毕设分享基于深度学习卷积神经网络的花卉识别

最新推荐文章于 2024-05-01 08:37:51 发布

kooerr

最新推荐文章于 2024-05-01 08:37:51 发布

阅读量781

点赞数 16

文章标签： cnn python 算法

本文链接：https://blog.csdn.net/kooerr/article/details/137448193

版权

文章目录

0 前言
1 项目背景
2 花卉识别的基本原理
3 算法实现
4 算法实现
- 4.1 花卉图像数据
- 4.2 模块组成
5 项目执行结果
6 最后

0 前言

今天学长向大家介绍一个机器视觉项目

基于深度学习卷积神经网络的花卉识别

🧿 选题指导, 项目分享：见文末

1 项目背景

在我国有着成千上万种花卉，但如何能方便快捷的识别辨识出这些花卉的种类成为了植物学领域的重要研究课题。我国的花卉研究历史悠久，是世界上研究较早的国家之一。花卉是我国重要的物产资源，除美化了环境，调养身心外，它还具有药用价值，并且在医学领域为保障人们的健康起着重要作用。

花卉识别是植物学领域的一个重要课题，多年来已经形成一定体系化分类系统,但需要植物学家耗费大量的精力人工分析。这种方法要求我们首先去了解花卉的生长环境，近而去研究花卉的整体形态特征。在观察植株形态特征时尤其是重点观察花卉的花蕊特征、花卉的纹理颜色和形状及其相关信息等。然后在和现有的样本进行比对，最终确定花卉的所属类别。

2 花卉识别的基本原理

花卉种类识别功能实现的主要途径是利用计算机对样本进行分类。通过对样本的精准分类达到得出图像识别结果的目的。经典的花卉识别设计如下图所示，这几个过程相互关联而又有明显区别。

在这里插入图片描述

3 算法实现

3.1 预处理

预处理是对处于最低抽象级别的图像进行操作的通用名称，输入和输出均为强度图像。为了使实验结果更精准，需要对图像数据进行预处理，比如，根据需要增强图像质量、将图像裁剪成大小一致的形状、避免不必要的失真等等。

3.2 特征提取和选择

要想获取花卉图像中的最具代表性的隐含信息，就必须对花卉图像数据集进行相应的变换。

特征提取旨在通过从现有特征中创建新特征（然后丢弃原始特征）来减少数据集中的特征数量。然后，这些新的简化功能集应该能够汇总原始功能集中包含的大多数信息。这样，可以从原始集合的组合中创建原始特征的摘要版本。对所获取的信息实现从测量空间到特征空间的转换。

3.3 分类器设计和决策

构建完整系统的适当分类器组件的任务是使用特征提取器提供的特征向量将对象分配给类别。由于完美的分类性能通常是不可能实现的，因此一般的任务是确定每种可能类别的概率。输入数据的特征向量表示所提供的抽象使得能够开发出在尽可能大程度上与领域无关的分类理论。

在这里插入图片描述

在设计阶段，决策功能必须重复多次，直到错误达到特定条件为止。分类决策是在分类器设计阶段基于预处理、特征提取与选择及判决函数建立的模型，对接收到的样本数据进行归类，然后输出分类结果。

3.4 卷积神经网络基本原理

卷积神经网络是受到生物学启发的深度学习经典的多层前馈神经网络结构。是一种在图像分类中广泛使用的机器学习算法。

CNN 的灵感来自我们人类实际看到并识别物体的方式。这是基于一种方法，即我们眼睛中的神经元细胞只接收到整个对象的一小部分，而这些小块（称为接受场）被组合在一起以形成整个对象。与其他的人工视觉算法不一样的是 CNN 可以处理特定任务的多个阶段的不变特征。卷积神经网络使用的并不像经典的人工神经网络那样的全连接层，而是通过采取局部连接和权值共享的方法，来使训练的参数量减少，降低模型的训练复杂度。

CNN 在图像分类和其他识别任务方面已经使传统技术的识别效果得到显著的改善。由于在过去的几年中卷积网络的快速发展，对象分类和目标检测能力取得喜人的成绩。

典型的 CNN 含有多个卷积层和池化层，并具有全连接层以产生任务的最终结果。在图像分类中，最后一层的每个单元表示分类概率。

在这里插入图片描述

4 算法实现

4.1 花卉图像数据

花卉图像的获取除了通过用拍摄设备手工收集或是通过网络下载已经整理好的现有数据集，还可以通过网络爬虫技术收集整理自己的数据集。

在这里插入图片描述

以roses种类的训练数据为例，文件夹内部均为该种类花的图像文件

在这里插入图片描述

4.2 模块组成

示例代码主要由四个模块组成：

input_data.py——图像特征提取模块，模块生成四种花的品类图片路径及对应标签的List
model.py——模型模块，构建完整的CNN模型
train.py——训练模块，训练模型，并保存训练模型结果
test.py——测试模块，测试模型对图片识别的准确度

项目模块执行顺序

运行train.py开始训练。
训练完成后- 运行test.py，查看实际测试结果
input_data.py——图像特征提取模块，模块生成四种花的品类图片路径及对应标签的List

import os
import math
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt

# -----------------生成图片路径和标签的List------------------------------------
train_dir = 'D:/ML/flower/input_data'

roses = []
label_roses = []
tulips = []
label_tulips = []
dandelion = []
label_dandelion = []
sunflowers = []
label_sunflowers = []

定义函数get_files,获取图片列表及标签列表

# step1：获取所有的图片路径名，存放到
# 对应的列表中，同时贴上标签，存放到label列表中。
def get_files(file_dir, ratio):
    for file in os.listdir(file_dir + '/roses'):
        roses.append(file_dir + '/roses' + '/' + file)
        label_roses.append(0)
    for file in os.listdir(file_dir + '/tulips'):
        tulips.append(file_dir + '/tulips' + '/' + file)
        label_tulips.append(1)
    for file in os.listdir(file_dir + '/dandelion'):
        dandelion.append(file_dir + '/dandelion' + '/' + file)
        label_dandelion.append(2)
    for file in os.listdir(file_dir + '/sunflowers'):
        sunflowers.append(file_dir + '/sunflowers' + '/' + file)
        label_sunflowers.append(3)
        # step2：对生成的图片路径和标签List做打乱处理
    image_list = np.hstack((roses, tulips, dandelion, sunflowers))
    label_list = np.hstack((label_roses, label_tulips, label_dandelion, label_sunflowers))

    # 利用shuffle打乱顺序
    temp = np.array([image_list, label_list])
    temp = temp.transpose()
    np.random.shuffle(temp)


    # 将所有的img和lab转换成list
    all_image_list = list(temp[:, 0])
    all_label_list = list(temp[:, 1])
        # 将所得List分为两部分，一部分用来训练tra，一部分用来测试val
    # ratio是测试集的比例
    n_sample = len(all_label_list)
    n_val = int(math.ceil(n_sample * ratio))  # 测试样本数
    n_train = n_sample - n_val  # 训练样本数

    tra_images = all_image_list[0:n_train]
    tra_labels = all_label_list[0:n_train]
    tra_labels = [int(float(i)) for i in tra_labels]
    val_images = all_image_list[n_train:-1]
    val_labels = all_label_list[n_train:-1]
    val_labels = [int(float(i)) for i in val_labels]

    return tra_images, tra_labels, val_images, val_labels

定义函数get_batch,生成训练批次数据

# --------------------生成Batch----------------------------------------------

# step1：将上面生成的List传入get_batch() ，转换类型，产生一个输入队列queue，因为img和lab
# 是分开的，所以使用tf.train.slice_input_producer()，然后用tf.read_file()从队列中读取图像
#   image_W, image_H, ：设置好固定的图像高度和宽度
#   设置batch_size：每个batch要放多少张图片
#   capacity：一个队列最大多少
定义函数g