基于TensorFlow的花卉识别

2022-01-24 19:32:53 阅读：297 来源： 互联网

概要设计

数据分析

本次设计的主题是花卉识别，数据为TensorFlow的官方数据集flower_photos，包括5种花卉（雏菊、蒲公英、玫瑰、向日葵和郁金香）的图片，并有对应类别的标识（daisy、dandelion、roses、sunflowers、tulips）

数据集内容举例：
在这里插入图片描述
数据集tgz文件解压后，内部划分为5个相对应的文件夹，文件夹内为相对应图片：

对应样本数（对数据集进行分类，90%训练集，10%验证集）：

设计任务

本次设计的任务是通过所提供的数据集数据（具有对应花卉分类），使用神经网络模型方法进行训练，使用该模型对其它同类花卉进行类型识别，需要借助TensorFlow环境下的神经网络模型进行处理训练。
本次设计任务我将使用TensorFlow环境下的卷积神经网络CNN技术，通过CNN对数据集进行对应的训练，建立相关模型，再使用模型对相对应花卉进行识别。其中神经网络的建立使用TensorFlow 2.x的Keras的Api进行搭建，绘制损失函数和准确率曲线对模型训练效果进行评价，训练完成保存为mode.h5文件储存，在预测数据时读取model文件加载model，再使用model进行预测数据，并使用Pyqt5工具设计一个简洁的GUI界面进行人机交互，能够自定义预测数据集图片。

本次设计使用TensorFlow 2.3，Python 3.8 环境，IDE使用PyCharm，进行神经网络的搭建和训练。

详细设计

数据加载和预处理

1、设置图片尺寸为180*180，分批大小32
在这里插入图片描述

2、从flower_photos文件夹中加载数据：
（train_ds为训练集，val_ds为验证集）
使用tf.keras.preprocessing.image_dataset_from_directory方法，其中参数：
Directory：数据集储存文件夹路径
Validate_split：划分训练集和验证集比例，输入0.1为验证集占10%
Subset：training为训练集，validation为验证集
Seed：用于shuffle和转换的可选随机种子，选择123
Image_size：图片大小，为上一点所预设180*180
Batch_size：数据批次的大小，为预设的32
在这里插入图片描述
3、获取分类名：

结果：

4、数据可视化演示：
在这里插入图片描述
5、配置数据集：
• 使用shuffle()函数打乱数据，使用cache()函数将数据集缓存到内存当中，
再使用prefetch()函数预取数据，加速运行

神经网络构建

第1层：输入层：将数据归一化，并设置input_shape输入
在这里插入图片描述
第2层：卷积层1：卷积核数目为16，卷积核为3*3，激活函数为relu，并设置input_shape为(180,180,3)，使用卷积的目的是从输入图片中提取特征

第3层：池化层1：采用最大池化操作，使用2*2采样，池化层的目的是降低了每个特征映射的维度，但是保留最重要的信息
在这里插入图片描述

第4层：卷积层2：卷积核数目为32，卷积核为3*3，激活函数为relu
在这里插入图片描述

第5层：池化层2：采用最大池化操作，使用2*2采样
在这里插入图片描述

第6层：卷积层3：卷积核数目为64，卷积核为3*3，激活函数为relu
在这里插入图片描述

第7-10层：两个卷积层和池化层
在这里插入图片描述

第11层：Flatten层：连接卷积层与全连接层，把多维的输入一维化
在这里插入图片描述

第12层：全连接层：units设置为128，即输出维度为128,，激活函数为relu，全连接层对上一层的神经元进行全部连接，实现特征的非线性组合，进行特征进一步提取
在这里插入图片描述

第13层：输出层：输出预期结果
在这里插入图片描述

使用Sequential逐层描述每层网络, 搭建神经网络结构：
在这里插入图片描述
打印网络结构：

模型训练

1、模型编译：
优化器optimizer选adam，损失函数loss选SparseCategoricalCrossentropy，指标metrics选择准确率accuracy
在这里插入图片描述
2、训练模型
指定训练集train_ds,验证集validation_data为val_ds，迭代10次

3、训练结束，保存model为model.h5

4、使用evaluate评价模型，并打印准确率

5、获取准确率和损失值并绘制函数

6、绘制混淆矩阵：

在这里插入图片描述

模型预测

1、定义常量：
在这里插入图片描述
Flower_dict为花卉种类序列，以及图片宽高

2、加载模型
在这里插入图片描述
3、根据方法参数path加载图片数据转为array类型，由于维度问题需要扩展1维，使用numpy的expand_dims方法将数据由3维扩展为4维，然后使用model.predict方法将图片数据作为参数调用，返回result结果（index）对应flower_dict相对应index，返回对应index的种类名作为结果
在这里插入图片描述

GUI界面

1、使用Pyqt5工具设计GUI界面：
在这里插入图片描述
2、使用Pyqt5生成ui代码：
部分：

3、编写主函数Main.py
①import 组件
在这里插入图片描述

②打开GUI界面，初始化
在这里插入图片描述

③定义训练和预测函数：
在这里插入图片描述

注意事项

单独选择图片进行预测时，由于图片数据维度问题需要扩展1维，使用numpy的expand_dims方法将数据由3维扩展为4维，然后使用model.predict方法将图片数据作为参数调用

优化策略

优化CNN网络处理，防止过拟合，提高模型的泛化能力

运行结果

初始页面选训练：
在这里插入图片描述
1、网络结构

2、迭代过程
在这里插入图片描述

3、数据可视化
在这里插入图片描述

4、准确率
在这里插入图片描述

5、损失函数
在这里插入图片描述

6、混淆矩阵：
在这里插入图片描述

7、GUI演示
点击识别
在这里插入图片描述

选择图片
在这里插入图片描述
识别成功

Gitee源码： https://gitee.com/steven_L1047/tensor-flow.git.

标签：函数,训练,卷积,使用,花卉,TensorFlow,model,识别,数据
来源： https://blog.csdn.net/weixin_46013766/article/details/122672930

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9