网站做3年3年包括什么,引流推广广告怎么写,2020电商网站排行榜,深圳华控赛格公司官网文章目录 0 前言2 开发简介3 识别原理3.1 传统图像识别原理3.2 深度学习水果识别 4 数据集5 部分关键代码5.1 处理训练集的数据结构5.2 模型网络结构5.3 训练模型 6 识别效果7 最后 0 前言
#x1f525; 优质竞赛项目系列#xff0c;今天要分享的是
#x1f6a9; 深度学习… 文章目录 0 前言2 开发简介3 识别原理3.1 传统图像识别原理3.2 深度学习水果识别 4 数据集5 部分关键代码5.1 处理训练集的数据结构5.2 模型网络结构5.3 训练模型 6 识别效果7 最后 0 前言 优质竞赛项目系列今天要分享的是 深度学习的水果识别 opencv python
该项目较为新颖适合作为竞赛课题方向学长非常推荐
学长这里给一个题目综合评分(每项满分5分)
难度系数3分工作量3分创新点4分 更多资料, 项目分享
https://gitee.com/dancheng-senior/postgraduate
2 开发简介
深度学习作为机器学习领域内新兴并且蓬勃发展的一门学科 它不仅改变着传统的机器学习方法 也影响着我们对人类感知的理解 已经在图像识别和语音识别等领域取得广泛的应用。 因此 本文在深入研究深度学习理论的基础上 将深度学习应用到水果图像识别中 以此来提高了水果图像的识别性能。
3 识别原理
3.1 传统图像识别原理
传统的水果图像识别系统的一般过程如下图所示主要工作集中在图像预处理和特征提取阶段。
在大多数的识别任务中 实验所用图像往往是在严格限定的环境中采集的 消除了外界环境对图像的影响。 但是实际环境中图像易受到光照变化、 水果反光、 遮挡等因素的影响 这在不同程度上影响着水果图像的识别准确率。
在传统的水果图像识别系统中 通常是对水果的纹理、 颜色、 形状等特征进行提取和识别。 3.2 深度学习水果识别
CNN 是一种专门为识别二维特征而设计的多层神经网络 它的结构如下图所示这种结构对平移、 缩放、 旋转等变形具有高度的不变性。 学长本次采用的 CNN 架构如图
4 数据集 数据库分为训练集(train)和测试集(test)两部分 训练集包含四类apple,orange,banana,mixed(多种水果混合)四类237张图片测试集包含每类图片各两张。图片集如下图所示。 图片类别可由图片名称中提取。
训练集图片预览 测试集预览
数据集目录结构
5 部分关键代码
5.1 处理训练集的数据结构
import os
import pandas as pdtrain_dir ./Training/
test_dir ./Test/
fruits []
fruits_image []for i in os.listdir(train_dir):for image_filename in os.listdir(train_dir i):fruits.append(i) # name of the fruitfruits_image.append(i / image_filename)
train_fruits pd.DataFrame(fruits, columns[Fruits])
train_fruits[Fruits Image] fruits_imageprint(train_fruits)5.2 模型网络结构
import matplotlib.pyplot as plt
import seaborn as sns
from keras.preprocessing.image import ImageDataGenerator, img_to_array, load_img
from glob import glob
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Activation, Dropout, Flatten, Dense
img load_img(train_dir Cantaloupe 1/r_234_100.jpg)
plt.imshow(img)
plt.axis(off)
plt.show()array_image img_to_array(img)# shape (100,100)
print(Image Shape -- , array_image.shape)# 131个类目
fruitCountUnique glob(train_dir /* )
numberOfClass len(fruitCountUnique)
print(How many different fruits are there -- ,numberOfClass)# 构建模型
model Sequential()
model.add(Conv2D(32,(3,3),input_shape array_image.shape))
model.add(Activation(relu))
model.add(MaxPooling2D())
model.add(Conv2D(32,(3,3)))
model.add(Activation(relu))
model.add(MaxPooling2D())
model.add(Conv2D(64,(3,3)))
model.add(Activation(relu))
model.add(MaxPooling2D())
model.add(Flatten())
model.add(Dense(1024))
model.add(Activation(relu))
model.add(Dropout(0.5))# 区分131类
model.add(Dense(numberOfClass)) # output
model.add(Activation(softmax))
model.compile(loss categorical_crossentropy,optimizer rmsprop,metrics [accuracy])print(Target Size -- , array_image.shape[:2])5.3 训练模型
train_datagen ImageDataGenerator(rescale 1./255,shear_range 0.3,horizontal_flipTrue,zoom_range 0.3)test_datagen ImageDataGenerator(rescale 1./255)
epochs 100
batch_size 32
train_generator train_datagen.flow_from_directory(train_dir,target_size array_image.shape[:2],batch_size batch_size,color_mode rgb,class_mode categorical)test_generator test_datagen.flow_from_directory(test_dir,target_size array_image.shape[:2],batch_size batch_size,color_mode rgb,class_mode categorical)for data_batch, labels_batch in train_generator:print(data_batch shape -- ,data_batch.shape)print(labels_batch shape -- ,labels_batch.shape)breakhist model.fit_generator(generator train_generator,steps_per_epoch 1600 // batch_size,epochsepochs,validation_data test_generator,validation_steps 800 // batch_size)#保存模型 model_fruits.h5
model.save(model_fruits.h5)顺便输出训练曲线
#展示损失模型结果
plt.figure()
plt.plot(hist.history[loss],label Train Loss, color black)
plt.plot(hist.history[val_loss],label Validation Loss, color darkred, linestyledashed,markeredgecolor purple, markeredgewidth 2)
plt.title(Model Loss, color darkred, size 13)
plt.legend()
plt.show()#展示精确模型结果
plt.figure()
plt.plot(hist.history[accuracy],label Train Accuracy, color black)
plt.plot(hist.history[val_accuracy],label Validation Accuracy, color darkred, linestyledashed,markeredgecolor purple, markeredgewidth 2)
plt.title(Model Accuracy, color darkred, size 13)
plt.legend()
plt.show()6 识别效果
from tensorflow.keras.models import load_model
import os
import pandas as pdfrom keras.preprocessing.image import ImageDataGenerator,img_to_array, load_img
import cv2,matplotlib.pyplot as plt,numpy as np
from keras.preprocessing import imagetrain_datagen ImageDataGenerator(rescale 1./255,shear_range 0.3,horizontal_flipTrue,zoom_range 0.3)model load_model(model_fruits.h5)
batch_size 32
img load_img(./Test/Apricot/3_100.jpg,target_size(100,100))
plt.imshow(img)
plt.show()array_image img_to_array(img)
array_image array_image * 1./255
x np.expand_dims(array_image, axis0)
images np.vstack([x])
classes model.predict_classes(images, batch_size10)
print(classes)
train_dir ./Training/train_generator train_datagen.flow_from_directory(train_dir,target_size array_image.shape[:2],batch_size batch_size,color_mode rgb,class_mode categorical”)
print(train_generator.class_indices)
fig plt.figure(figsize(16, 16))
axes []
files []
predictions []
true_labels []
rows 5
cols 2# 随机选择几个图片
def getRandomImage(path, img_width, img_height):function loads a random image from a random folder in our test pathfolders list(filter(lambda x: os.path.isdir(os.path.join(path, x)), os.listdir(path)))random_directory np.random.randint(0, len(folders))path_class folders[random_directory]file_path os.path.join(path, path_class)file_names [f for f in os.listdir(file_path) if os.path.isfile(os.path.join(file_path, f))]random_file_index np.random.randint(0, len(file_names))image_name file_names[random_file_index]final_path os.path.join(file_path, image_name)return image.load_img(final_path, target_size (img_width, img_height)), final_path, path_classdef draw_test(name, pred, im, true_label):BLACK [0, 0, 0]expanded_image cv2.copyMakeBorder(im, 160, 0, 0, 300, cv2.BORDER_CONSTANT, valueBLACK)cv2.putText(expanded_image, predicted: pred, (20, 60), cv2.FONT_HERSHEY_SIMPLEX,0.85, (255, 0, 0), 2)cv2.putText(expanded_image, true: true_label, (20, 120), cv2.FONT_HERSHEY_SIMPLEX,0.85, (0, 255, 0), 2)return expanded_image
IMG_ROWS, IMG_COLS 100, 100# predicting images
for i in range(0, 10):path ./Testimg, final_path, true_label getRandomImage(path, IMG_ROWS, IMG_COLS)files.append(final_path)true_labels.append(true_label)x image.img_to_array(img)x x * 1./255x np.expand_dims(x, axis0)images np.vstack([x])classes model.predict_classes(images, batch_size10)predictions.append(classes)class_labels train_generator.class_indices
class_labels {v: k for k, v in class_labels.items()}
class_list list(class_labels.values())for i in range(0, len(files)):image cv2.imread(files[i])image draw_test(Prediction, class_labels[predictions[i][0]], image, true_labels[i])axes.append(fig.add_subplot(rows, cols, i1))plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))plt.grid(False)plt.axis(off)
plt.show()7 最后 更多资料, 项目分享
https://gitee.com/dancheng-senior/postgraduate
