用python搭建神经网络实现书籍ISBN号识别

最新推荐文章于 2022-09-27 00:50:43 发布

coder_zrx

最新推荐文章于 2022-09-27 00:50:43 发布

阅读量2k

点赞数 4

分类专栏：机器学习文章标签： python 神经网络

本文链接：https://blog.csdn.net/qq_37705280/article/details/105351164

版权

本文介绍如何使用Python搭建神经网络来识别书籍的ISBN号码。在训练过程中，作者遇到使用MINST手写体数据集导致识别效果不佳的问题，意识到神经网络需要针对性的数据进行训练。解决方法是对ISBN号码图片进行二值化处理，然后扫描像素进行识别。最后，文章提供相关代码实现。

摘要由CSDN通过智能技术生成

如何用Python搭建神经网络并识别书籍号码

一些前言以及感想

首先要先搭建神经网络，然后用数据集进行训练（其实就是用数字的图片集进行训练），这个地方有一个很大的坑，因为书号（或者车牌）都是印刷体，其实字体是比较规矩的，所以起初笔者用了MINST手写体数据集进行训练（字体很不规范），想法就是“不规范”的都能认出来，规范的一定也能识别出来，但问题出来了，用MINST数据集训练后，识别结果一塌糊涂，驴唇不对马嘴。上网查了一下发现神经网络对这些东西似乎很敏感（也可以说它很笨，非常非常笨），“喂一口吃一口”，没见过的东西是绝对不会的。

训练完网络后，接下来就是对书籍的ISBN号照片进行处理（要识别ISBN总要把ISBN提取出来，去掉后面的条形码），方法也很简单，只要对照片进行简单的二值化，然后对像素进行扫描就可以（方法比较简单，因为要处理的图片比较简单），获得ISBN后将每个数字提取出来放进神将网络里面去识别就OK了。好了话不多说，直接上代码。

import numpy
import scipy.special
import matplotlib.pyplot 
import cv2
import os


#搭建神经网络
class neuralNetwork:
    def __init__(self,Inodes,Hnodes,Onodes,Lrate):           #初始化函数
        self.inodes=Inodes
        self.hnodes=Hnodes
        self.onodes=Onodes
        self.L=Lrate
        self.activation_function=lambda x:scipy.special.expit(x)      #使用lambda匿名函数，x为参数
        self.wih = numpy.random.rand(self.hnodes, self.inodes) - 0.5  # 输入层与隐含层连接权
        #print(self.wih)
        self.who = numpy.random.rand(self.onodes, self.hnodes) - 0.5  # 输出层与隐含层连接权
        #print(self.who)

    def train(self,inputs_list,targets_list):                 #训练函数
        inputs=numpy.array(inputs_list,ndmin=2).T
        targets=numpy.array(targets_list,ndmin=2).T

        hidden_inputs=numpy.dot(self.wih,inputs)
        hidden_outputs=self.activation_function(hidden_inputs)
        final_inputs = numpy.dot(self.who, hidden_outputs)
        final_outputs = self.activation_function(final_inputs)

        output_errors=targets-final_outputs
        hidden_errors=numpy.dot(self.who.T,output_errors)

        # 更新隐层和输出层权重
        self.who+=self.L*numpy.dot((output_errors*final_outputs*(1.0-final_outputs)),numpy.transpose(hidden_outputs))
        #更新输入层与隐层之间权重
        self.wih += self.L * numpy.dot((hidden_errors * hidden_outputs * (1.0 - hidden_outputs)),
                                       numpy.transpose(inputs))

    def query(self,input_list):                         #查询函数
        inputs=numpy.array(input_list,ndmin=2).T    #convert inputs list to ad arr