关于TensorFlow深度学习的卷积神经网络的岩石图像识

目录

关于TensorFlow深度学习的卷积神经网络的岩石图像识别

一、案例简述

 1.项目需求

 2.项目实现

   二、项目实现过程  

1.数据集

2.项目运行的环境

3.关于YOLOv8 

4.YOLOv8环境配置

​​编辑

三、模型训练过程

1.划分数据集

2.划分数据集后的文件结构

3.模型训练

5.模型预测

6.创建main.py文件并调用 

四、训练结果

成功训练后根目录下会产生一个run的文件夹，里面就存有训练好的模型

PR曲线图：

图片显示检测结果​编辑​编辑

五、总结

---

关于TensorFlow深度学习的卷积神经网络的岩石图像识别

一、案例简述

       针对煤矸石分选的问题，提出一种基于深度学习的目标检测算法替代人工选矸，为后续开发自动选矸机器人提供视觉依据。由于矸石样本数量有限，各个地区矸石特征不一，没有统一标准大数量样本集，为不影响深度卷积网络训练精度，提出一种基于卷积生成对抗网络（DCGAN）的煤矸石图像数据扩充方法，建立有效的监督样本集进行训练。通过模型训练实验发现，基础YOLOv8的深度学习网络存在针对小块煤矸石漏检与误检的缺陷，通过算法克服小块煤矸石漏检的缺陷。通过实验测试得出，改进后的YOLOv8能够对小块煤矸石检测，同时也能够提高目标检测模型的整体检测精度，准确率可达98%以上，完全可以替代人工检测

       在本博文中，我们提出了一种基于深度学习的煤矸石检测与识别系统，该系统采用YOLOv8算法对煤矸石进行检测和识别，实现对图片中的煤矸石进行准确识别。

 1.项目需求

      对煤矸石进行检测与识别，系统将识别出图片中的克服小块煤矸石漏检的缺陷。

 2.项目实现

     通过调研，本项目最终使用yolov8模型作为目标检测的模型， YOLOv8 旨在快速、准确且易于使用，使其成为广泛的物体检测、图像分割和图像分类任务的极佳选择。

   二、项目实现过程  

1.数据集

• 数据集来源：百度
• 数据集格式：图片格式jpg，大小3091张 
• 煤矸石数据集及训练的模型有3091张图片和txt标签，标签类别两类：“coal”、“rock”。

2.项目运行的环境

• 语言环境：python3.9
• 编辑器：pycharm
•  深度学习环境：tensorflow2

3.关于YOLOv8 

• YOLOv8 概述

YOLOv8 算法的核心特性和改动可以归结为如下：

1.提供了一个全新的 SOTA 模型，包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于 YOLACT 的实例分割模型。和 YOLOv5 一样，基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型，用于满足不同场景需求

2.骨干网络和 Neck 部分可能参考了 YOLOv7 ELAN 设计思想，将 YOLOv5 的 C3 结构换成了梯度流更丰富的 C2f 结构，并对不同尺度模型调整了不同的通道数，属于对模型结构精心微调，不再是无脑一套参数应用所有模型，大幅提升了模型性能。不过这个 C2f 模块中存在 Split 等操作对特定硬件部署没有之前那么友好了

3.Head 部分相比 YOLOv5 改动较大，换成了目前主流的解耦头结构，将分类和检测头分离，同时也从 Anchor-Based 换成了 Anchor-Free

4.Loss 计算方面采用了 TaskAlignedAssigner 正样本分配策略，并引入了 Distribution Focal Loss
 

•  Yolov8网络结构图和创新点改进图

  Yolov8网络结构图

 创新点改进图

4.YOLOv8环境配置

• 语言环境：python3.9
• 编辑器：pycharm
• 深度学习环境：tensorflow2
• yolo检测网络包括24个卷积层和2个全连接层，其中，卷积层用来提取图像特征，全连接层用来预测图像位置和类别概率值。

（1）创建一个虚拟环境

首先去自己的anaconda的安装的envs（虚拟环境），在导航栏输入cmd，进入命令窗口，确保python>=3.7;CUD