介紹本文將學(xué)習(xí)和構(gòu)建一個(gè) CNN 模型，以從圖像中對(duì)幼苗的種類進(jìn)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(duì)植物物種進(jìn)行分類。

我們將執(zhí)行多個(gè)步驟，例如導(dǎo)入庫(kù)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(guò)度擬合，最后對(duì)測(cè)試數(shù)據(jù)集進(jìn)行預(yù)測(cè)。

目錄

問(wèn)題陳述

導(dǎo)入庫(kù)

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?jǐn)?shù)據(jù)集

防止過(guò)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(cè)

問(wèn)題陳述

該數(shù)據(jù)集由奧爾胡斯大學(xué)信號(hào)處理小組提供。這是一個(gè)典型的圖像識(shí)別問(wèn)題陳述。我們提供了一個(gè)圖像數(shù)據(jù)集，其中包含處于不同生長(zhǎng)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(lái)自 12 個(gè)植物物種的 960 種獨(dú)特植物。最終目標(biāo)是構(gòu)建一個(gè)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(kù)

首先導(dǎo)入所有必要的庫(kù)以供我們進(jìn)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(kù)

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(gè)非常重要的步驟。清理圖像是一項(xiàng)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(gè)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