autowired
    private ImageRecognitionService recognitionService;
    
    @Autowired
    private PointService pointService;
    
    @Transactional
    public DisposalRecord processDisposal(MultipartFile imageFile, User user) {
        // 1. 图像识别
        String categoryName = recognitionService.recognizeGarbage(imageFile);
        GarbageCategory category = categoryRepository.findByName(categoryName)
            .orElseThrow(() -> new RuntimeException("未知垃圾类别"));
        
        // 2. 保存记录
        DisposalRecord record = new DisposalRecord();
        record.setUser(user);
        record.setCategory(category);
        record.setImagePath(saveImage(imageFile));
        record.setStatus(DisposalStatus.PENDING);
        
        // 3. 管理员审核后发放积分
        // 实际项目中可以通过消息队列异步处理
        if (autoApproveEnabled()) {
            approveRecord(record);
        }
        
        return recordRepository.save(record);
    }
    
    private void approveRecord(DisposalRecord record) {
        record.setStatus(DisposalStatus.APPROVED);
        pointService.awardPoints(record.getUser(), record.getCategory(), record.getWeight());
        recordRepository.save(record);
        
        // 发送通知
        notificationService.sendDisposalApproved(record.getUser(), record);
    }
}

四、系统特色功能

1. 智能识别优化

  • 支持多物品识别，给出混合垃圾的分类建议
  • 识别置信度低于阈值时自动转人工审核
  • 用户反馈机制优化模型

2. 积分激励机制

  • 每日首次分类奖励翻倍
  • 连续打卡额外奖励
  • 积分排行榜和等级系统
  • 积分兑换实物商品或优惠券

3. 数据可视化

@RestController
@RequestMapping("/api/stats")
public class StatisticsController {
    @Autowired
    private DisposalRecordRepository recordRepository;
    
    @GetMapping("/user/{userId}")
    public UserStats getUserStats(@PathVariable Long userId) {
        UserStats stats = new UserStats();
        
        // 分类统计
        stats.setCategoryStats(recordRepository.countByUserGroupByCategory(userId));
        
        // 时间趋势
        stats.setWeeklyTrend(recordRepository.countLastWeekDaily(userId));
        
        // 积分变化
        stats.setPointHistory(pointService.getPointHistory(userId));
        
        return stats;
    }
    
    @GetMapping("/community")
    public CommunityStats getCommunityStats() {
        // 社区分类数据、排名等
    }
}

五、部署方案

1. 开发环境

  • JDK 11+
  • MySQL 8.0
  • Python 3.7+ (图像识别服务)
  • Redis (缓存和会话管理)

2. 生产环境部署

# docker-compose.yml 示例
version: '3'

services:
  app:
    build: .
    ports:
      - "8080:8080"
    depends_on:
      - db
      - redis
      - python-service
    environment:
      SPRING_DATASOURCE_URL: jdbc:mysql://db:3306/garbage_db
      SPRING_REDIS_HOST: redis

  db:
    image: mysql:8.0
    environment:
      MYSQL_ROOT_PASSWORD: rootpass
      MYSQL_DATABASE: garbage_db
      MYSQL_USER: appuser
      MYSQL_PASSWORD: apppass
    volumes:
      - db_data:/var/lib/mysql

  redis:
    image: redis:alpine

  python-service:
    build: ./python-service
    ports:
      - "5000:5000"
    volumes:
      - ./python-service/models:/app/models

volumes:
  db_data:

六、扩展方向

  1. ​​移动端应用​​：开发配套App，支持扫码识别和定位投放点
  2. ​​社区功能​​：添加垃圾分类知识分享和问答社区
  3. ​​IoT集成​​：连接智能垃圾桶，自动称重和识别
  4. ​​区块链技术​​：积分上链，实现跨平台流通
  5. ​​大数据分析​​：垃圾投放行为分析和区域垃圾产生预测

这个系统通过图像识别技术简化了垃圾分类流程，结合积分奖励机制激励用户参与，实现了垃圾分类的智能化管理和正向引导。

# java # mysql # 分类
Logo
亚马逊云科技技术品牌专区

更多推荐

open-code-review Codex 插件教程：对话式调用评审技能指南

本文是一份面向新手的 **open-code-review Codex 插件教程**，教你在 Codex 中通过对话式方式调用 open-code-review 的 AI 代码评审技能。open-code-review 是阿里巴巴开源的 AI 代码评审工具，采用"确定性流水线 + LLM Agent"混合架构，内置多语言评审规则（NPE、线程安全、XSS、SQL 注入等），可在 Codex 里用一

avatar 亚马逊云科技技术品牌专区

OBS Studio 完整指南：免费开源录屏与直播软件从零上手

想做一场像模像样的直播，或者把屏幕内容录成教程视频，但一想到商用软件的订阅费就有些犹豫？其实你不需要花一分钱。OBS Studio 是一款免费开源的直播与录屏软件，支持 Windows、macOS 和 Linux，采集、混音、编码、推流、录制，一条流水线全包了。## 先搞清楚 OBS Studio 是什么OBS Studio 是一个"场景化"的采集合成工具：你把摄像头、窗口、浏览器、图片、

avatar 亚马逊云科技技术品牌专区

如何用MediaCrawler爬取小红书抖音数据？7大平台爬虫从安装到实战完整指南

MediaCrawler 是一个支持小红书、抖音、快手、B站、微博、百度贴吧、知乎的开源自媒体数据采集工具。它能按关键词、按帖子、按创作者主页三种方式抓取笔记/视频内容、评论甚至二级评论，并把结果存成 JSON、CSV、Excel 或数据库。适合做市场调研、竞品监控、内容选题的运营人员，以及想要现成爬虫框架而不想从零写 JS 逆向的开发者。## 从一次"手动抄数据"说起想象这个场景：你负责

avatar 亚马逊云科技技术品牌专区