YOLOv8可回收塑料识别分类检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）
摘要
随着全球塑料污染问题日益严峻，高效、准确的可回收塑料自动分拣技术成为循环经济体系中的关键环节。本文基于YOLOv8目标检测算法，构建了一套可回收塑料识别与分类检测系统，涵盖七类常见塑料废弃物：HDPE Plastic、Multi-layer Plastic、PET Bottle、Single-Use-Plastic、Single-layer Plastic、Squeeze-Tube 及 UHT-Box。实验采用大规模自建数据集，其中训练集19,034张、验证集2,051张、测试集990张。
训练结果表明，模型在验证集上的平均精确度（mAP50）达到0.955~0.991，其中Single-layer Plastic类别表现最优（mAP50=0.991），所有类别的精确率与召回率均超过0.90。模型推理速度为2.7ms/张，具备实时检测能力。混淆矩阵分析显示，多数类别分类准确率高于93%，仅个别材质相似类别存在轻微误判。综合评估，该模型在精度、速度与鲁棒性方面均表现优异，具备工程部署与推广应用价值。
引言
塑料废弃物的大规模增长已成为全球环境治理的重大挑战。传统的人工分拣方式存在效率低、成本高、健康风险大等问题，难以满足现代垃圾处理与资源回收的需求。近年来，基于深度学习的目标检测技术，尤其是YOLO系列算法，因其端到端、实时性强、精度高等优势，在工业视觉检测领域得到了广泛应用。YOLOv8作为该系列的最新迭代版本，在特征提取、损失函数优化和训练稳定性方面均有显著提升，为复杂场景下的垃圾分类任务提供了有力工具。
本研究旨在开发一套适用于可回收塑料自动识别的YOLOv8检测系统。通过对七类常见塑料废弃物的系统标注、模型训练与性能评估，验证深度学习技术在塑料分类任务中的可行性与优越性。实验结果表明，该模型在多样本类别和小样本类别上均表现出色，且推理速度满足实时分拣要求。本文将从数据集构建、模型训练、结果分析等方面系统阐述研究方法与成果，为智能垃圾分类系统的实际落地提供技术参考。
订阅此专栏获取文章项目完整源码和数据集https://blog.csdn.net/m0_68036862/category_13147048.html
https://blog.csdn.net/m0_68036862/category_13147048.html
项目演示视频
YOLOv8可回收塑料识别分类检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1psTy6JEEM?vd_source=549d0b4e2b8999929a61a037fcce3b0f&spm_id_from=333.788.videopod.sectionshttps://www.bilibili.com/video/BV1psTy6JEEM/
目录
摘要
引言
功能模块
1、用户管理模块
2、界面与交互模块
3、检测源管理模块
4、检测参数配置模块
5、YOLO检测核心模块
6、结果显示模块
7、结果保存模块
8、工具栏功能
9、辅助功能
10、数据校验模块
背景
数据集介绍
训练过程
训练结果
各类别检测性能分析编辑编辑
亮点：
混淆矩阵分析编辑
分类错误较少：
训练曲线分析（results.png）编辑
F1曲线与置信度阈值编辑
常用标注工具
功能模块
✅用户登录注册：支持密码检测，密码加密。
注册
登录
✅图片检测：可对图片进行检测，返回检测框及类别信息。
✅参数实时调节（置信度和IoU阈值）
✅支持选择检测目标：可以选择一个或者多个类目的目标进行检测
✅视频检测：支持视频文件输入，检测视频中每一帧的情况。
✅摄像头实时检测：连接USB 摄像头，实现实时监测。
✅日志记录：日志标签页记录操作和错误信息，带时间戳
✅结果保存模块：支持图片/视频/摄像头检测结果保存
1、用户管理模块
| 功能 | 描述 |
|---|---|
| 用户注册 | 用户名、密码、确认密码、邮箱（选填）注册，密码SHA256加密存储 |
| 用户登录 | 用户名密码验证，自动跳转主界面 |
| 用户数据存储 | JSON文件存储用户信息（密码加密、注册时间、邮箱） |
| 登录状态 | 主界面显示当前登录用户名 |
2、界面与交互模块
| 功能 | 描述 |
|---|---|
| 玻璃效果界面 | 半透明毛玻璃背景，圆角边框，现代化视觉风格 |
| 无边框窗口 | 自定义标题栏，支持窗口拖动、最小化、最大化、关闭 |
| 响应式布局 | 主窗口三栏布局（左侧控制区、中央显示区、右侧信息区） |
| 状态栏 | 显示设备信息、模型状态、当前用户、实时时间 |
3、检测源管理模块
| 功能 | 描述 |
|---|---|
| 图片检测 | 支持JPG/JPEG/PNG/BMP格式图片载入 |
| 视频检测 | 支持MP4/AVI/MOV/MKV格式视频载入 |
| 摄像头检测 | 实时调用摄像头（默认ID 0）进行检测 |
| 检测源切换 | 下拉菜单切换三种检测模式，自动更新界面状态 |
4、检测参数配置模块
| 功能 | 描述 |
|---|---|
| 置信度阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| IoU阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| 类别选择 | 动态生成检测类别复选框，支持全选/取消全选 |
| 参数同步 | 参数实时同步到检测器核心 |
5、YOLO检测核心模块
| 功能 | 描述 |
|---|---|
| 模型加载 | 加载best.pt模型文件，自动检测GPU可用性，支持CPU/GPU切换 |
| 多模式检测 | 图片检测、视频检测、摄像头实时检测 |
| 检测线程 | 基于QThread的多线程处理，避免界面卡顿 |
| 检测结果 | 返回目标类别、置信度、边界框坐标 |
| FPS计算 | 实时计算处理帧率 |
| 进度反馈 | 视频处理进度条实时更新 |
6、结果显示模块
| 功能 | 描述 |
|---|---|
| 实时画面 | 中央区域显示检测结果图像（带标注框） |
| 统计信息 | 检测状态、目标数量、FPS、处理帧数实时更新 |
| 检测列表 | 右侧列表显示当前帧所有检测到的目标（类别+置信度） |
| 日志记录 | 日志标签页记录操作和错误信息，带时间戳 |
| 占位显示 | 未选择检测源时显示系统LOGO和提示文字 |
7、结果保存模块
| 功能 | 描述 |
|---|---|
| 保存开关 | 复选框控制是否保存检测结果 |
| 路径选择 | 自定义保存路径，支持图片/视频格式自动识别 |
| 自动命名 | 保存文件自动添加时间戳（detection_result_20240101_120000.jpg） |
| 视频保存 | 支持检测结果视频录制（MP4格式） |
| 手动保存 | 工具栏保存按钮可随时保存当前画面 |
| 保存反馈 | 保存成功弹窗提示，日志记录保存路径 |
8、工具栏功能
| 功能 | 描述 |
|---|---|
| 图片按钮 | 快速切换到图片检测模式并打开文件选择器 |
| 视频按钮 | 快速切换到视频检测模式并打开文件选择器 |
| 摄像头按钮 | 快速切换到摄像头检测模式 |
| 保存按钮 | 手动保存当前显示画面 |
9、辅助功能
| 功能 | 描述 |
|---|---|
| 错误处理 | 统一错误弹窗提示，日志记录错误详情 |
| 资源清理 | 检测停止时自动释放摄像头、视频文件、视频写入器资源 |
| 时间显示 | 状态栏实时显示系统时间 |
| 模型状态 | 状态栏显示模型加载状态和当前设备（CPU/GPU） |
10、数据校验模块
| 功能 | 描述 |
|---|---|
| 注册验证 | 用户名长度≥3，密码长度≥6，密码一致性检查，邮箱格式验证 |
| 协议确认 | 注册前需勾选同意用户协议 |
| 文件校验 | 模型文件存在性检查，文件大小验证（≥6MB） |
| 输入非空 | 登录/注册时必填项非空检查 |
背景
全球每年产生超过3亿吨塑料垃圾，其中仅有不到10%被有效回收利用。大量塑料废弃物进入自然环境，造成土壤、水体及生态系统长期污染。可回收塑料的精准分类是提升回收率、降低处理成本的关键前提。传统依赖人工视觉的分拣方式受疲劳、主观判断和工作环境影响，误检率与漏检率较高。与此同时，塑料制品本身形态多样（瓶、管、盒、膜等）、材质相似（如多层塑料与单层塑料）、印刷图案复杂，进一步增加了自动识别的难度。
计算机视觉技术的快速发展为解决这一问题提供了新思路。基于卷积神经网络的目标检测模型能够自动学习塑料废弃物的颜色、纹理、形状等高层特征，并在流水线环境中实现快速定位与分类。YOLOv8凭借其多尺度预测、高效特征金字塔结构和轻量化设计，特别适合部署于边缘计算设备（如Jetson、树莓派等）。因此，构建一个高精度、高速度、可扩展的塑料识别系统，对于推动循环经济发展、实现“双碳”目标具有重要意义。
数据集介绍
本研究构建了一个专门面向可回收塑料分类的高质量图像数据集，涵盖七类常见塑料废弃物，类别名称及对应标签如下：
HDPE Plastic（高密度聚乙烯塑料）
Multi-layer Plastic（多层复合塑料）
PET Bottle（聚对苯二甲酸乙二醇酯瓶）
Single-Use-Plastic（一次性塑料制品）
Single-layer Plastic（单层塑料）
Squeeze-Tube（挤压软管）
UHT-Box（超高温瞬时灭菌包装盒）
数据集总量为22,075张图像，划分为：
训练集：19,034张
验证集：2,051张
测试集：990张
训练过程
训练结果
各类别检测性能分析![]()
![]()
| 类别 | mAP50 | 精确率(P) | 召回率(R) | 样本数 |
|---|---|---|---|---|
| Single-layer Plastic | 0.991 | 0.977 | 0.967 | 1996 |
| PET Bottle | 0.989 | 0.965 | 0.935 | 2079 |
| Multi-layer Plastic | 0.984 | 0.957 | 0.946 | 2111 |
| Single-Use-Plastic | 0.975 | 0.977 | 0.935 | 2091 |
| HDPE Plastic | 0.972 | 0.954 | 0.931 | 14343 |
| Squeeze-Tube | 0.965 | 0.923 | 0.908 | 1915 |
| UHT-Box | 0.955 | 0.950 | 0.930 | 1971 |
亮点：
Single-layer Plastic表现最佳（mAP50=0.991），说明该类别特征明显，易于区分。
HDPE Plastic样本量最大（14343实例），模型学习充分，性能稳定。
所有类别的 mAP50 均高于0.95，整体检测质量极高。
混淆矩阵分析![]()
从confusion_matrix_normalized.png可见：
分类错误较少：
对角线值普遍在0.93~0.97，说明分类准确率高。
背景误检率低（背景类集中在最后一列/行，数值小）。
主要混淆对：
Squeeze-Tube ↔ Multi-layer Plastic存在一定混淆（约3-5%）
UHT-Box ↔ Multi-layer Plastic也有少量误判
原因分析：Squeeze-Tube 和 UHT-Box 在形状、材质上与部分多层塑料相似，建议增加难例挖掘或数据增强。
训练曲线分析（results.png）![]()
损失曲线：box_loss、cls_loss、dfl_loss 均快速下降并收敛，无过拟合迹象。
mAP50 / mAP50-95：稳定上升，最终趋于平缓，训练充分。
精确率与召回率：保持在 0.94 以上，模型平衡性好。
F1曲线与置信度阈值![]()
最佳F1值：大部分类别在置信度0.3~0.5之间达到最优F1（约0.96~0.98）。
建议部署置信度：0.4~0.5，在精确率和召回率之间取得良好平衡。
常用标注工具
假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：
Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。
这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。
界面核心代码：
订阅此专栏获取文章项目完整源码和数据集https://blog.csdn.net/m0_68036862/category_13147048.html
https://blog.csdn.net/m0_68036862/category_13147048.html
项目演示视频
YOLOv8可回收塑料识别分类检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1psTy6JEEM?vd_source=549d0b4e2b8999929a61a037fcce3b0f&spm_id_from=333.788.videopod.sectionshttps://www.bilibili.com/video/BV1psTy6JEEM/