如何構(gòu)建一個 CNN 模型,以從圖像中對幼苗的種類進行分類?
介紹本文將學(xué)習(xí)和構(gòu)建一個 CNN 模型,以從圖像中對幼苗的種類進行分類。該數(shù)據(jù)集有12組圖像,我們的最終目的是從圖像中對植物物種進行分類。
我們將執(zhí)行多個步驟,例如導(dǎo)入庫和模塊、讀取圖像并調(diào)整它們的大小、圖像清理、圖像預(yù)處理、模型構(gòu)建、模型訓(xùn)練、減少過度擬合,最后對測試數(shù)據(jù)集進行預(yù)測。
目錄
問題陳述
導(dǎo)入庫
獲取數(shù)據(jù)并調(diào)整圖像大小
清理圖像并去除背景
將標(biāo)簽轉(zhuǎn)換為數(shù)字
定義我們的模型并拆分數(shù)據(jù)集
防止過擬合
定義卷積神經(jīng)網(wǎng)絡(luò)
將 CNN 擬合到數(shù)據(jù)上
混淆矩陣
獲得預(yù)測
問題陳述
該數(shù)據(jù)集由奧爾胡斯大學(xué)信號處理小組提供。這是一個典型的圖像識別問題陳述。我們提供了一個圖像數(shù)據(jù)集,其中包含處于不同生長階段的植物照片。每張照片都有其唯一的 ID 和文件名。
該數(shù)據(jù)集包含來自 12 個植物物種的 960 種獨特植物。最終目標(biāo)是構(gòu)建一個能夠從照片中確定植物種類的分類器。
物種列表
Black-grass
Charlock
Cleavers
Common Chickweed
Common wheat
Fat Hen
Loose Silky-bent
Maize
Scentless Mayweed
Shepherds Purse
Small-flowered Cranesbill
Sugar beet
導(dǎo)入庫
首先導(dǎo)入所有必要的庫以供我們進一步分析。我們將使用 NumPy、Pandas、matplotlib、OpenCV、Keras 和 sci-kit-learn。
檢查以下命令以導(dǎo)入所有必需的庫
import numpy as np # MATRIX OPERATIONS
import pandas as pd # EFFICIENT DATA STRUCTURES
import matplotlib.pyplot as plt # GRAPHING AND VISUALIZATIONS
import math # MATHEMATICAL OPERATIONS
import cv2 # IMAGE PROCESSING - OPENCV
from glob import glob # FILE OPERATIONS
import itertools
# KERAS AND SKLEARN MODULES
from keras.utils import np_utils
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Dropout
from keras.layers import Flatten
from keras.layers.convolutional import Conv2D
from keras.layers.convolutional import MaxPooling2D
from keras.layers import BatchNormalization
from keras.callbacks import ModelCheckpoint,ReduceLROnPlateau,CSVLogger
from sklearn import preprocessing
from sklearn.model_selection import train_test_split
from sklearn.metrics import confusion_matrix
# GLOBAL VARIABLES
scale = 70
seed = 7
獲取數(shù)據(jù)并調(diào)整圖像大小
為了訓(xùn)練我們的模型,我們需要先讀取數(shù)據(jù)。我們的數(shù)據(jù)集有不同大小的圖像,因此我們將調(diào)整圖像的大小。讀取數(shù)據(jù)并調(diào)整其大小只需一步即可完成。查看以下代碼以獲取有關(guān)如何執(zhí)行不同操作的完整信息。path_to_images = 'plant-seedlings-classification/train/png'
images = glob(path_to_images)
trainingset = []
traininglabels = []
num = len(images)
count = 1
#READING IMAGES AND RESIZING THEM
for i in images:
print(str(count)+'/'+str(num),end='r')
trainingset.a(chǎn)ppend(cv2.resize(cv2.imread(i),(scale,scale)))
traininglabels.a(chǎn)ppend(i.split('/')[-2])
count=count+1
trainingset = np.a(chǎn)sarray(trainingset)
traininglabels = pd.DataFrame(traininglabels)
清理圖像并去除背景
這是執(zhí)行清理的一個非常重要的步驟。清理圖像是一項艱巨的任務(wù)。我們將執(zhí)行以下步驟以清理圖像
將 RGB 圖像轉(zhuǎn)換為 HSV
為了去除噪聲,我們將不得不模糊圖像
為了刪除背景,我們將不得不創(chuàng)建一個遮罩。new_train = []
sets = []; getEx = True
for i in trainingset:
blurr = cv2.GaussianBlur(i,(5,5),0)
hsv = cv2.cvtColor(blurr,cv2.COLOR_BGR2HSV)
#GREEN PARAMETERS
lower = (25,40,50)
upper = (75,255,255)
mask = cv2.inRange(hsv,lower,upper)
struc = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(11,11))
mask = cv2.morphologyEx(mask,cv2.MORPH_CLOSE,struc)
boolean = mask>0
new = np.zeros_like(i,np.uint8)
new[boolean] = i[boolean]
new_train.a(chǎn)ppend(new)
if getEx:
plt.subplot(2,3,1);plt.imshow(i) # ORIGINAL
plt.subplot(2,3,2);plt.imshow(blurr) # BLURRED
plt.subplot(2,3,3);plt.imshow(hsv) # HSV CONVERTED
plt.subplot(2,3,4);plt.imshow(mask) # MASKED
plt.subplot(2,3,5);plt.imshow(boolean) # BOOLEAN MASKED
plt.subplot(2,3,6);plt.imshow(new) # NEW PROCESSED IMAGE
plt.show()
getEx = False
請輸入評論內(nèi)容...
請輸入評論/評論長度6~500個字
最新活動更多
-
10月31日立即下載>> 【限時免費下載】TE暖通空調(diào)系統(tǒng)高效可靠的組件解決方案
-
即日-11.13立即報名>>> 【在線會議】多物理場仿真助跑新能源汽車
-
11月28日立即報名>>> 2024工程師系列—工業(yè)電子技術(shù)在線會議
-
12月19日立即報名>> 【線下會議】OFweek 2024(第九屆)物聯(lián)網(wǎng)產(chǎn)業(yè)大會
-
即日-12.26火熱報名中>> OFweek2024中國智造CIO在線峰會
-
即日-2025.8.1立即下載>> 《2024智能制造產(chǎn)業(yè)高端化、智能化、綠色化發(fā)展藍皮書》
推薦專題
- 高級軟件工程師 廣東省/深圳市
- 自動化高級工程師 廣東省/深圳市
- 光器件研發(fā)工程師 福建省/福州市
- 銷售總監(jiān)(光器件) 北京市/海淀區(qū)
- 激光器高級銷售經(jīng)理 上海市/虹口區(qū)
- 光器件物理工程師 北京市/海淀區(qū)
- 激光研發(fā)工程師 北京市/昌平區(qū)
- 技術(shù)專家 廣東省/江門市
- 封裝工程師 北京市/海淀區(qū)
- 結(jié)構(gòu)工程師 廣東省/深圳市