【开题答辩实录分享】以《智能垃圾回收小程序》为例进行答辩实录分享

大家好,我是韩立。

写代码、跑算法、做产品,从 Java、PHP、Python 到 Golang、小程序、安卓,全栈都玩;带项目、讲答辩、做文档,也懂降重技巧。
这些年一直在帮同学定制系统、梳理论文、模拟开题,积累了不少"避坑"经验。

新学期开始,很多人卡在选题:想要新颖,又怕做不完。接下来我会持续分享一批"好上手且有亮点"的选题思路和完整开题答辩案例,给你参考,也给你灵感。关注我,毕业设计不再头秃!



智能垃圾回收小程序涵盖多角色功能,具体如下:

  • 用户端(小程序):可管理个人中心(增删改个人信息),在线预约垃圾回收(填写垃圾类型、重量、地址等信息),查询订单信息(按订单编号查列表)、垃圾分类(按垃圾名称查分类)及垃圾回收详情,还能进行在线支付(或接收回收收益),可通过地图标记精准定位地址。
  • 管理员端(网页):负责用户、回收员、商家管理(增删改查账号信息),垃圾分类与垃圾信息管理(增删改查分类及垃圾详情,含查看评论),预约回收与回收订单管理(查删预约、订单,查看详情),管理首页布局信息与系统维护,处理垃圾回收资讯(修改或删除)。
  • 商家端(网页):可管理回收员(增删改查账号信息)与回收订单(查改删订单,查看详情)。
  • 回收员端(网页):能管理个人中心信息,根据用户预约上门取件,处理回收订单相关事宜。


【开题陈述】

各位老师好,我是H同学。我的课题是"智能垃圾回收小程序的设计与实现"。

系统面向居民、回收员、商家和管理员四类角色,核心功能包括:在线预约回收、地图定位、垃圾分类查询、订单支付与追踪、上门取件调度以及后台数据审核。

前端采用微信小程序+uni-app跨平台框架,后台用SpringBoot+Node.js双引擎,数据库选MySQL,整体B/S架构。通过图像识别与路径优化算法提升分类准确率与回收效率,实现"互联网+回收"的闭环。请各位老师批评指正。


【答辩开始】

评委老师:为什么选择SpringBoot+Node.js双后端,而不是单一框架?

**答辩学生:**SpringBoot负责订单、支付、权限等重型业务,保证事务安全;Node.js负责实时消息推送与地图WebSocket长连接,利用事件驱动高并发优势,双框架各司其职,降低单点负载。


评委老师:小程序端图像识别打算放在本地还是云端?模型如何训练?

**答辩学生:**先做云端推理,用户拍照后上传Base64,后台调用轻量MobileNetV2,样本用开源 TrashNet+自采2万张扩增,迁移训练20epoch,Top1准确率目标85%;本地后期量化到1.5MB后再下发放到小程序运行,减少延迟。


评委老师:地图显示回收员实时位置,并发1万点同时上报,如何降低服务器压力?

**答辩学生:**回收员端30秒上报一次GPS,先经Netty网关写入Redis GeoHash,再5秒批量刷MySQL;前端拉取时按地图视野BBox查询Redis,返回最近200条,压力测试QPS可到1.2万。


评委老师:线上支付涉及资金流水,如何防止订单重复提交与超卖?

**答辩学生:**利用MySQL唯一索引+Redis SETNX分布式锁双重校验;订单号用雪花算法保证全局唯一;回调接口做幂等,状态机只允许"待支付→已支付/已取消",重复回调直接返回SUCCESS。


评委老师:不同城市垃圾分类标准不一致,数据库如何设计保证可扩展?

**答辩学生:**把"分类标准"做成配置表,字段包括城市ID、垃圾名称、所属类别、子类别;通过地区码动态加载对应标准;新增城市只需insert数据,无需改动代码,实现字典式扩展。


评委老师:若图像识别模型在春节后突然准确率下降到70%,如何快速定位原因并热修复?

**答辩学生:**①上线时同步埋点,记录每次推理置信度与图片MD5;②准确率下跌触发阈值后,对比近期Top-低分样本,发现80%为"礼盒+金属盖"新包装,属于训练集盲区;③立即将低分样本自动加入"困难库",凌晨低峰期在线增量训练2小时,生成热更新模型;④采用灰度发布,10%流量切换新模型,若准确率回升则全量发布,全程用户无感知。


评委老师:若系统预计接入校园垃圾分类竞赛,需要支持3秒内1000人同时扫码投递并实时排行,如何设计?

**答辩学生:**①将排行数据从MySQL迁至Redis SortedSet,Key按"活动ID+分钟级时间片"切分,写操作先写MQ再批量聚合;②利用Lua脚本保证"incr+score"原子性;③前端WebSocket连接按地域分片,Node.js集群横向扩展,单节点可扛5k长连接;④压测目标:3s内写入QPS 8k、读取QPS 2w,99线500ms以内,通过增加从节点与本地缓存即可达成。


【评委总结】

H同学思路清晰,对业务痛点、技术选型、并发及AI模型运维都有量化指标和降级方案;尤其"准确率监控+热更新"体现了工程化思维。后续需关注模型持续迭代与数据安全合规,整体进度合理,预期结果可控,同意进入下一阶段。


以上是H同学的毕业设计答辩过程,如果你现在还没有参加答辩,还是开题阶段,已经选好了题目不知道怎么写开题报告,可以下面找找有没有自己符合自己题目的开题报告内容,列表中的开题报告都是往届真实的开题报告可参考。


相关推荐
菜鸟una6 小时前
【微信小程序 + map组件】自定义地图气泡?原生气泡?如何抉择?
前端·vue.js·程序人生·微信小程序·小程序·typescript
代码s贝多芬的音符13 小时前
ios android 小程序 蓝牙 CRC16_MODBUS
android·ios·小程序
狂团商城小师妹13 小时前
XYlease租赁商城小程序
微信·微信小程序·小程序
weixin_1772972206913 小时前
家政小程序系统开发:打造便捷高效的家政服务平台
大数据·小程序·家政
lang2015092813 小时前
Spring Boot优雅关闭全解析
java·spring boot·后端
2501_9159090614 小时前
“绑定 HTTPS” 的工程全流程 从证书配置到真机验证与故障排查
网络协议·http·ios·小程序·https·uni-app·iphone
刘一说15 小时前
Spring Boot 启动慢?启动过程深度解析与优化策略
java·spring boot·后端
2501_9159184115 小时前
iOS 混淆实战 多工具组合完成 IPA 混淆、加固与工程化落地(iOS混淆|IPA加固|无源码混淆|Ipa Guard|Swift Shield)
android·ios·小程序·https·uni-app·iphone·webview
lang2015092816 小时前
Spring Boot缓存机制全解析
spring boot·后端·缓存