关键词：
文章目录
1 前言
🔥 Hi，大家好，这里是丹成学长的毕设系列文章！
🔥 对毕设有任何疑问都可以问学长哦!
这两年开始，各个学校对毕设的要求越来越高，难度也越来越大… 毕业设计耗费时间，耗费精力，甚至有些题目即使是专业的老师或者硕士生也需要很长时间，所以一旦发现问题，一定要提前准备，避免到后面措手不及，草草了事。
为了大家能够顺利以及最少的精力通过毕设，学长分享优质毕业设计项目，今天要分享的新项目是
🚩 基于深度学习的水果识别
🥇学长这里给一个题目综合评分(每项满分5分)
- 难度系数：4分
- 工作量：4分
- 创新点：3分
🧿 选题指导, 项目分享：
https://gitee.com/kaaxuu/warehouse-seven-warehouse/blob/master/java/README.md
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。
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。
学长本次采用的 CNN 架构如图：
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
测试集预览
数据集目录结构
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()
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)
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()
🧿 选题指导, 项目分享：
https://gitee.com/kaaxuu/warehouse-seven-warehouse/blob/master/java/README.md
水果涛万门大学-人工智能大数据与复杂系统-03.人工智能的三个阶段
3.1规则阶段人工智能最先看起来是很傻瓜似的。ArtificialIntelligenceasanidiot.1.符号学派-图灵机3.2机器学习发展至连接主义阶段统计机器学习：Usingdatatoinverseengineerthecomplexity.数据不能解决所有问题，需要有能够学习自身的算法.上面... 查看详情
手把手教你：基于深度残差网络（resnet）的水果分类识别系统(代码片段)
...#xff08;CNN）的文本分类目录系列文章一、项目简介二、水果分类结果预测三、环境安装1.环境要求2.环境安装示例四、重要代码介绍1.数据预处理2.分类模型构建3.模型训练五、训练自己的数据1.项目目录如下2.分类模型训练六、... 查看详情
1000个大数据/人工智能毕设选题推荐
前言正值毕业季我看到很多同学都在为自己的毕业设计发愁Maynor在网上搜集了1000个大数据的毕设选题，希望对大家有帮助～适合大数据毕业设计的项目，完全可以作为本科生当前较新的毕业设计题目选择方向。大数... 查看详情
毕业设计题目：基于深度学习的动物识别-卷积神经网络机器视觉图像识别(代码片段)
文章目录0前言1背景2算法原理2.1动物识别方法概况2.2常用的网络模型2.2.1B-CNN2.2.2SSD3SSD动物目标检测流程4实现效果5部分相关代码5.1数据预处理5.2构建卷积神经网络5.3tensorflow计算图可视化5.4网络模型训练5.5对猫狗图像进行2分类6最... 查看详情
毕业设计：深度学习卷积神经网络垃圾分类系统-深度学习神经网络图像识别垃圾分类算法小程序(代码片段)
文章目录0简介1背景意义2数据集3数据探索4数据增广(数据集补充)5垃圾图像分类5.1迁移学习5.1.1什么是迁移学习？5.1.2为什么要迁移学习？5.2模型选择5.3训练环境5.3.1硬件配置5.3.2软件配置5.4训练过程5.5模型分类效果(PC端)6... 查看详情
毕业设计深度学习机器视觉人脸识别系统-opencvpython(代码片段)
...人脸检测人脸识别MetricLarning3最后0前言🔥这两年开始毕业设计和毕业答辩的要求和难度不断提升，传统的毕设题目缺少创新和亮点，往往达不到毕业答辩的要求，这两年不断有学弟学妹告诉学长自己做的项目系统... 查看详情
数字图像处理-基于matlab水果识别系统(图片识别)(代码片段)
...0c;从而帮助人们建华劳动。机械分类耗时段的特点很符合水果的时间特性。本设计针对多种常见水果混合的图像，利用Matlab软件，对水果的识别进行研究。根据水果和背景的差别选取阈值，对去噪增强对比度后的图像... 查看详情
camera基于深度学习的车牌检测与识别系统实现（课程设计）
基于深度学习的车牌检测与识别系统实现（课程设计）代码+数据集下载地址：下载地址用python3+opencv3做的中国车牌识别，包括算法和客户端界面，只有2个文件，surface.py是界面代码，predict.py是算法代码，界面不是重点所以用tkint... 查看详情
目标识别算法设计指引
简述简述目标识别算法中常用的图像算法，便于以后算法的设计应用内容目标检测(Objectrecognition)是在一幅图像中精确地找到各种目标所在的位置，标注出每个目标的类别，在此基础上识别目标。目标识别任务归结为两个问题：... 查看详情
深度学习100例|第4例：水果识别-pytorch实现(代码片段)
文章目录一、导入数据1.获取类别名字2.加载数据文件3.划分数据二、自建模型三、模型训练1.优化器与损失函数2.模型的训练四、结果分析大家好，我是K同学啊，今天讲《深度学习100例》PyTorch版的第4个例子，前面一... 查看详情
数字图像处理课程设计基于非深度学习方法实现身份证定位与正反面识别
文章目录基于透视矫正与区域特征匹配的身份证图像定位与正反面识别摘要实现细节1.总体流程2.前景背景分割3.身份证角点定位4.透视变换5.模板匹配5.1基于区域颜色匹配的国徽检测5.2基于区域字符数统计的身份ID检测5.3基于排版... 查看详情
fasterrcnn病灶识别
参考技术A本发明涉及医疗图像识别的技术领域，尤其是指一种基于fasterr-cnn的甲状腺肿瘤超声图像自动识别方法。背景技术近年来，随着硬件的提升，人工智能兴起的浪潮带给了人们智能化的生活，而为人工智能的发展带来突破... 查看详情
深度学习100例|第28天：水果的识别与分类（准确率99.9%）(代码片段)
微信搜索【K同学啊】关注这个分享干货的博主。📍本文GitHubhttps://github.com/kzbkzb/Python-AI已收录🚀我的环境：语言环境：Python3.6.5编译器：jupyternotebook深度学习环境：TensorFlow2.4.1数据和代码：📌【传 查看详情
项目实战解析：基于深度学习搭建卷积神经网络模型算法，实现图像识别分类(代码片段)
...前言一、基础知识介绍二、数据集收集三、模型训练四、图像识别分类总结前言随着人工智能的不断发展，深度学习这门技术也越来越重要，很多人都开启了学习机器学习，本文将通过项目开发实例，带领大家从... 查看详情
随时更新———个人喜欢的关于模式识别机器学习推荐系统图像特征深度学习数值计算目标跟踪等方面个人主页及博客
目标检測、识别、分类、特征点的提取DavidLowe：Sift算法的发明者，天才。RobHess：sift的源代码OpenSift的作者，个人主页上有openSift的下载链接。Opencv中sift的实现。也是參考这个。KoenvandeSande：作者给出了sift,densesift,colorsift等等经... 查看详情
人脸识别完整项目实战：完整项目案例运行演示
一、前言本文是《人脸识别完整项目实战》系列博文第1部分，第一节《完整项目运行演示》，本章内容系统介绍：人脸系统核心功能的运行演示。本内容已经录制成视频课程，详见网易云课堂。整个《人脸识别完整项目实战》... 查看详情
深度学习-图像识别-入门回忆录
深度学习-图像识别-入门回忆录今年有幸参与了恩智浦智能车竞赛，AI视觉组，我负责完成深度学习实现图像识别的任务。这是我的深度学习入门之路，现在打算将一路上所有的学习经历分享出来。学习途中从网络寻... 查看详情
2021-07-31
...采用的是matlab平台网上大部分用的是python语言，因为毕业设计要求，我采用的是matlab，也算是自己查阅了很多资料吧。matlab里面有一个软件设计工具——APPDesigner，我也根据要求设计了一个软件，有代码和界面... 查看详情