系列文章
手把手教你：基于粒子群优化算法（PSO）优化卷积神经网络（CNN）的文本分类
@
- 系列文章
- 项目简介
- 一、项目架构
- 二、图像数据
- 三、环境介绍
- 1.环境要求
- 2.环境安装实例
- 四、重要代码介绍
- 1.图像数据读取和预处理
- 2.图像数据增强
- 3.模型加载并训练
- 4.结果预测
- 五、完整代码地址
项目简介
本文主要介绍如何使用python搭建：一个基于深度残差网络（ResNet）的图像识别垃圾分类系统。
博主也参考过网上其他博主介绍：ResNet或图像分类的文章，但大多是理论大于方法。很多同学肯定对原理不需要过多了解，只需要搭建出一个分类或预测系统即可。
本文只会告诉你如何快速搭建一个基于ResNet的图像分类系统并运行，原理的东西可以参考其他博主。
也正是因为我发现网上大多的帖子只是针对原理进行介绍，功能实现的相对很少。
如果您有以上想法，那就找对地方了！
不多废话，直接进入正题！
一、项目架构
整个项目的程序流程图如下，分别为：
1.图像数据预处理
2.模型训练
3.模型测试
三个模块
二、图像数据
本文用到的垃圾图片数据主要为以下四类：
1.厨余垃圾
2.可回收垃圾
3.其他垃圾
4.有害垃圾
如下：
其中每个类别又涉及多个子类别如， 有害垃圾文件夹中，中又涉及以下多个类别：
每类图片数量及图片总数情况如下，共计6038张图像数据：
三、环境介绍
1.环境要求
本项目开发IDE使用的是： Anaconda中的jupyter notebook，大家可以直接csdn搜索安装指南非常多，这里就不再赘述。
因为本项目基于TensorFlow因此需要以下环境：
- tensorflow==2.0
- pandas
- scikit-learn
- numpy
- OpenCV2
- matplotlib
如下：
2.环境安装实例
环境都可以通过pip进行安装。如果只是想要功能跑起来，这边建议tensorflow安装cpu版的。
如果没使用过pycharm通过pip安装包的同学可以参考如下：
点开”终端”，然后通过pip进行安装tensorflow，其他环境包也可以通过上面的方法安装。
四、重要代码介绍
1.图像数据读取和预处理
## 读取图像，解决imread不能读取中文路径的问题
def cv_imread(filePath):
# 核心就是下面这句，一般直接用这句就行，直接把图片转为mat数据
cv_img=cv2.imdecode(np.fromfile(filePath,dtype=np.uint8),-1)
# imdecode读取的是rgb，如果后续需要opencv处理的话，需要转换成bgr，转换后图片颜色会变化
# cv_img=cv2.cvtColor(cv_img,cv2.COLOR_RGB2BGR)
return cv_img
定义图像获取函数
def read_img(img_url_list,num):
# 设置随机数种子
random.seed(999)
imgs = []
err_img = []
if num>len(img_url_list):
print("抱歉，出错了，您设置的采样数量大于了图片张数，请调小img_num！")
else:
# 对图片数量进行采样
img_url_list = img_url_list[:num]
for img_url in tqdm(img_url_list):
# 获取图像
img = cv_imread(img_url)
if img is None:
err_img.append(img_url)
else:
# skimage.transform.resize(image, output_shape)改变图片的尺寸
img = cv2.resize(img, (w,h))
if np.asarray(img).shape == (w,h,3):
imgs.append(img)
else:
err_img.append(img_url)
return imgs
2.图像数据增强
因为我们用于训练的图像数量不算多，可以进行以下几种方式进行数据增强：
- 随机裁剪
- 旋转
- 翻转
图像增强将图像进行随机翻转，裁剪
def img_create_cut(imgs,label,cut_min,cut_max,cut_true):
imgs_out = []
label_out = []
w = imgs[0].shape[0]
h = imgs[0].shape[1]
for i in tqdm(range(len(imgs))):
# 添加原图
imgs_out.append(imgs[i])
label_out.append(label[i])
if cut_true:
# 原图随机裁剪，执行1次
for f in range(1):
# 生成裁剪随机数
rd_num = np.random.uniform(cut_min, cut_max)
# 生成随机裁剪长宽
rd_w = int(w * rd_num)
rd_h = int(h * rd_num)
# 进行裁剪
crop_img = tf.image.random_crop(imgs[i],[rd_w,rd_h,c]).numpy()
# 重新调整大小
re_img = cv2.resize(crop_img, (w, h))
# 添加裁剪图像
imgs_out.append(re_img)
# 添加类标
label_out.append(label[i])
# 随机翻转
for e in range(0,2):
# 1:水平翻转,0:垂直翻转,-1:水平垂直翻转
f_img = cv2.flip(imgs[i], e)
# 添加翻转图像
imgs_out.append(f_img)
# 添加类标
label_out.append(label[i])
imgs_out,label_out = np.asarray(imgs_out, np.float32), np.asarray(label_out, np.int32)
# 打乱顺序
# 读取data矩阵的第一维数（图片的个数）
num_example = imgs_out.shape[0]
arr = np.arange(num_example)
np.random.seed(99)
np.random.shuffle(arr)
imgs_out= imgs_out[arr]
label_out= label_out[arr]
return imgs_out,label_out
3.模型加载并训练
3.1 模型加载
3.2 模型训练
3.3 训练各项指标
可以看到，训练准确率模型很快就达到了一个比较高的水平，测试集准确率在80分以上。
4.结果预测
读取训练好的模型：
w = test_data.shape[1]
h = test_data.shape[2]
c = test_data.shape[3]
获取label数量
label_counts = len(classes)
加载模型结构
Resnetmodel = ResNetModel(input_shape=(w,h,c),classes=label_counts)
ResNet_model = Resnetmodel.ResNet50()
设置学习率
learning_rate=0.001
optimizer = keras.optimizers.Adam(learning_rate=learning_rate)
ResNet_model.compile(optimizer=optimizer,loss='sparse_categorical_crossentropy',metrics=['accuracy'])
ResNet_model.summary()
4.1 测试集模型评价
使用sklearn输出各类别评价指标：
其中类标：
0为：厨余垃圾
1为：可回收垃圾
2为：其他垃圾
3为：有害垃圾
4.2 单张图片测试
五、完整代码地址
由于项目代码量和数据集较大，感兴趣的同学可以下载完整代码，使用过程中如遇到任何问题可以在评论区评论或者私信我，我都会一一解答。
完整代码下载：
手把手教你：图像识别的垃圾分类系统
Original: https://www.cnblogs.com/dawudexiaowu/p/16128709.html
Author: 小屋打AI
Title: 手把手教你：图像识别的垃圾分类系统
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/810904/
转载文章受原作者版权保护。转载请注明原作者出处！