随着城市化进程的不断推进，生活垃圾的分类与处理已成为现代社会面临的重要问题。为有效提高垃圾分类的准确性与效率，本论文提出了一种基于机器学习的生活垃圾分类识别系统。该系统结合了SpringBoot、Vue、讯飞大模型、ECharts、Axios等多种技术，实现了对垃圾分类的自动识别与实时监控，提升了垃圾处理过程的智能化与可视化水平。
在系统架构方面，前端采用Vue框架进行开发，通过其灵活的组件化特性和响应式设计，确保了用户界面的流畅与交互性。后端则基于SpringBoot进行构建，充分利用其强大的开发能力与模块化设计，使系统能够高效地处理大量数据和实现复杂的业务逻辑。为了保证系统的智能识别功能，系统引入了讯飞大模型进行垃圾分类的训练与推理。讯飞大模型在自然语言处理和图像识别等领域的强大能力为本系统的垃圾分类提供了可靠的技术支撑。
ECharts作为数据可视化组件被广泛应用于系统中的图表展示功能，能够实时呈现垃圾分类的处理数据，包括垃圾处理量、分类准确率、垃圾分类种类等，帮助用户直观地了解垃圾分类进展。Axios则用于前后端的数据交互，确保系统能够与服务器进行高效的数据传输与更新。
本文通过结合前沿的机器学习算法与现代的Web开发技术，提出了一种高效、智能的生活垃圾分类识别系统。实验结果表明，该系统能够准确地识别垃圾种类并实时更新处理数据，具备较高的分类准确率与响应速度。最终，该系统为垃圾分类的智能化管理提供了一种新的解决方案，具有广泛的应用前景。
关 键 词：生活垃圾分类；机器学习；SpringBoot；Vue；讯飞大模型；
ABSTRACT
With the continuous advancement of urbanization, the classification and treatment of household waste have become important issues facing modern society. To effectively improve the accuracy and efficiency of garbage classification, this paper proposes a machine learning based household garbage classification recognition system. This system combines SpringBoot Vue、 Various technologies such as iFlytek Big Model, ECharts, Axios, etc. have achieved automatic recognition and real-time monitoring of garbage classification, improving the intelligence and visualization level of the garbage treatment process.
In terms of system architecture, the front-end is developed using the Vue framework, which ensures smooth and interactive user interface through its flexible componentization features and responsive design. The backend is built on SpringBoot, fully utilizing its powerful development capabilities and modular design, enabling the system to efficiently process large amounts of data and implement complex business logic. In order to ensure the intelligent recognition function of the system, the iFlytek large model is introduced for training and inference of garbage classification. The powerful capabilities of iFlytek's big model in natural language processing and image recognition provide reliable technical support for the garbage classification of this system.
ECharts, as a data visualization component, is widely used in the system's chart display function, which can present real-time processing data of garbage classification, including garbage processing volume, classification accuracy, garbage classification types, etc., helping users intuitively understand the progress of garbage classification. Axios is used for data exchange between the front-end and back-end, ensuring efficient data transmission and updates between the system and the server.
This article proposes an efficient and intelligent household waste classification and recognition system by combining cutting-edge machine learning algorithms with modern web development technologies. The experimental results show that the system can accurately identify the types of garbage and update the processing data in real time, with high classification accuracy and response speed. Ultimately, the system provides a new solution for intelligent management of garbage classification, with broad application prospects.
KEY WORDS: Household waste classification; Machine learning; SpringBoot； Vue； IFlytek Big Model;
目 录
随着全球人口的增长和城市化进程的加快，垃圾问题已成为现代社会面临的严重挑战。尤其是生活垃圾的分类处理，直接关系到资源的循环利用、环境保护以及可持续发展的实现。然而，目前我国的垃圾分类工作仍处于初步阶段，尤其在大部分城市中，垃圾分类的准确性和效率亟待提高。因此，如何实现智能化、自动化的垃圾分类管理成为了当前急需解决的课题。
生活垃圾的有效分类不仅能够减少垃圾处理的难度，还能够促进资源的回收利用，减少垃圾填埋和焚烧带来的环境污染。然而，传统的人工分类方式存在识别准确性低、效率不高的问题。为了解决这一难题，机器学习技术的应用成为了可能的解决方案。通过训练和优化垃圾分类模型，机器学习能够自动识别垃圾种类，并高效地进行分类处理。尤其是在图像识别领域，深度学习算法表现出了极高的准确率，能够实现对不同垃圾种类的精确辨识。
本研究基于机器学习技术，提出了一种智能化的生活垃圾分类识别系统。该系统利用图像识别技术和大数据分析，结合前端Vue框架、后端SpringBoot架构、讯飞大模型等技术，实现了垃圾分类的自动化识别与实时数据展示。这不仅有助于提高垃圾分类的准确性和效率，还为城市垃圾管理提供了科学的数据支持。
从社会意义上讲，本研究能够推动垃圾分类政策的实施，提升公众的环保意识，减少资源浪费，促进垃圾分类的规范化、智能化发展。此外，系统的推广应用还将为环境保护和可持续发展做出积极贡献，具有重要的实际意义和社会价值。
随着环境污染问题的日益严重，生活垃圾的分类处理已成为全球各国的迫切任务。在我国，垃圾分类不仅是实现资源回收的重要手段，也是推动生态文明建设的重要组成部分。近年来，政府通过立法和政策支持推动垃圾分类的普及与落实，而在这一过程中，机器学习技术作为一种智能化手段，逐渐在垃圾分类领域得到了广泛的应用。
目前，许多研究集中在利用计算机视觉和机器学习技术提高垃圾分类的准确性和效率。早期的垃圾分类方法主要依赖人工筛选，识别效率低且容易出错。随着深度学习和图像处理技术的快速发展，基于卷积神经网络（CNN）等技术的垃圾分类系统开始崭露头角。这些方法通过训练模型识别垃圾图像的特征，实现了自动分类的功能，并且在多个实际应用场景中取得了显著成效。
例如，2018年，上海交通大学的研究人员提出了一种基于深度学习的垃圾分类模型，该模型通过使用卷积神经网络对垃圾图像进行分类，能够准确识别出塑料、纸张、玻璃、金属等多种常见垃圾。上海市作为我国首个实施强制垃圾分类的城市，在其垃圾分类实施过程中，大力推动了相关智能技术的应用，为全国其他城市提供了宝贵的经验。
同样，深圳市在垃圾分类领域也进行了创新探索。深圳科技公司智云科技开发的“智能垃圾分类系统”利用机器学习与图像识别技术，搭建了基于物联网（IoT）平台的垃圾分类解决方案。该系统通过安装在垃圾投放点的高清摄像头，实时获取垃圾的图像数据，并通过深度学习模型对垃圾进行分类判断。该系统不仅实现了垃圾的自动分类，还能实时更新分类数据，反馈到后台管理平台，确保垃圾分类工作顺利进行。
此外，讯飞公司也在生活垃圾分类识别领域取得了长足的进展。讯飞大模型应用于垃圾分类系统中，结合语音识别和图像处理技术，通过智能硬件和AI算法，提供了高效的垃圾分类识别方案。讯飞的系统能够通过图像识别快速辨别出不同类别的垃圾，并通过语音提示帮助用户进行正确的垃圾分类。该系统在多个城市的垃圾投放点得到应用，有效提升了垃圾分类的准确性和操作效率。
在学术界，国内外多个研究团队也在不断推动垃圾分类技术的创新。例如，北京交通大学的研究人员提出了一种基于深度学习的智能垃圾分类系统，该系统不仅可以识别垃圾种类，还能在实际应用中根据不同垃圾的种类和数量进行优化。该系统的研究成果已在多个实验室和垃圾处理厂进行测试，显示出较高的分类精度和实用性。
综上所述，国内外针对生活垃圾分类的研究和应用已经取得了一定的进展，尤其在机器学习、深度学习和图像处理领域，已有多个成功案例。这些案例不仅在技术上取得了显著成果，也为垃圾分类的智能化应用提供了实际解决方案。随着技术的不断发展和成熟，未来生活垃圾分类系统将更加智能化、自动化，为环境保护和资源回收做出更大贡献。
基于机器学习的生活垃圾分类识别系统依托人工智能与机器学习技术，结合图像处理、数据分析和深度学习算法，为垃圾分类提供高效准确的识别与分类服务。系统采用模块化设计，主要包含数据采集模块、模型训练模块、后端服务模块、前端展示模块和用户交互模块。
数据采集模块
该模块通过安装在垃圾投放点的高清摄像头，实时采集生活垃圾的图像数据，并对其进行预处理，包括图像裁剪、噪声去除和目标检测等操作。采集的数据通过网络传输到后端服务器进行分析处理，确保数据流畅传输和处理的及时性。
模型训练模块
该模块是系统的核心部分，负责基于深度学习算法进行垃圾分类识别。系统采用卷积神经网络（CNN）进行垃圾图像特征提取，并使用数据集对模型进行训练与优化。结合大规模的数据集和机器学习技术，模型可以识别各类垃圾（如塑料、纸张、金属、玻璃等），并准确分类。此外，系统还引入了迁移学习策略，进一步提升模型对不同类型垃圾的识别能力。
后端服务模块
该模块基于Spring Boot框架构建，为整个系统提供数据存储、模型推理和接口服务。后端采用MySQL数据库存储分类数据，支持高并发数据处理。通过RESTful API与前端进行交互，确保系统的稳定性与扩展性。该模块还提供了异常数据记录与分析功能，用于对垃圾投放的错误分类进行纠正与优化。
前端展示模块
前端界面采用Vue框架开发，通过Axios进行高效的前后端数据交互。界面设计简洁明了，便于用户查看垃圾分类的实时状态和历史数据。系统支持垃圾分类的结果展示、统计报表生成以及垃圾分类的过程可视化，为用户提供直观的反馈和数据支持。
用户交互模块
该模块专注于用户体验，提供直观、便捷的操作界面，实时显示垃圾分类结果，并通过智能提示帮助用户纠正错误分类。此外，系统还支持生成垃圾分类的分析报告，帮助用户跟踪垃圾分类的表现及改进方向，提升垃圾分类的准确性与效率。
通过上述设计，系统实现了从数据采集到用户反馈的完整链条，为生活垃圾分类提供了技术保障和智能支持，有效提高了垃圾分类的准确性与处理效率。
在本论文的研究与开发过程中，选择合适的研究方法至关重要。不同的需求和目标需要采用不同的研究手段，方法的有效性直接影响研究成果的质量。以下是本论文在研究与开发过程中所采用的主要方法：
文献调研法
文献调研法在本论文的研究过程中得到了广泛应用。在生活垃圾分类识别系统领域，国内外已有大量的研究和实践成果，这些成果为本研究提供了重要的理论支持和技术借鉴。通过查阅相关的学术文献、技术报告和专利资料，我们总结了当前垃圾分类领域中的研究现状、关键技术和主流算法。这些文献为本系统的设计与开发提供了重要参考，使得研究能够立足于已有的技术基础上，避免重复性工作，提高了研究的效率和质量。
对比分析法
对比分析法在本研究中用于评估所提出的垃圾分类识别系统与现有技术的差异。通过比较不同垃圾分类系统的功能、准确率、实时性和用户体验等方面的表现，本研究发现了现有系统在分类准确度、处理速度等方面的不足，并进一步优化了设计方案。通过对现有解决方案的优势与不足进行系统分析，为本系统的设计提供了数据支持，帮助提升系统的性能和实用性。
需求调研法
需求调研法贯穿了本研究的全过程，确保系统设计满足实际需求。本研究通过问卷调查、深度访谈等形式，收集了用户（如社区居民、环卫工作者等）对垃圾分类系统的需求和期望。例如，系统如何实现对垃圾种类的快速识别如何确保分类结果的准确性？这些问题通过调研得到明确答案，指导了系统功能的设计和优化。需求调研为系统设计提供了切实的依据，确保了系统的实用性和用户友好性。
通过上述方法的综合应用，本研究实现了从理论到实践的无缝衔接，为构建高效、准确的垃圾分类识别系统提供了科学的指导和数据支持。
随着互联网技术的快速发展，基于B/S架构的系统已成为各种应用开发的主流模式。在本研究中，生活垃圾分类识别系统采用了B/S架构进行设计。B/S架构，即浏览器/服务器架构，是一种通过浏览器访问服务器的架构模式。该架构具有显著的优势，能够满足垃圾分类识别系统的开发需求。
B/S架构的系统能够通过服务器端的统一更新，实现全体用户的同步升级，无需用户手动更新客户端。特别是在系统部署为集群模式时，可以实现对用户的无感知升级，从而提升系统的维护效率，确保系统的稳定运行。同时，由于大部分计算任务（如垃圾分类识别、数据分析等）都在服务器端完成，客户端设备的性能要求较低。用户只需要一台具备浏览器功能的设备，无论是智能手机、平板电脑还是台式电脑，都能方便地访问系统。这大大降低了设备门槛，尤其对于普通家庭用户来说十分友好。
B/S架构的便捷性体现在多个方面。用户无需安装本地应用，只需通过输入系统提供的网址，就可以随时访问系统，且不受设备或操作系统的限制。无论用户位于何处，只要具备网络连接，就能通过浏览器实时查看分类结果或接收相关警报信息。这种轻量化的访问方式为垃圾分类识别系统的普及和推广提供了坚实的保障。
总之，B/S架构在本系统中的应用，不仅显著提升了用户体验和系统性能，还有效减少了开发、部署和维护的复杂度，为构建智能化且普适的垃圾分类识别系统提供了有力的技术支持。
讯飞大模型（iFlytek Large Model）是由科大讯飞公司研发的人工智能模型，旨在通过深度学习和自然语言处理技术提供强大的语音识别、语义理解和数据分析能力。在生活垃圾分类识别系统中，讯飞大模型的引入，极大地提升了系统在垃圾分类识别和语音交互方面的能力。
具体而言，讯飞大模型利用强大的语义理解技术，能够准确分析用户输入的语音命令，并根据实时数据进行智能决策，识别不同类型的垃圾。通过与深度学习算法结合，讯飞大模型不仅能够高效地分类垃圾，还可以通过图像识别技术对垃圾进行自动标注和分类，进一步提高分类的准确性和效率。
此外，讯飞大模型的语音交互功能使得用户能够通过语音命令直接与系统进行互动。这种便捷的方式，尤其适合中老年人群体，提升了用户体验并降低了操作难度。系统能够实时反馈分类结果，并根据用户的语音指令提供实时建议，帮助用户更好地理解垃圾分类的重要性。
通过引入讯飞大模型，生活垃圾分类识别系统在智能化和精准度方面得到了显著提升，为推动垃圾分类的普及和实现智能环保提供了强有力的技术支持。
在关系型数据库中，有一种对技术发展和创新产生巨大影响的数据库，那就是MySQL数据库。它的重要性体现在其独特的优势和特性，这些特性使其在众多数据库中占据了重要地位。作为一个开源且免费的数据库，MySQL不仅适用于商业应用，同样也非常适合个人项目或学术研究，尤其是在毕业设计中，使用MySQL可以有效减少成本和学习曲线。此外，开源和免费只是MySQL的一项基本特征，真正使它受欢迎的是其易学易用的特点。无论是简单的增、删、改、查操作，还是复杂的存储过程设计，MySQL都能轻松应对，提供高效的解决方案。
对于本次系统设计来说，MySQL是在大学课程中经常学习的数据库技术，使用它能够充分利用已掌握的知识，并能快速找到相关文档和技术支持来解决遇到的问题。由于其广泛的应用和社区支持，MySQL数据库在处理中老年安全监测系统中的数据存储、用户管理和行为记录等方面，提供了极大的便利。因此，在本项目中选择使用MySQL数据库，既符合项目需求，又能够简化开发和维护工作。
在本系统的开发过程中，IDEA（IntelliJ IDEA）作为主要的集成开发环境（IDE）工具，发挥了重要的作用。IDEA是一款广泛应用于Java开发的IDE，凭借其智能的代码提示、强大的调试功能以及丰富的插件支持，成为了本系统开发的首选工具。
IDEA提供了强大的代码自动补全和语法检查功能，使得开发过程更加高效。通过自动提示功能，开发者能够快速编写和调试代码，减少了人工输入错误的机会。其次，IDEA的调试功能非常直观，能够实时显示程序的执行过程，帮助开发者在系统出现问题时快速定位并修复bug。在本系统的开发过程中，IDEA的调试功能帮助高效地解决了与数据库交互、视频数据处理等模块的复杂问题。
IDEA对Spring Boot框架的原生支持极大地简化了项目的配置与管理。通过其内置的Maven和Gradle工具，IDEA能够快速构建和管理项目依赖，使得后端服务的开发变得更加顺利。同时，IDEA还支持与MySQL数据库的无缝集成，方便开发者对数据库进行管理和操作。
总之，IDEA作为开发工具，不仅提高了开发效率，还优化了代码质量，在系统的设计、实现及调试过程中起到了至关重要的作用。
生活垃圾分类识别系统的数据采集部分主要依赖摄像头、图片上传和视频上传等方式。首先，摄像头作为数据采集的核心设备，能够实时捕捉垃圾的图像信息，并传输至系统进行处理。为了确保数据的多样性和准确性，采用了高清摄像头，并对不同类型的垃圾进行多角度拍摄，包括常见的塑料瓶、纸盒、食品包装等。其次，系统支持用户上传图片，进一步丰富了训练数据集。用户可通过手机或电脑端上传垃圾图片，系统自动进行分类识别。同时，视频上传也是数据采集的重要方式，视频中的垃圾种类和位置可以更全面地反映生活场景中的垃圾类型。所有上传的图片和视频将经过预处理，标注好垃圾类别，为后续的机器学习模型训练提供高质量的标签数据。这些数据的真实和多样性为生活垃圾分类识别系统的准确性提供了坚实的基础。
代码展示:
<el-upload
class="upload-demo"
accept="image/*"
:show-file-list="false"
:before-upload="handleImageUpload"
>
<el-button type="primary">上传图片</el-button>
</el-upload>
<!-- 上传视频 -->
<el-upload
class="upload-demo"
accept="video/*"
:show-file-list="false"
:before-upload="handleVideoUpload"
>
<el-button type="primary">上传视频</el-button>
</el-upload>
<!-- 打开摄像头按钮 -->
<el-button type="primary" @click="startCamera">打开摄像头</el-button>
<!-- 摄像头画面 -->
<video
ref="videoPlayer"
class="video-player"
controls
autoplay
@play="startFrameCapture"
@pause="stopFrameCapture"
></video>
在生活垃圾分类识别系统中，数据标注与增强是提高模型精度的关键步骤。为了保证模型能够准确地识别各种类型的垃圾，首先需要对采集到的数据进行标注。通过人工智能标注工具，我们将每一张图像中的垃圾类别标注清晰，如塑料瓶、纸张、金属等，确保数据集的标注准确性。为进一步提升数据集的多样性和鲁棒性，采用数据增强技术，包括图像旋转、缩放、翻转、裁剪、亮度调整等手段，从而生成更多样化的训练数据，增强模型对不同环境下垃圾的识别能力。
在数据标注的过程中，Canvas被广泛应用。通过Canvas工具，用户可以在图像上手动标注垃圾的种类和位置，确保每个物体的边界框正确无误。Canvas为用户提供了一个灵活的界面，使得标注过程更加便捷高效。此外，Canvas也支持绘制标注表格，展示每种垃圾的标签、数量、类别等信息，便于数据管理和后续分析。通过这些方法，数据集得到了有效扩充，极大地提高了垃圾分类识别系统的准确性和适应性。
垃圾类别 |
数量 |
图片路径 |
塑料瓶 |
50 |
/images/plastic_bottle.jpg |
纸盒 |
30 |
/images/cardboard_box.jpg |
金属罐 |
20 |
/images/metal_can.jpg |
关键代码：
export default {
mounted() {
const canvas = this.$refs.canvas;
const ctx = canvas.getContext('2d');
ctx.fillText('垃圾类别', 50, 30); ctx.fillText('数量', 200, 30); ctx.fillText('图片路径', 300, 30);
ctx.fillText('塑料瓶', 50, 70); ctx.fillText('50', 200, 70); ctx.fillText('/images/plastic_bottle.jpg', 300, 70);
ctx.fillText('纸盒', 50, 110); ctx.fillText('30', 200, 110); ctx.fillText('/images/cardboard_box.jpg', 300, 110);
ctx.fillText('金属罐', 50, 150); ctx.fillText('20', 200, 150); ctx.fillText('/images/metal_can.jpg', 300, 150);
}
};
图像预处理是提升模型准确性的关键步骤。首先，图像缩放可以将不同尺寸的图像统一到固定尺寸，这样模型可以更好地处理输入数据。常用的尺寸有 224x224 或 256x256 像素，这有助于减少计算量并提高处理速度。其次，去噪处理是为了去除图像中的噪声，使图像更加清晰。常见的去噪方法包括高斯滤波和中值滤波，通过这些方法去除细微的噪声并保持边缘信息。然后，归一化步骤是将图像像素值标准化至一个固定范围，通常是 [0, 1] 或 [-1, 1]，通过这种方式可以避免不同光照条件下图像的差异对模型造成影响。此外，数据增强技术，如旋转、翻转、平移和裁剪，也能有效扩充训练数据集，提高模型的泛化能力。
数学公式上，图像归一化可以通过以下公式进行：
其中，I为原图像的像素值，μ为像素值的均值，σ为标准差，Inorm为归一化后的像素值。
在基于机器学习的生活垃圾分类识别系统中，特征提取与选择是提升模型性能的核心步骤。特征提取是从原始图像数据中提取出有用信息，而特征选择则是从这些特征中选取最能代表垃圾类别的特征。针对图像数据，常用的特征提取方法包括颜色直方图、形状特征、纹理特征以及基于卷积神经网络（CNN）的特征提取。CNN通过多层卷积和池化层，能够自动学习到图像中的关键特征，例如边缘、纹理和颜色分布。
为了进一步提升垃圾分类识别的准确性，本系统引入了讯飞大模型。讯飞大模型基于深度学习和自然语言处理技术，通过预训练的大规模神经网络，能够在垃圾识别过程中对图像进行多维度的分析，包括物体识别、语义理解和特征提取。利用讯飞大模型的预训练特征，可以有效提升模型对垃圾类型的识别能力，尤其是在复杂环境下的分类任务中，表现尤为出色。
下表展示了几种常见的特征提取方法及其优缺点：
特征提取方法 |
优点 |
缺点 |
颜色直方图 |
简单、快速 |
对光照变化敏感，缺乏空间信息 |
形状特征 |
可以描述物体轮廓，易于提取 |
无法处理复杂的纹理和细节信息 |
纹理特征 |
能有效描述物体表面信息 |
对噪声敏感，计算复杂 |
CNN特征提取 |
自动学习高阶特征，准确度高 |
训练时间长，需要大量数据 |
讯飞大模型 |
强大的图像理解与语义推理能力 |
需要高性能计算资源 |
在基于机器学习的生活垃圾分类识别系统中，模型选择与训练是至关重要的步骤。模型选择决定了系统是否能够高效且准确地进行垃圾分类，而训练则是使模型能够从数据中学习、并优化其性能。常用的机器学习模型包括支持向量机（SVM）、决策树、随机森林、卷积神经网络（CNN）等。对于图像识别任务，CNN常被认为是最有效的选择，因为它能够通过多层卷积网络自动提取图像特征。
针对本系统的需求，引入了讯飞大模型。讯飞大模型是一种深度学习模型，能够对图像进行多层次的分析，不仅能够识别垃圾的基本形态，还能够理解其语义信息。与传统的机器学习方法相比，讯飞大模型具有更强的特征提取能力，能够从复杂场景中提取多维度的信息，如物体的颜色、形状、纹理等。因此，讯飞大模型在垃圾分类中的应用，可以显著提升系统的分类准确度，尤其是在处理复杂、模糊或重叠的垃圾样本时，具有更高的鲁棒性。
在基于机器学习的生活垃圾分类识别系统中，垃圾识别流程包括多个步骤，从用户选择输入方式到输出最终分类结果。首先，系统会询问用户选择输入方式，通常有三种选择：摄像头、视频和图片。接着，系统根据用户的选择执行相应的操作。
如果选择摄像头作为输入，系统会通过摄像头采集实时图像，进行图像预处理，包括去噪、裁剪和归一化等操作。然后，系统从预处理后的图像中提取关键特征（如颜色、形状、纹理等），并利用训练好的模型进行预测，最终输出分类结果。
若选择视频作为输入，系统则会从视频流中提取每一帧图像，进行相同的图像预处理和特征提取步骤，随后进行垃圾分类预测。同样，处理完成后，系统会输出垃圾分类的结果。
对于图片输入，系统则直接读取静态图像文件，执行图像预处理、特征提取、模型预测和结果输出。
如果输入方式不在摄像头、视频和图片选项之中，系统会提示“无效输入”。整个过程通过if-else结构进行决策，确保系统根据不同输入方式执行相应的垃圾识别操作，最终输出分类结果。
