keras框架——基于深度学习CNN神经网络的水果成熟度识别分类系统源码
第一步：准备数据
3种水果成熟度数据：青红黄，总共有735张图片，每个文件夹单独放一种成熟度数据
第二步：搭建模型
本文选择一个简单cnn网络，其网络结构如下：
Model: "model_1"
_________________________________________________________________
Layer (type) Output Shape Param
=================================================================
input_1 (InputLayer) (None, 80, 128, 3) 0
_________________________________________________________________
conv0 (Conv2D) (None, 26, 42, 32) 896
_________________________________________________________________
dropout_1 (Dropout) (None, 26, 42, 32) 0
_________________________________________________________________
bn0 (BatchNormalization) (None, 26, 42, 32) 128
_________________________________________________________________
activation_1 (Activation) (None, 26, 42, 32) 0
_________________________________________________________________
max_pool_1 (MaxPooling2D) (None, 13, 21, 32) 0
_________________________________________________________________
conv1 (Conv2D) (None, 4, 7, 4) 1156
_________________________________________________________________
dropout_2 (Dropout) (None, 4, 7, 4) 0
_________________________________________________________________
bn1 (BatchNormalization) (None, 4, 7, 4) 16
_________________________________________________________________
activation_2 (Activation) (None, 4, 7, 4) 0
_________________________________________________________________
max_pool_2 (MaxPooling2D) (None, 2, 3, 4) 0
_________________________________________________________________
flatten_1 (Flatten) (None, 24) 0
_________________________________________________________________
dense (Dense) (None, 3) 75
=================================================================
Total params: 2,271
Trainable params: 2,199
Non-trainable params: 72
第三步：训练代码
1）损失函数为：交叉熵损失函数
2）训练代码：
model.fit_generator(generate_arrays_from_file(lines[:num_train], batch_size, IMG_H, IMG_W),
steps_per_epoch=max(1, num_train // batch_size),
validation_data=generate_arrays_from_file(lines[num_train:], batch_size, IMG_H, IMG_W, flag=False),
validation_steps=max(1, num_val // batch_size),
epochs=100,
initial_epoch=0,
class_weight='auto',
callbacks=[checkpoint_period1, reduce_lr, early_stopping, csv_logger])
model.save_weights(log_dir + 'last1.h5')
第四步：统计正确率
HappyModel_model_logep037-accuracy0.890-val_accuracy0.938.h5正确率高达93.8%
第五步：搭建GUI界面
第六步：整个工程的内容
有训练代码和训练好的模型以及训练过程，提供数据，提供GUI界面代码，主要使用方法可以参考里面的“文档说明_必看.docx”
项目源码下载：
项目源码下载地址：关注WX【AI街潜水的八角】，回复【keras水果成熟度识别】即可下载
整套项目源码内容包含
有训练代码和训练好的模型以及训练过程，提供数据，提供GUI界面代码
相关知识
基于keras框架的MobileNetV3深度学习神经网络花卉/花朵分类识别系统源码
基于深度学习和迁移学习的识花实践
基于深度学习的花卉识别研究
【花卉识别系统】Python+卷积神经网络算法+人工智能+深度学习+图像识别+算法模型
colab cnn实现花卉图片分类识别
毕业设计：基于深度学习的野生花卉识别分类算法系统 目标检测
深度学习基于python+TensorFlow+Django的花朵识别系统
基于python编程的五种鲜花识别
基于深度卷积神经网络的移动端花卉识别系统
pytorch深度学习框架——实现病虫害图像分类
网址: keras框架——基于深度学习CNN神经网络的水果成熟度识别分类系统源码 https://m.huajiangbk.com/newsview460449.html
| 上一篇: 惠州情人节情侣鲜花餐厅推荐 |
下一篇: Win11无法识别麦克风的全面解 |
