目录
数据集：
实验代码：alexnet版
如果你的matlab不是正版，先看这里：
数据集结构：
训练代码：
训练结果：
图形界面：
界面展示：
其他：
输出结果:
实验思路是使用预训练神经网络对图片进行特征提取，然后再使用SVM对得到的特征进行处理。
写完后试过基于形态学分类，可能是数据集的原因，用了面积、周长、最小外接矩形的长和宽、离心率、灰度均值、HSV均值，方差等作为特征，结果并不理想。
用的matlab2021a，老师那要的（没法发安装包，只能线下找我）低版本不确定能用。
数据集：
自己搞得，不太行，还是建议你用其他的网上数据集
实验代码：alexnet版
如果你的matlab不是正版，先看这里：
如果你的matlab不是正版，无法下载Deep Learning Toolbox Model for AlexNet Network来获得已经训练好的神经网络可以去官网下载，或者在我这花1积分下载Deep Learning Toolbox Model for AlexNet Network - File Exchange - MATLAB CentralDownload and share free MATLAB code, including functions, models, apps, support packages and toolboxes
如果是在b站上下载的2022版有可能会崩溃，提前做好心理准备（偶然现象）
下载完后（如果是压缩包的话先解压），将安装包拖进matlab的工作目录
然后双击工作目录里的这个安装包来运行它，会弹出这个界面
按提示操作
输入完毕后验证电子邮件
设置密码
就开始下载了
下载完就能用已经训练好的alexnet了
数据集结构：
数据集下载 我这个数据集很一般，建议从网上找数据集
apple数据集，里面的每个文件夹是一个类别（名字随便写，不过最好不是中文），图片是哪一种就放在那个文件夹里
训练代码：
file是数据集所在文件夹
训练完会有提示，让你选择保存不保存数据集
报错说alexnet什么的看上面-------如果你的matlab不是正版
clc;
clear;
file = 'D:/apple';
% 读取file中所有图片，以文件夹名作为标签
appleData = imageDatastore(file, 'IncludeSubfolders', true, 'LabelSource', 'foldernames')
% 调整大小适应后来的AlexNet模型输入
appleData.ReadFcn = @(x) imresize(imread(x), [227 227]);
% 划分测试集训练集，会打乱
[trainImds, testImds] = splitEachLabel(appleData, 0.8, 'randomized');
net = alexnet;% 加载AlexNet模型
% 特征提取
% 使用activations函数对训练集和测试集的图像进行特征提取
% 输出第七层的特征
featuresTrain = activations(net, trainImds, 'fc7', 'OutputAs', 'rows');
featuresTest = activations(net, testImds, 'fc7', 'OutputAs', 'rows');
fprintf('开始训练');
% 训练SVM，fitcecoc任数训练SVM分类器
svmModel = fitcecoc(featuresTrain,trainImds.Labels);
% 在测试集计算准确率
fprintf('预测值：');
predictedLabels = predict(svmModel, featuresTest);
fprintf('真实值：');
testImds.Labels
fprintf('正确率：');
accuracy = mean(predictedLabels == testImds.Labels)
x = input('是否保存svmModel已训练模型（y/n）',"s") ;
if(x=='y')
save svm_Model svmModel
fprintf('模型已保存到svm_Model.mat')
end
训练结果：
appleData =
ImageDatastore - 属性:
Files: {
'D:\apple\1\1.jpeg';
'D:\apple\1\1.jpg';
'D:\apple\1\10.jpg'
... and 197 more
}
Folders: {
'D:\apple'
}
Labels: [1; 1; 1 ... and 197 more categorical]
AlternateFileSystemRoots: {}
ReadSize: 1
SupportedOutputFormats: ["png" "jpg" "jpeg" "tif" "tiff"]
DefaultOutputFormat: "png"
ReadFcn: @readDatastoreImage
开始训练预测值：真实值：
ans =
41×1 categorical 数组
1
1
1
1
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
3
3
3
3
3
3
3
3
正确率：
accuracy =
0.9512
是否保存svmModel已训练模型（y/n）y
模型已保存到svm_Model.mat>> 图形界面：
用matlab自带的设计app做的
我主要就写了一个按钮的回调，一定要记着保存SVM模型后再用，没做读取错误报错。
classdef apple < matlab.apps.AppBase
% Properties that correspond to app components
properties (Access = public)
UIFigure matlab.ui.Figure
EditField_2 matlab.ui.control.EditField
EditField_2Label matlab.ui.control.Label
EditField matlab.ui.control.EditField
Label matlab.ui.control.Label
Image matlab.ui.control.Image
Button matlab.ui.control.Button
end
% Callbacks that handle component events
methods (Access = private)
% Button pushed function: Button
function ButtonPushed(app, event)
global svmModel net;% 模型
% 如果没有模型，加载模型
if(exist('svmModel','var')&&exist('net','var'))
net = alexnet;% 加载AlexNet模型
load svm_Model svmModel% 加载已训练模型
end
% 打开文件对话框 禁止多选
[file,path]=uigetfile('*.*',' Multiselect ' ,'off');
if(file==0) % 没读文件
return
end
% 更改路径文本
file = [path,file];
app.EditField.Value = file;
app.Image.ImageSource = imread(file);% 更改图像显示
% 创建需要读取特征的数据
appleData = imageDatastore(file);
% 调整大小适应后来的AlexNet模型输入
appleData.ReadFcn = @(x) imresize(imread(x), [227 227]);
appleData = activations(net, appleData, 'fc7', 'OutputAs', 'rows');
Labels = predict(svmModel, appleData);
app.EditField_2.Value = string(Labels);
end
end
% Component initialization
methods (Access = private)
% Create UIFigure and components
function createComponents(app)
% Create UIFigure and hide until all components are created
app.UIFigure = uifigure('Visible', 'off');
app.UIFigure.Position = [100 100 415 393];
app.UIFigure.Name = 'MATLAB App';
% Create Button
app.Button = uibutton(app.UIFigure, 'push');
app.Button.ButtonPushedFcn = createCallbackFcn(app, @ButtonPushed, true);
app.Button.FontSize = 20;
app.Button.Position = [36 21 100 34];
app.Button.Text = '选择文件';
% Create Image
app.Image = uiimage(app.UIFigure);
app.Image.Position = [86 134 237 237];
% Create Label
app.Label = uilabel(app.UIFigure);
app.Label.HorizontalAlignment = 'right';
app.Label.FontSize = 20;
app.Label.Position = [23 68 125 26];
app.Label.Text = '图片文件路径';
% Create EditField
app.EditField = uieditfield(app.UIFigure, 'text');
app.EditField.Editable = 'off';
app.EditField.Position = [157 61 230 36];
% Create EditField_2Label
app.EditField_2Label = uilabel(app.UIFigure);
app.EditField_2Label.HorizontalAlignment = 'right';
app.EditField_2Label.FontSize = 20;
app.EditField_2Label.Position = [209 22 65 26];
app.EditField_2Label.Text = '级别：';
% Create EditField_2
app.EditField_2 = uieditfield(app.UIFigure, 'text');
app.EditField_2.Editable = 'off';
app.EditField_2.Position = [273 23 50 24];
% Show the figure after all components are created
app.UIFigure.Visible = 'on';
end
end
% App creation and deletion
methods (Access = public)
% Construct app
function app = apple
% Create UIFigure and components
createComponents(app)
% Register the app with App Designer
registerApp(app, app.UIFigure)
if nargout == 0
clear app
end
end
% Code that executes before app deletion
function delete(app)
% Delete UIFigure when app is deleted
delete(app.UIFigure)
end
end
end界面展示：
其他：
如果觉着一个网络不好的话，这里还有一种操作：
或者你们还可以使用 Adaboost
Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器（强分类器）。
这几个网络都可以再之前的官网下载
clc;
clear;
file = 'D:/apple';
% 读取file中所有图片，以文件夹名作为标签
appleData = imageDatastore(file, 'IncludeSubfolders', true, 'LabelSource', 'foldernames')
% 调整大小适应后来的AlexNet模型输入
appleData.ReadFcn = @(x) imresize(imread(x), [227 227]);
% 划分测试集训练集，会打乱
[trainImds, testImds] = splitEachLabel(appleData, 0.8, 'randomized');
fprintf("\n开始加载预训练模型");
net1 = alexnet;% 加载预训练模型
net2 = vgg16;
net3 = resnet18;
% 特征提取
% 使用activations函数对训练集和测试集的图像进行特征提取
% alexnet,他有8层神经网络，
% 其中前5层是卷积层，后3层是全连接层。其中fc7层是全连接层的第2个，它包含4096个神经元
% 该层可以提取图像的高级语义特征，这些特征已经经过多次卷积和池化操作，
% 能够捕捉到图像的基本形状和纹理信息，同时又不会过于抽象
% 输出第七层的特征,按行输出，
fprintf("\n开始使用预训练模型提取特征");
featuresTrain1 = activations(net1, trainImds, 'fc7', 'OutputAs', 'channels');
featuresTrain2 = activations(net2, trainImds, 'fc7', 'OutputAs', 'channels');
featuresTrain3 = activations(net3, trainImds, 'pool5', 'OutputAs', 'channels');
fprintf("\n已经提取训练集特征提取特征");
featuresTest1 = activations(net1, testImds, 'fc7', 'OutputAs', 'channels');
featuresTest2 = activations(net2, testImds, 'fc7', 'OutputAs', 'channels');
featuresTest3 = activations(net3, testImds, 'pool5', 'OutputAs', 'channels');
fprintf("\n已经提取测试集特征提取特征");
featuresTrain1 = reshape(featuresTrain1, [], size(featuresTrain1, 4))';
featuresTrain2 = reshape(featuresTrain2, [], size(featuresTrain2, 4))';
featuresTrain3 = reshape(featuresTrain3, [], size(featuresTrain3, 4))';
featuresTest1 = reshape(featuresTest1, [], size(featuresTest1, 4))';
featuresTest2 = reshape(featuresTest2, [], size(featuresTest2, 4))';
featuresTest3 = reshape(featuresTest3, [], size(featuresTest3, 4))';
fprintf('\n开始训练');
% 训练SVM，fitcecoc任数训练SVM分类器
svmModel_1 = fitcecoc(featuresTrain1,trainImds.Labels);
svmModel_2 = fitcecoc(featuresTrain2,trainImds.Labels);
svmModel_3 = fitcecoc(featuresTrain3,trainImds.Labels);
% 在测试集计算准确率
predictedLabels1 = predict(svmModel_1, featuresTest1);
predictedLabels2 = predict(svmModel_2, featuresTest2);
predictedLabels3 = predict(svmModel_3, featuresTest3);
fprintf('alexnet 正确率：');
mean(predictedLabels1 == testImds.Labels)
fprintf('vgg16 正确率：');
mean(predictedLabels2 == testImds.Labels)
fprintf('resnet18 正确率：');
mean(predictedLabels3 == testImds.Labels)
% 返回一组数据中出现最频繁的元素
predictedLabels = mode([predictedLabels1, predictedLabels2, predictedLabels3], 2);
% 计算投票分类正确率
fprintf('投票正确率：');
accuracy = mean(predictedLabels == testImds.Labels)
x = input('是否保存已训练模型（y/n）',"s") ;
if(x=='y')
save svm_Model_3 svmModel_1 svmModel_2 svmModel_3
fprintf('模型已保存到 svm_Model_3.mat')
end
输出结果:
这个1就很晃眼，大概率不是真的。
appleData =
ImageDatastore - 属性:
Files: {
'D:\apple\1\1.jpeg';
'D:\apple\1\1.jpg';
'D:\apple\1\10.jpg'
... and 197 more
}
Folders: {
'D:\apple'
}
Labels: [1; 1; 1 ... and 197 more categorical]
AlternateFileSystemRoots: {}
ReadSize: 1
SupportedOutputFormats: ["png" "jpg" "jpeg" "tif" "tiff"]
DefaultOutputFormat: "png"
ReadFcn: @readDatastoreImage
开始加载预训练模型
开始使用预训练模型提取特征
已经提取训练集特征提取特征
已经提取测试集特征提取特征
开始训练alexnet 正确率：
ans =
0.9512
vgg16 正确率：
ans =
0.9024
resnet18 正确率：
ans =
0.9512
投票正确率：
accuracy =
1
是否保存已训练模型（y/n）y
模型已保存到 svm_Model_3.mat>> 
