基于腾讯云 AI 代码助手构建垃圾图片识别 Copilot | 极客日志

PythonAI算法

基于腾讯云 AI 代码助手构建垃圾图片识别 Copilot

综述由AI生成利用腾讯云 AI 代码助手从零构建垃圾图片识别系统的过程。项目基于香橙派开发板，使用 Python 环境及 MobileNet V2 模型进行图像分类训练。通过 Jupyter Notebook 调试，结合 Flask Web API 与 TDesign 前端框架实现交互。文章涵盖了硬件准备、环境部署、模型训练推理及前后端集成等关键步骤，展示了 AI 辅助编程在嵌入式与机器学习项目中的实际应用效果。

宁静发布于 2026/4/5更新于 2026/5/2636 浏览

一、前言

最近公司有一个项目需求需要使用到 AI 智能识别的功能《垃圾智能 AI 识别系统》。本人一直从事 Web 领域开发工作，也没接触过人工智能这个赛道，刚好现在借这个'腾讯云 AI 代码助手编程挑战赛'来了解一下 AI 写代码相关的流程。

经过'腾讯云 AI 代码助手'的帮助，我从 0 到 1 实现了《构建开发板垃圾图片识别 AI 对话的 Copilot》的项目。在很多地方帮助程序员开发人员更好地理解和优化代码，提高软件的可维护性和可靠性、安全性。

上图是通过'腾讯云 AI 代码助手'从硬件到软件、模型的应用、生成 Flask Web API 服务，再到最后工作中的最佳实践。通过测试 Vue、Js、Python、Go 等语言的实际场景，'腾讯云 AI 代码助手'提供了智能代码补全、单元测试生成、问题修复等多项 AI 驱动的功能，使开发者能够专注于创造性工作而非繁琐的设置。

在实际使用中，我深刻体验到'腾讯云 AI 代码助手'的便利，特别是在代码质量的提升方面展现了其独特优势，自动代码注释、智能问题解决建议，以及对话式 AI 视图的应用，不仅简化了日常开发中的繁琐任务，还显著提高了代码的可读性和可维护性。

总的来说，'腾讯云 AI 代码助手'是现代软件开发中不可或缺的助手。它的出现推动了开发工具的技术进步，更为开发者们带来了全新的开发体验和工作方式。

1.1 项目需求描述

客户有一个自动化垃圾分拣设备，需要装一个开发板，在 AI 技术加持下，作业单位可以通过识别不同的生活垃圾图片进行实时分析处理，来决定这个垃圾将要分拣到哪个区域。将 AI 识别技术用于垃圾分类质量来提高人工的效率，以实现对湿垃圾分类品质的智能管理和监督，接下来我们可以借助'腾讯云 AI 代码助手'先构造一个垃圾图片识别的 Copilot。

1.2 技术挑战

与之前接触的 Web 领域不同，这次的项目是通过开发板将垃圾的图片识别出来进行分类合到结果的数据。因为也是刚刚接触硬件相关的开发，下面大概列举一下这次挑战的技术点：

硬件开发板（基于香橙派的 OrangePi AIpro(8-12T)）
图片智能识别领域（基于 Python）
环境部署（Linux Ubuntu）

因为本人一直从事使用 PHP 进行 Web 相关的开发，接下来，就由'腾讯云 AI 代码助手'边问边做，来一步一步的实现完成《构造一个垃圾图片识别的 Copilot》的项目。

1.3 AI 海报与分享文案 Copilot 生成

在公司的业务中，经常会遇到运营单位需要做各种营销类的活动，需要大量的文案编辑工作。在传统的工作方式，只能依靠人力来增加产出，工作量较大，产出也比较低效，人力成本比较高，岗位增加。

通过基于腾讯混元模型结合提示词文案 Copilot 解析再生成相关内容，可以通过 AI 生成海报与分享文案提高文案编辑人员的效率，降低人力成本。

序号	可能存在问题点	解决方案	难度
1	检查电源适配器和电源线是否有异常	检查无问题	1 星
2	按照开发板的文档说明，检查 BOOT1 和 BOOT2 拨码开关的设置。例如，如果想要使用 TF 卡启动，确保 BOOT1 和 BOOT2 开关准确设置为 TF 卡启动模式。	检查无问题	2 星
3	使用专业的工具（如 Etcher 等）将镜像文件准确无误地烧录到 TF 卡或 eMMC 模块上，并重新尝试启动。	可以尝试重新烧录一下	3 星
4	可能开发板子存在问题	这个需要专业人员来解决	4 星

pip install jupyter -i https://pypi.tuna.tsinghua.edu.cn/simple -vv

jupyter notebook

ModuleNotFoundError: No module named 'tensorflow'

pip install tensorflow

# 假设你已经有了 train_generator 和 validation_generator 
train_generator = train_datagen.flow_from_directory('/root/workspace/data_en/train', # 替换为你的数据集路径 
target_size=(224,224), batch_size=32, class_mode='categorical', subset='training') 
validation_generator = train_datagen.flow_from_directory('/root/workspace/data_en/test', # 替换为你的数据集路径 
target_size=(224,224), batch_size=32, class_mode='categorical', subset='validation')

# 垃圾分类的类别标签 
class_labels =['Seashell','Lighter','Old Mirror','Broom','Ceramic Bowl','Toothbrush','Disposable Chopsticks','Dirty Cloth','Newspaper','Glassware','Basketball','Plastic Bottle','Cardboard','Glass Bottle','Metalware','Hats','Cans','Paper','Vegetable Leaf','Orange Peel','Eggshell','Banana Peel','Battery','Tablet capsules','Fluorescent lamp','Paint bucket']

unzip TD-AI-Chat-demo.zip

yarn install yarn dev

pip install flask

1. 对于 Problem 1，我将每次处理的数据块大小从 1 增加到了 10（您可以根据实际情况调整这个数值），这样可以减少 slice 操作的次数，提高性能。 2. 对于 Problem 2，我在 catch 块中添加了异常信息的记录，使用 console.error 打印错误信息。同时，我调用了 this.controller.error(error) 来通知流的使用者发生了错误。这样可以方便您调试和排查问题。