← 香橙先生毕设选题库
毕业设计参考选题
405 个题目，覆盖嵌入式、物联网、人工智能视觉与大模型应用。按场景、硬件与难度整理，每一个都可以落地。
题目来自近两届真实的开题方向与实际项目，仅作方向参考。
选题之前
三分钟读完选题的难点，往往不在题目本身，而在开始之前没有想清楚的几件事。以下五点，最影响结果。
一个题目，由三部分组成。
无论名称如何，嵌入式与物联网类毕设都可以拆成三层。
用传感器感知环境，用执行器作出响应。
对数据作出判断。可以是几行逻辑，也可以是一个模型。
让结果被看见。网页、屏幕、语音，都是展示。
判断一个题目是否可行，只看三点。场景能否一句话说清，硬件能否摆上一张桌子，答辩时能否现场演示。
单片机，还是树莓派。
专注控制。响应快、功耗低、成本低，适合读取传感器、驱动电机与继电器。ESP32 内置 WiFi，适合联网场景。算力有限，不适合图像识别。
一台运行 Linux 的小型电脑。擅长 Python、图像处理与 AI 模型推理。不适合毫秒级的精确控制。
题目中出现识别、检测、问答，通常选树莓派。出现监测、控制、自动调节，通常选单片机。更完整的系统往往两者结合，单片机负责采集与执行，树莓派负责判断。
大模型，用在该用的地方。
「基于大模型」通常指调用 DeepSeek、通义千问等现成接口，而不是自行训练模型。这一点，开题时就应向导师说明。
它适合把检测结果转化为自然语言，适合问答与建议生成。它不适合实时检测，也不适合离线场景。持续判断画面，应交给 YOLO 这类本地轻量模型。
实时的事交给本地，需要理解的事交给大模型。这是最清晰、也最容易讲明白的架构。
先确定难度。
单一传感器或单一模块。如温湿度报警、语音控制灯光、人脸考勤。完成度最有保障。
多个模块联动，加入判断逻辑。如检测、网页展示与报警联动。方案成熟，工作量适中。
多设备协同，或对实时性与准确率要求高。如跌倒监测结合大模型决策。风险最高。
以下三种情况意味着风险更高。需要自行采集大量数据，需要多台设备精确同步，需要很高的准确率才能使用。
如果不确定从哪里开始，人脸考勤、安全帽检测、家庭安防、农业病害识别与大模型问答，是资料最完整的五类。它们也最容易撞题。更换一个细分场景即可形成差异，技术方案无需改变。
值得避开的几件事。
- 用新概念装点题目。多模态、联邦学习，如果讲不清实现方式，只会在答辩时成为问题。
- 方向与导师不匹配。选择导师熟悉的方向，指导会更顺畅。
- 只追求复杂。一个完成度高的简单系统，胜过一个未完成的复杂系统。
- 忽略演示。可以现场演示的画面与联动，是答辩中最有说服力的部分。
查重、论文字数与开题报告的细节，见完整的选题指南。
树莓派 × 大模型
24 个专题树莓派 5 搭配 AI 加速卡，可以在一台小设备上完成视觉识别、语音交互与大模型推理。成本可控，演示直观。
以下每个题目，均注明了功能、硬件与模型。
全部选题
按关键词或方向筛选共 0 个选题
题目仅作方向参考。更换应用场景、传感器组合或评价指标，即可形成属于你自己的题目。定题时，请结合学校要求、导师方向与现有设备。
常见问题
选题阶段毕业设计需要提交什么
通常包括可运行的实物或演示系统、开题报告、毕业论文与答辩 PPT，部分学校另有中期检查。论文字数专科约一万五至两万字，本科约两万至三万字，以学校要求为准。
题目由导师指定，还是自己选择
两者都可以。可以从教务系统发布的课题中选择，也可以带着自己的方向与导师沟通。自拟题目前，建议先想好大致的硬件方案与实现思路。
查重检查什么
将论文文字与知网、维普、万方等数据库比对，得出重复率。常见合格线为 20% 至 30%，以学校通知为准。代码通常不计入，大段引用他人的说明文档仍会计入。部分学校已增加 AI 生成内容检测。
需要自己训练模型吗
通常不需要。图像检测可使用现成的 YOLO 模型并少量微调，简单的分类与预测用 scikit-learn 即可完成。重点在于部署、接入与展示。
可以直接使用这些题目吗
建议作为方向参考。更换场景、硬件或评价指标，既能避免撞题，也让答辩更有内容可讲。
只做指导，不做代写
服务说明代做毕业设计、代写论文，违反学校的学术诚信规定。一经查实，可能被取消答辩资格，已授予的学位也可能被撤销。
「全包」听起来省心，却绕不开一个事实，答辩只能你自己上。老师会追问方案为什么这样设计、代码怎样运行、数据从哪里来。没有亲手做过，这些问题很难答上来。承诺替你包办一切的服务，本身就不可信。
- 选题与方案指导判断题目是否可行，梳理技术路线与工作量。
- 问题答疑代码报错、环境配置、模型训练与部署。
- 硬件当面辅导选型、接线、调试与故障排查，可以线下一起动手。
系统由你完成，答辩由你完成。我负责让你把每一步都弄明白。
还有疑问？
选题、硬件选型、模型部署与论文结构，都可以通过微信或邮件咨询。