智能圖像處理：Python和OpenCV實現(xiàn)-課件 13.5 基于深度學習的牡丹花卉系統(tǒng)設(shè)計

基于深度學習的花卉識別系統(tǒng)01本系統(tǒng)設(shè)計主要是利用谷歌的TensorFlow框架，實現(xiàn)對五種不同花卉（雛菊，蒲公英，玫瑰，向日葵，郁金香）進行分類和識別。一、設(shè)計思路數(shù)據(jù)集采集分類CNN設(shè)計設(shè)計測試界面設(shè)計窗口界面信號與槽02本實驗采用編程環(huán)境為python3.8.13，TensorFlow-gpu2.7.0深度學習框架，硬件環(huán)境處理器型號為Inter（R）Core(TM)i5-11400@2.6GHz，顯卡型號為NVIDIAGeForceRTX3060，內(nèi)存為16GB。二、實驗平臺03本系統(tǒng)設(shè)計所用到的圖像主要選取了雛菊、蒲公英、玫瑰花、向日葵和郁金香五種生活中常見的花卉。下載地址為：/example_images/flower_photos.tgz1.采集圖像集04以下是數(shù)據(jù)集的查看，具體代碼如下：1.1采集圖像集五種花卉樣本圖像共2500張，其中每類花卉各500張。05將數(shù)據(jù)集按照8：0：2的比例劃分為訓練集、驗證集和測試集。具體代碼如下：1.2.圖像集的分類結(jié)果如下：06本系統(tǒng)設(shè)計采用MobileNet網(wǎng)絡(luò)模型，MobileNet基于流線型架構(gòu)，使用深度可分離卷積來構(gòu)建的輕量級深度網(wǎng)絡(luò)模型。2.模型設(shè)計加載圖像加載模型訓練曲線訓練模型07為了能更快的處理圖片，增加了一個小批量處理環(huán)節(jié)，分批加載圖像。具體代碼如下：2.1加載圖像08本次用到的模型是由谷歌開發(fā)的MobileNetv2

網(wǎng)絡(luò)模型，該模型已經(jīng)在ImageNet數(shù)據(jù)集上進行過預訓練，共含有1.4M張圖像，而且學習了常見的1000種物體的基本特征，因此，該模型具有強大的特征提取能力。model=tf.keras.applications.MobileNetV2()當執(zhí)行以上代碼時，TensorFlow會自動從網(wǎng)絡(luò)上下載MobileNetV2網(wǎng)絡(luò)結(jié)構(gòu)。將預訓練模型用在新的分類任務(wù)上，需要自己構(gòu)建模型的分類模塊，而且需要將該模塊在新的數(shù)據(jù)集上進行訓練，這樣才能使模型適應新的分類任務(wù)。2.2加載模型09具體代碼如下：2.2加載模型模型參數(shù)如下：10為了更好地觀察訓練的效果，我們定義一個函數(shù)來顯示整個訓練過程。2.3訓練曲線11接下來是最重要的一步，需要定義一些參數(shù)，并要保持訓練好的模型，以供調(diào)用。2.4訓練模型模型參數(shù)如下：12本系統(tǒng)是利用QTDesigner制作GUI用戶界面，在通過

pyuic將其轉(zhuǎn)換成Python代碼，最后利用PyQt5完整地實現(xiàn)花卉識別系統(tǒng)的設(shè)計。3.界面設(shè)計窗口界面設(shè)計信號與槽調(diào)用主函數(shù)133.1窗口界面設(shè)計首先定義一個主類窗口控件Qwidget，然后在主類里面添加兩個子類窗口控件Qwidget，進而在兩個窗口中添加所需的控件（QLabel，QPushButton），設(shè)置個控件的屬性。14要實現(xiàn)面向?qū)ο蠊δ?，即控件和外部的交互，必須把信號和槽建立連接。3.2信號與槽設(shè)計定義槽函數(shù)chang_img()我們目的要實現(xiàn)按下輸入圖像（btn_change）按鈕，讀取本地的資源圖片。首先我們定義chang_img()函數(shù),然后調(diào)用QFileDialog.getOpenFileName（）打開本地資源，選擇所需的圖像資源。15要實現(xiàn)面向?qū)ο蠊δ?，即控件和外部的交互，必須把信號和槽建立連接。3.2信號與槽設(shè)計定義槽函數(shù)predict_img()同理我們需要定義識別（btn_predict）按鈕和識別結(jié)果連接起來。首先我們定義槽函數(shù)predict_img()函數(shù),然后把讀入的圖像轉(zhuǎn)換為一維的數(shù)組，利用函數(shù)self.model=tf.keras.models.load_model(“./models/mobilenet_flower.h5”