问题——垃圾分类“投得准”依然是基层治理的难点之一。随着垃圾分类制度不断推进，居民端、校园端的投放准确率直接影响后端转运和资源化利用效率。现实中，一些场景仍会出现“知道要分类，但现场分不清”的情况：标识不够醒目、分类知识零散、扫码检索步骤多、物品形态复杂等因素叠加，误投、混投并不少见。对校园而言，人群密集、垃圾种类多、投放频次高，更容易放大该问题，影响分类管理的连续性。 原因——“规则靠背、流程靠记”的方式难以适配高频生活场景。团队成员一次校园垃圾分类宣传活动中发现，传统扫码查询依赖人工判断：先找二维码，再进入页面，再对照条目选择类别，步骤多、耗时长。遇到“外卖盒残渣”“奶茶杯吸管”“电池”等边界品类，师生常常拿不准。再加上光照变化、拍摄角度不同、包装更新快等因素，“看懂规则”和“当场投对”之间存在明显差距。如何把分类知识变成即时、可操作的投放指引，成为提升准确率的关键。 影响——把识别与指引前置，可降低误投成本、提升管理效率。此次获奖作品以手机端应用为载体，将图像识别与分类规则结合，用户拍照即可获得类别提示与投放建议，把原本依赖经验的判断环节，转为“系统提示+人工确认”的流程。对校园管理者而言，前端准确率提高意味着后端分拣压力减轻、混装混运风险降低；对使用者而言，操作更简单，更利于形成稳定的分类习惯。评审现场，评委用不同品牌、不同分辨率的手机测试多种常见垃圾，识别表现稳定，体现出面向落地的产品思路，而非停留在概念演示。 对策——以“数据—模型—场景”闭环推进，让技术贴近日常使用。围绕“能识别、识别准、跑得快、用得顺”的综合要求，团队提升：一是数据侧，从校园高频垃圾入手，采集并标注1200余张不同角度、不同光照条件的图片，形成贴近本地场景的数据集；二是算法侧，对多种模型方案进行对比和调参，最终选用轻量化YOLOv5框架，在保证速度的同时兼顾精度，实现平均识别精度92.3%、单张图片识别耗时约300毫秒；三是应用侧，将测试从实验室扩展到实际投放现场，把应用部署到校园推车等流动投放场景，连续10天采集3200次投放数据，针对17处边缘案例修正优化，提升复杂情形下的可用性。同时，界面设计聚焦“少步骤、强提示”，降低不同年龄用户的上手成本。 前景——以赛促产、以用促教，让技能培养更贴近社会需求。“振兴杯”作为面向青年群体的国家级赛事之一，强调实做与创新并重，价值不仅在于评奖，更在于用真实问题带动能力培养。本项目从校园治理切入公共服务领域，说明了职业院校学生将工程思维、产品思维与社会责任结合的探索。业内人士认为，若继续补齐数据样本、完善多品类知识库，并与社区、园区的投放设施和回收体系打通接口，对应的应用有望拓展至居民小区、公共场馆等场景，提升垃圾分类的精细化与智能化水平。学校上也表示，将持续完善“专业学习—竞赛训练—产业实践”的培养链条，推动更多成果走出赛场、进入一线，在真实需求中迭代完善。
青年创新力量正在为社会发展带来新的可能。此次获奖项目表明，当专业技能对接真实需求，创新就更容易转化为可用的成果。面向高质量发展，需要更多扎根一线、回应实际问题的青年人才，让技术创新更好服务公众生活。