基于keras框架的MobileNet深度学习神经网络垃圾识别分类系统源码

AI街潜水的八角

于 2024-01-21 20:43:38 发布

阅读量417

点赞数 9

分类专栏：分类实战文章标签：深度学习 keras 神经网络

本文链接：https://blog.csdn.net/m0_59023219/article/details/135734854

版权

分类实战专栏收录该内容

32 篇文章 2 订阅

订阅专栏

本文介绍了使用MobileNet构建的垃圾识别模型，包括数据预处理、模型结构设计（关注全连接层调整）、训练策略（交叉熵损失函数和可训练层设置）、高精度94.1%的性能以及搭建的GUI界面。代码提供下载，详阅附带的文档以获取完整流程。

摘要由CSDN通过智能技术生成

第一步：准备数据

三种垃圾数据：厨房垃圾，危害性垃圾，可回收垃圾，总共10162张图片

第二步：搭建模型

本文选择MobileNe，其网络结构如下：

由于是三分类问题，直接套用网络肯定是不行，因此会在全连接部分做手脚，参考代码如下：

    x = base_model.output
    x = GlobalAveragePooling2D()(x)
    x = Dense(256)(x)
    x = BatchNormalization()(x)
    x = Activation('relu')(x)
    x = Dense(64)(x)
    x = BatchNormalization()(x)
    x = Activation('relu')(x)
    x = Dense(class_num)(x)
    predictions = Activation('softmax')(x)

    # for layer in base_model.layers:
    #     layer.trainable = True

    model = Model(inputs=base_model.input, outputs=predictions)
    return model

第三步：训练代码

1）损失函数为：交叉熵损失函数

2）MobileNet可以从头训练或者利用预训练模型进行训练：

def MobileNet_model(width, height, class_num):
    w = 1
    if w:
        base_model = MobileNet(weights='imagenet', include_top=False, input_shape=(width, height, 3))
    else:
        base_model = MobileNet(weights=None, include_top=False, input_shape=(width, height, 3))
    for layer in base_model.layers:
        layer.trainable = True

第四步：统计正确率