基于深度学习的花卉智能分类识别系统
温馨提示：文末有 CSDN 平台官方提供的学长 QQ 名片 :)
1. 项目简介
传统的花卉分类方法通常依赖于专家的知识和经验，这种方法不仅耗时耗力，而且容易受到主观因素的影响。本系统利用 TensorFlow、Keras 等深度学习框架构建卷积神经网络（CNN），利用花卉数据集进行模型训练与验证，预测准确率达到 84.3%，使用Flask框架结合Bootstrap前端技术搭建了一个交互式的分析预测平台，能够从大量的图像数据中自动学习和提取特征，从而实现高效、准确的分类。
2. 花卉数据集读取与预处理
利用 Tensorflow 框架从文件夹中读取花卉图像数据：
# 花卉类别
class_map = {'tulip': 0, 'sunflower': 1, 'rose': 2, 'dandelion': 3, 'daisy': 4}
class_name_dict = {0: 'tulip', 1: 'sunflower', 2: 'rose', 3: 'dandelion', 4: 'daisy'}
def image_generator(height,width):
datagen = ImageDataGenerator(
rescale=1./255.,
validation_split=0.2,
rotation_range=10,
width_shift_range=0.05,
height_shift_range=0.05,
# shear_range=0.05,
brightness_range=[0.5, 1.5],
)
train_ds = datagen.flow_from_directory(
data_dir,
batch_size=batch_size,
subset="training",
#color_mode = 'grayscale',
shuffle=True,
class_mode='categorical',
target_size=(height, width),
classes=class_map
)
val_ds = datagen.flow_from_directory(
data_dir,
subset="validation",
#seed=123,
#color_mode = 'grayscale',
class_mode='categorical',
target_size=(height, width),
batch_size=batch_size,
classes=class_map
)
return train_ds, val_ds
3. 深度卷积神经网络模型构建
3.1 VGG16 Base Model
VGG（Visual Geometry Group）是一个视觉几何组在2014年提出的深度卷积神经网络架构。VGG在2014年ImageNet图像分类竞赛亚军，定位竞赛冠军；VGG网络采用连续的小卷积核（3x3）和池化层构建深度神经网络，网络深度可以达到16层或19层，其中VGG16和VGG19最为著名。
VGG16和VGG19网络架构非常相似，都由多个卷积层和池化层交替堆叠而成，最后使用全连接层进行分类。两者的区别在于网络的深度和参数量，VGG19相对于VGG16增加了3个卷积层和一个全连接层，参数量也更多。
VGG网络被广泛应用于图像分类、目标检测、语义分割等计算机视觉任务中，并且其网络结构的简单性和易实现性使得VGG成为了深度学习领域的经典模型之一。
input_shape = (height, width, 3)
base_model = tf.keras.applications.vgg16.VGG16(
weights='./pretrained_models/vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5',
include_top=False,
input_shape=input_shape
)
base_model.trainable = False
model_vgg16 = tf.keras.Sequential()
model_vgg16.add(base_model)
model_vgg16.add(tf.keras.layers.Flatten())
model_vgg16.add(tf.keras.layers.Dense(len(class_map), activation='softmax'))
model_vgg16.compile(loss='categorical_crossentropy',
optimizer=tf.keras.optimizers.Adam(0.001),
metrics=['accuracy'])
model_vgg16.summary()模型训练：
vgg16_history = model_vgg16.fit(
train_ds,
validation_data=val_ds,
epochs=epochs,
callbacks=[checkpointer, earlystopper]
)Epoch 1/100 69/69 [==============================] - ETA: 0s - loss: 0.9497 - accuracy: 0.6451 Epoch 1: val_accuracy improved from -inf to 0.78102, saving model to best_vgg16_model.h5 69/69 [==============================] - 308s 4s/step - loss: 0.9497 - accuracy: 0.6451 - val_loss: 0.6584 - val_accuracy: 0.7810 ...... Epoch 11/100 69/69 [==============================] - ETA: 0s - loss: 0.0755 - accuracy: 0.9854 Epoch 11: val_accuracy did not improve from 0.80839 69/69 [==============================] - 349s 5s/step - loss: 0.0755 - accuracy: 0.9854 - val_loss: 0.6177 - val_accuracy: 0.7938 Epoch 11: early stopping
3.2 InceptionV3 Base Model
深度神经网络(Deep Neural Networks, DNN)或深度卷积网络中的Inception模块是由Google的Christian Szegedy等人提出，包括Inception-v1、Inception-v2、Inception-v3、Inception-v4及Inception-ResNet系列。
tf.keras.backend.clear_session()
base_model = tf.keras.applications.InceptionV3(
weights='./pretrained_models/inception_v3_weights_tf_dim_ordering_tf_kernels_notop.h5',
include_top=False,
input_shape=input_shape
)
base_model.trainable = False
model_inceptionv3 = tf.keras.Sequential()
model_inceptionv3.add(base_model)
model_inceptionv3.add(tf.keras.layers.Flatten())
model_inceptionv3.add(tf.keras.layers.Dense(len(class_map), activation='softmax'))
model_inceptionv3.compile(loss='categorical_crossentropy',
optimizer=tf.keras.optimizers.Adam(0.001),
metrics=['accuracy']
)
model_inceptionv3.summary()模型训练：
inceptionv3_history = model_inceptionv3.fit(
train_ds,
validation_data=val_ds,
epochs=epochs,
callbacks=[checkpointer, earlystopper]
)
3.3 模型性能对比
labels = ['损失Loss','准确率Accuracy']
vgg16_evals = [vgg16_eval_result['损失Loss'], vgg16_eval_result['准确率Accuracy']]
inceptionv3_evals = [inceptionv3_eval_result['损失Loss'], inceptionv3_eval_result['准确率Accuracy']]
x = np.arange(len(labels)) # the label locations
bar_width = 0.35 # the width of the bars
fig, ax = plt.subplots(figsize=(8, 6), dpi=100)
rects1 = ax.bar(x - bar_width/2, vgg16_evals, bar_width, label='VGG16')
rects2 = ax.bar(x + bar_width/2, inceptionv3_evals, bar_width, label='Inception-V3')
# Add some text for labels, title and custom x-axis tick labels, etc.
ax.set_ylabel('Loss/Acc')
ax.set_title('VGG16 与 Inception-V3 的花卉分类性能对比')
ax.set_xticks(x, labels)
ax.legend()
ax.bar_label(rects1, padding=3)
ax.bar_label(rects2, padding=3)
fig.tight_layout()
plt.show()
可以看出，基于 Inception-V3 为 base 模型的卷积神经网络，其预测准确率较高，为84.31%，以此花卉智能分类识别系统中，我们将集成该模型。
4. 花卉图片数据采集与样本扩充
原始数据集的每类花卉包括 607 个样本，虽然样本均衡，但是针对深度学习类的神经网络模型来说，样本还是不足，从建模过程中也能看出，预测准确率为 84.3%。
{'tulip': 607, 'sunflower': 607, 'rose': 607, 'dandelion': 607, 'daisy': 607}
本项目中，利用网络爬虫采集搜索引擎中搜索到的各类花卉的图片，来扩充样本数据集：
Coding 进行中，待更新......
5. 花卉智能分类识别系统
5.1 系统首页
系统首页提供简洁明了的界面设计，包括系统名称、主要功能简介以及使用指南等内容。用户可以通过主页快速了解系统的基本操作流程及注意事项。首页上还会展示一些示例图片，让用户直观地感受到系统的实际效果。
5.2 卷积神经网络模型介绍
5.3 花卉品种实时分类预测
用户上传花卉图像后，系统将自动调用预先训练好的深度学习模型进行分析处理。模型会根据图像中的特征判断花卉种类，并给出相应的分类结果。此外，系统还会提供模型对所有类别的预测概率分布，提升模型输出可解释性。
（1）郁金香（Tulip）类别样本预测
（2）太阳花（Sunflower）类别样本预测
（3）玫瑰花（Rose）类别样本预测
（4）蒲公英（Dandelion）类别样本预测
（5）雏菊（Daisy）类别样本预测
6. 总结
本系统利用 TensorFlow、Keras 等深度学习框架构建卷积神经网络（CNN），利用花卉数据集进行模型训练与验证，预测AUC达到 94.9%，使用Flask框架结合Bootstrap前端技术搭建了一个交互式的分析预测平台，能够从大量的图像数据中自动学习和提取特征，从而实现高效、准确的分类。
欢迎大家点赞、收藏、关注、评论啦 ，由于篇幅有限，只展示了部分核心代码。技术交流、源码获取认准下方 CSDN 官方提供的学长 QQ 名片 :)
精彩专栏推荐订阅：
原文地址：https://blog.csdn.net/andrew_extra/article/details/142407115
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！