软件杯 深度学习的水果识别 opencv python

文章目录

  • 0 前言
  • 2 开发简介
  • 3 识别原理
    • 3.1 传统图像识别原理
    • 3.2 深度学习水果识别
  • 4 数据集
  • 5 部分关键代码
    • 5.1 处理训练集的数据结构
    • 5.2 模型网络结构
    • 5.3 训练模型
  • 6 识别效果
  • 7 最后

0 前言

🔥 优质竞赛项目系列，今天要分享的是

🚩 深度学习的水果识别 opencv python

该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！

🥇学长这里给一个题目综合评分(每项满分5分)

  • 难度系数：3分
  • 工作量：3分
  • 创新点：4分

🧿 更多资料, 项目分享：

https://gitee.com/dancheng-senior/postgraduate

2 开发简介

深度学习作为机器学习领域内新兴并且蓬勃发展的一门学科， 它不仅改变着传统的机器学习方法， 也影响着我们对人类感知的理解，
已经在图像识别和语音识别等领域取得广泛的应用。 因此， 本文在深入研究深度学习理论的基础上， 将深度学习应用到水果图像识别中，
以此来提高了水果图像的识别性能。

3 识别原理

3.1 传统图像识别原理

传统的水果图像识别系统的一般过程如下图所示，主要工作集中在图像预处理和特征提取阶段。

在大多数的识别任务中， 实验所用图像往往是在严格限定的环境中采集的， 消除了外界环境对图像的影响。 但是实际环境中图像易受到光照变化、 水果反光、
遮挡等因素的影响， 这在不同程度上影响着水果图像的识别准确率。

在传统的水果图像识别系统中， 通常是对水果的纹理、 颜色、 形状等特征进行提取和识别。

在这里插入图片描述

3.2 深度学习水果识别

CNN 是一种专门为识别二维特征而设计的多层神经网络， 它的结构如下图所示，这种结构对平移、 缩放、 旋转等变形具有高度的不变性。

在这里插入图片描述

学长本次采用的 CNN 架构如图：
在这里插入图片描述

4 数据集

  • 数据库分为训练集(train)和测试集(test)两部分

  • 训练集包含四类apple,orange,banana,mixed(多种水果混合)四类237张图片；测试集包含每类图片各两张。图片集如下图所示。

  • 图片类别可由图片名称中提取。

训练集图片预览

在这里插入图片描述

测试集预览
在这里插入图片描述

数据集目录结构
在这里插入图片描述

5 部分关键代码

5.1 处理训练集的数据结构

​

import os
import pandas as pd

train_dir = './Training/'
test_dir = './Test/'
fruits = []
fruits_image = []

for i in os.listdir(train_dir):
    for image_filename in os.listdir(train_dir + i):
        fruits.append(i) # name of the fruit
        fruits_image.append(i + '/' + image_filename)
train_fruits = pd.DataFrame(fruits, columns=["Fruits"])
train_fruits["Fruits Image"] = fruits_image

print(train_fruits)

5.2 模型网络结构

​

import matplotlib.pyplot as plt
import seaborn as sns
from keras.preprocessing.image import ImageDataGenerator, img_to_array, load_img
from glob import glob
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Activation, Dropout, Flatten, Dense
img = load_img(train_dir + "Cantaloupe 1/r_234_100.jpg")
plt.imshow(img)
plt.axis("off")
plt.show()

array_image = img_to_array(img)

# shape (100,100)
print("Image Shape --> ", array_image.shape)

# 131个类目
fruitCountUnique = glob(train_dir + '/*' )
numberOfClass = len(fruitCountUnique)
print("How many different fruits are there --> ",numberOfClass)

# 构建模型
model = Sequential()
model.add(Conv2D(32,(3,3),input_shape = array_image.shape))
model.add(Activation("relu"))
model.add(MaxPooling2D())
model.add(Conv2D(32,(3,3)))
model.add(Activation("relu"))
model.add(MaxPooling2D())
model.add(Conv2D(64,(3,3)))
model.add(Activation("relu"))
model.add(MaxPooling2D())
model.add(Flatten())
model.add(Dense(1024))
model.add(Activation("relu"))
model.add(Dropout(0.5))

# 区分131类
model.add(Dense(numberOfClass)) # output
model.add(Activation("softmax"))
model.compile(loss = "categorical_crossentropy",

              optimizer = "rmsprop",

              metrics = ["accuracy"])

print("Target Size --> ", array_image.shape[:2])

5.3 训练模型

​

train_datagen = ImageDataGenerator(rescale= 1./255,
                                   shear_range = 0.3,
                                   horizontal_flip=True,
                                   zoom_range = 0.3)

test_datagen = ImageDataGenerator(rescale= 1./255)
epochs = 100
batch_size = 32
train_generator = train_datagen.flow_from_directory(
                train_dir,
                target_size= array_image.shape[:2],
                batch_size = batch_size,
                color_mode= "rgb",
                class_mode= "categorical")

test_generator = test_datagen.flow_from_directory(
                test_dir,
                target_size= array_image.shape[:2],
                batch_size = batch_size,
                color_mode= "rgb",
                class_mode= "categorical")

for data_batch, labels_batch in train_generator:
    print("data_batch shape --> ",data_batch.shape)
    print("labels_batch shape --> ",labels_batch.shape)
    break

hist = model.fit_generator(
        generator = train_generator,
        steps_per_epoch = 1600 // batch_size,
        epochs=epochs,
        validation_data = test_generator,
        validation_steps = 800 // batch_size)

#保存模型 model_fruits.h5
model.save('model_fruits.h5')

顺便输出训练曲线

​

#展示损失模型结果
plt.figure()
plt.plot(hist.history["loss"],label = "Train Loss", color = "black")
plt.plot(hist.history["val_loss"],label = "Validation Loss", color = "darkred", linestyle="dashed",markeredgecolor = "purple", markeredgewidth = 2)
plt.title("Model Loss", color = "darkred", size = 13)
plt.legend()
plt.show()

#展示精确模型结果
plt.figure()
plt.plot(hist.history["accuracy"],label = "Train Accuracy", color = "black")
plt.plot(hist.history["val_accuracy"],label = "Validation Accuracy", color = "darkred", linestyle="dashed",markeredgecolor = "purple", markeredgewidth = 2)
plt.title("Model Accuracy", color = "darkred", size = 13)
plt.legend()
plt.show()

在这里插入图片描述

在这里插入图片描述

6 识别效果

​

from tensorflow.keras.models import load_model
import os
import pandas as pd

from keras.preprocessing.image import ImageDataGenerator,img_to_array, load_img
import cv2,matplotlib.pyplot as plt,numpy as np
from keras.preprocessing import image

train_datagen = ImageDataGenerator(rescale= 1./255,
                                    shear_range = 0.3,
                                    horizontal_flip=True,
                                    zoom_range = 0.3)

model = load_model('model_fruits.h5')
batch_size = 32
img = load_img("./Test/Apricot/3_100.jpg",target_size=(100,100))
plt.imshow(img)
plt.show()

array_image = img_to_array(img)
array_image = array_image * 1./255
x = np.expand_dims(array_image, axis=0)
images = np.vstack([x])
classes = model.predict_classes(images, batch_size=10)
print(classes)
train_dir = './Training/'

train_generator = train_datagen.flow_from_directory(
        train_dir,
        target_size= array_image.shape[:2],
        batch_size = batch_size,
        color_mode= "rgb",
        class_mode= "categorical”)
print(train_generator.class_indices)

在这里插入图片描述

​

fig = plt.figure(figsize=(16, 16))
axes = []
files = []
predictions = []
true_labels = []
rows = 5
cols = 2

# 随机选择几个图片
def getRandomImage(path, img_width, img_height):
    """function loads a random image from a random folder in our test path"""
    folders = list(filter(lambda x: os.path.isdir(os.path.join(path, x)), os.listdir(path)))
    random_directory = np.random.randint(0, len(folders))
    path_class = folders[random_directory]
    file_path = os.path.join(path, path_class)
    file_names = [f for f in os.listdir(file_path) if os.path.isfile(os.path.join(file_path, f))]
    random_file_index = np.random.randint(0, len(file_names))
    image_name = file_names[random_file_index]
    final_path = os.path.join(file_path, image_name)
    return image.load_img(final_path, target_size = (img_width, img_height)), final_path, path_class

def draw_test(name, pred, im, true_label):
    BLACK = [0, 0, 0]
    expanded_image = cv2.copyMakeBorder(im, 160, 0, 0, 300, cv2.BORDER_CONSTANT, value=BLACK)
    cv2.putText(expanded_image, "predicted: " + pred, (20, 60), cv2.FONT_HERSHEY_SIMPLEX,
        0.85, (255, 0, 0), 2)
    cv2.putText(expanded_image, "true: " + true_label, (20, 120), cv2.FONT_HERSHEY_SIMPLEX,
        0.85, (0, 255, 0), 2)
    return expanded_image
IMG_ROWS, IMG_COLS = 100, 100

# predicting images
for i in range(0, 10):
    path = "./Test"
    img, final_path, true_label = getRandomImage(path, IMG_ROWS, IMG_COLS)
    files.append(final_path)
    true_labels.append(true_label)
    x = image.img_to_array(img)
    x = x * 1./255
    x = np.expand_dims(x, axis=0)
    images = np.vstack([x])
    classes = model.predict_classes(images, batch_size=10)
    predictions.append(classes)

class_labels = train_generator.class_indices
class_labels = {v: k for k, v in class_labels.items()}
class_list = list(class_labels.values())

for i in range(0, len(files)):
    image = cv2.imread(files[i])
    image = draw_test("Prediction", class_labels[predictions[i][0]], image, true_labels[i])
    axes.append(fig.add_subplot(rows, cols, i+1))
    plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
    plt.grid(False)
    plt.axis('off')
plt.show()

在这里插入图片描述

7 最后

🧿 更多资料, 项目分享：

https://gitee.com/dancheng-senior/postgraduate

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/594875.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

EFDC模型安装及建模方法；在排污口论证、水质模拟、地表水环评、地表水水源地划分、水环境容量计算等领域中的应用

EFDC模型安装及建模方法；在排污口论证、水质模拟、地表水环评、地表水水源地划分、水环境容量计算等领域中的应用

目录 专题一 EFDC软件安装 专题二 EFDC模型讲解 专题三 一维河流模拟实操 专题四 建模前处理 专题五 EFDC网格剖分介绍 专题六 EFDC二维湖库水动力模拟/非保守染色剂模拟 专题七 EFDC水质模型参数及原理介绍 专题八 EFDC一、二、三维湖库水质模拟 专题九 基于EFDC的地…
阅读更多...
Aigtek射频功率放大器的主要功能是什么

Aigtek射频功率放大器的主要功能是什么

射频功率放大器是一种专门用于放大射频信号功率的电子器件，它在无线通信、雷达系统、卫星通信等射频应用中起着至关重要的作用。下面将详细介绍射频功率放大器的主要功能。 信号放大：射频功率放大器的主要功能之一就是将传入的射频信号放大到所需的功率水…
阅读更多...
使用 FFmpeg 从音视频中提取音频

使用 FFmpeg 从音视频中提取音频

有时候我们需要从视频文件中提取音频，并保存为一个单独的音频文件，我们可以借助 FFmpeg 来完成这个工作。 一、提取音频，保存为 mp3 文件: 要使用 FFmpeg 从音视频文件中提取音频，并将 ACC 编码的音频转换为 MP3 格式&#xff0…
阅读更多...
利用PS中Lab颜色模式进行简单调色?

利用PS中Lab颜色模式进行简单调色?

【原图】 详细步骤如下： Step 1 : 打开PS，打开素材，点菜单栏，【图像】-【模式】-【Lab颜色】，效果如下图 Step2：ctrl(或command)m打开曲线工具，选择a通道，效果如下图。 Step3: 把标…
阅读更多...
埃及外宾亲临育菁 参观考察桌面CNC机床

埃及外宾亲临育菁 参观考察桌面CNC机床

随着我公司的规模不断壮大以及国际化建设工作的不断推进，广东育菁装备在国外的知名度也越来越高，4月25日，公司迎来了埃及外宾到访考察桌面型数控加工中心，桌面级数控车床等，育菁总经理杨先生等相关负责人对远到而来的埃…
阅读更多...
git/gerrit使用遇到的问题

git/gerrit使用遇到的问题

Push时出现的多个问题及其解决 branch【...】not found 这个错误通常出现在 Git 命令中指定的分支名称中包含特殊字符或者语法错误时。需要确保指定的分支名称是正确的，并且没有任何不支持的字符。 例如，如果分支名称是 feature/branch，应该…
阅读更多...
写爬虫代码抓取Asterank中小行星数据

写爬虫代码抓取Asterank中小行星数据

2024年5月4日 问题来源 解决方案 回顾2023年7月14日自己写的爬虫代码 import requests import re import pandas as pd texts[] def getData(page):#每页评论的网址urlhttps://item.jd.com/51963318622.html#comment#添加headers，伪装成浏览器headers{User-Agent:…
阅读更多...
电脑切换窗口快捷键，让你轻松驾驭多个任务

电脑切换窗口快捷键，让你轻松驾驭多个任务

在使用电脑时，经常需要切换不同的窗口，以便快速地访问不同的应用程序或任务。为了提高效率，掌握一些电脑切换窗口快捷键是非常重要的。本文将介绍三种在电脑上切换窗口的方法，帮助您更加高效地进行多任务处理。 方法1：…
阅读更多...
FIFO Generate IP核使用——异步复位

FIFO Generate IP核使用——异步复位

FIFO Generator IP核提供了一个复位输入，当该输入被激活时，它会复位所有的计数器和输出寄存器。对于块RAM或分布式RAM实现，复位FIFO并不是必需的，可以在FIFO中禁用复位引脚。共有两种复位类型选项：异步复位和同步复位。…
阅读更多...
Linux——mysql运维篇

Linux——mysql运维篇

回顾基本语句： 数据定义语言 ( DDL ) 。这类语言用于定义和修改数据库的结构，包括创建、删除和修改数据库、表、视图和索引等对象。主要的语句关键字包括 CREATE 、 DROP 、 ALTER 、 RENAME 、 TRUNCATE 等。 create database 数据库 &…
阅读更多...
FreeRTOS为什么要区分任务函数和中断函数?

FreeRTOS为什么要区分任务函数和中断函数?

在我们之前的学习中，队列，信号量，互斥量，事件组，任务通知，它们都有两套函数，在任务中使用或在中断中使用。 1.为什么要用两套函数？ 情景1： 我们在写队列的时候等待100…
阅读更多...
图神经网络实战（9）——GraphSAGE详解与实现

图神经网络实战（9）——GraphSAGE详解与实现

图神经网络实战（9）——GraphSAGE详解与实现 0. 前言1. GraphSAGE 原理1.1 邻居采样1.2 聚合 2. 构建 GraphSAGE 模型执行节点分类2.1 数据集分析2.2 构建 GraphSAGE 模型 3. PinSAGE小结系列链接 0. 前言 GraphSAGE 是专为处理大规模图而设计的图神经网…
阅读更多...
一般实现分布式锁都有哪些方式？使用 Redis 如何设计分布式锁？使用 zk 来设计分布式锁可以吗？这两种分布式锁的实现方式哪种效率比较高？

一般实现分布式锁都有哪些方式？使用 Redis 如何设计分布式锁？使用 zk 来设计分布式锁可以吗？这两种分布式锁的实现方式哪种效率比较高？

目录 1.Redis 分布式锁 （1）Redis 最普通的分布式锁 （2）RedLock 算法 2.zk 分布式锁 3.redis 分布式锁和zk分布式锁的对比 1.Redis 分布式锁 官方叫做 RedLock 算法，是 Redis 官方支持的分布式锁算法。 这个分布式…
阅读更多...
C++ | Leetcode C++题解之第70题爬楼梯

C++ | Leetcode C++题解之第70题爬楼梯

题目： 题解： class Solution { public:int climbStairs(int n) {double sqrt5 sqrt(5);double fibn pow((1 sqrt5) / 2, n 1) - pow((1 - sqrt5) / 2, n 1);return (int)round(fibn / sqrt5);} };
阅读更多...
从0到1：商场导览小程序开发笔记一

从0到1：商场导览小程序开发笔记一

背景 购物中心与商场小程序：旨在提供便捷的购物、导航、活动报名、服务查询等功能，让用户更好地体验购物和享受服务。通过提供便捷的购物、信息查询和互动预约等功能，提升了商场的服务水平和用户体验，帮助商场与消费者建立更紧密…
阅读更多...
mq发送消息之后，业务代码回滚，导致发了一条中奖消息给用户！！

mq发送消息之后，业务代码回滚，导致发了一条中奖消息给用户！！

背景是这样的：在一个名为"幸运大转盘"的线上活动中，用户可以通过消耗一定的积分来参与抽奖，有机会赢取各种奖品。这个活动的后台系统使用了消息队列（MQ）来处理用户的抽奖请求和发送中奖消息。 一天&#xf…
阅读更多...
linux(ubuntu18.04.2) Qt编译 MySQL（8.0以上版本）链接库 Qt版本 5.12.12及以上 包含Mysql动态库缺失问题

linux(ubuntu18.04.2) Qt编译 MySQL（8.0以上版本）链接库 Qt版本 5.12.12及以上 包含Mysql动态库缺失问题

整理这篇文档的意义在于：自己走了很多弯路，淋过雨所以想为别人撑伞，也方便回顾，仅供参考 一、搭建开发环境： 虚拟机（ubuntu-20.04.6-desktop-amd64）：Mysql数据库 8.0.36Workbench …
阅读更多...
QtWindows任务栏

QtWindows任务栏

目录 引言任务栏进度右键菜单缩略图工具栏完整代码 引言 针对Windows系统的任务栏，Qt基于系统的原生接口封装有一些非常见类，如QWinTaskbarButton、QWinTaskbarButton、QWinThumbnailToolBar等，用于利用工具栏提供更多的信息，诸如…
阅读更多...
开源电子邮件营销平台 listmonk 使用教程

开源电子邮件营销平台 listmonk 使用教程

做产品肯定要做电子邮件营销，特别是面向海外的产品，电子邮件营销已成为企业与客户沟通、建立品牌忠诚度和推动销售的重要工具，可以直接接触到目标受众，提供个性化内容，并以相对较低的成本获得可观的投资回报。你看&…
阅读更多...
用HAL库改写江科大的stm32入门例子_1、按键控制led灯

用HAL库改写江科大的stm32入门例子_1、按键控制led灯

1 如下图设置PB11 管脚 2 设置PB11为下降沿中断： 3 PA1 设置为推挽输出 4、NVIC 开启中断使能： 5、写中断事件： 完整代码如下： void EXTI15_10_IRQHandler(void) {/* USER CODE BEGIN EXTI15_10_IRQn 0 *///torning on the led…
阅读更多...
最新文章

Copyright @ 2022~2023