一个不知名大学生，江湖人称菜狗
original author: Jacky Li
Email : 3435673055@qq.comTime of completion：2023.11.13
Last edited: 2023.11.13导读：其实没啥难的，主要是随手搞了就发出来把，太久没有水过帖子了！
目录
项目描述
技术亮点
1.1 总体设计
1.1.1 系统架构
1.1.2 识别流程
1.2 算法实现
1.2.1 数据集
1.2.2 算法设计与实现
1.2.3 识别结果与改进
1.3 应用实现
1.3.1 数据库
1.3.2 后端
1.3.3 前端
1.4 效果展示
作者有言
项目描述
本项目是基于SpringBoot和图像分类算法用来识别蘑菇的微信小程序，根据拍摄上传的蘑菇图片，通过python脚本调用训练好的模型，经过后端处理，最后返回识别结果的类别及其识别准确率。
技术亮点
-
采用MobileNetV2进行作为蘑菇图像分类的特征提取网络，使模型轻量化，使得参数量减少了60%，加快访问速度
-
通过@ControllerAdvice注解实现拦截器，利用@ExceptionHandler注解捕捉所有异常，进行统一处理
-
为提升查询效率，在蘑菇学名字段上建立了索引
1.1 总体设计
介绍了小程序的整体系统架构以及使用小程序进行蘑菇识别的流程。
1.1.1 系统架构
小程序采用前后端分离架构，前端采用taro框架，后端采用springboot框架，并通过nginx进行请求转发。
1.1.2 识别流程
使用小程序对蘑菇进行识别时，小程序会向后端发起请求，后端再调用python脚本进行识别，并从数据库查询蘑菇具体信息。
1.2 算法实现
介绍了蘑菇识别算法采用的数据集，识别算法的设计与实现，以及算法的识别效果与所做的改进。
1.2.1 数据集
在kaggle获取，地址：
https://www.kaggle.com/datasets/maysee/mushrooms-classification-common-genuss-images
该数据集中有9个最常见的北欧蘑菇属图像文件夹。每个文件夹包含300到 1500个蘑菇属的选定图像。标签是文件夹的名称。
1.2.2 算法设计与实现
处理数据集：用tensorflow.image.decode_jpeg和tensorflow.image.resize 对图片进行标准化。
训练：将图片与标签（文件夹名即标签）打包后，将前百分之80设置为训练集，后百分之20设置为验证集。利用tf.keras.Sequential构建模型model，最后调用model.fit进行训练。
识别：利用tf.keras.Sequential构建模型model，并调用
model.load_weights加载训练好的模型，最后调用model.predict进行预测。
1.2.3 识别结果与改进
训练集准确率：98.53%，测试集准确率：72.32%。
可以发现这个结果很不理想。一开始我以为是因为过拟合了，于是尝试增加dropout，但发现并没有起到什么作用[张1] 。
于是我去看了看数据集中的数据，发现有很多图片是脏数据，比如：
之后我对这些脏数据进行了手动删除，同时我发现图片中干扰元素较多（比如背景中的花草），可能会导致网络无法很好地对蘑菇进行分类。于是我尝试使用了github上的开源库https://github.com/nadermx/backgroundremover 对数据集中的数据进行去背景处理。
去背景脚本：遍历原图片，对当前图片执行 os.system('backgroundremover -i "'+original_file+'" -o "'+new_file+'"')命令进行去除图片操作，并将结果存入另一个文件下。
去背景前：
去背景后：
最后使用去除了脏数据，并进行了去背景操作后的数据集进行训练，训练集准确率：99.88%， 测试集准确率：81.25%。
1.3 应用实现
介绍了小程序应用数据库、后端、前端的设计与实现。
1.3.1 数据库
采用Mysql数据库。由于系统比较简单，只有一张表：mushroom。
mushroom表字段：id（主键），name（蘑菇名称），scientific_name （学名），species（所属科属），toxicity（毒性），feature（特征），文献（documents），img_path（图片路径）。
其中为提升查询效率，在scientific_name字段上建立了索引。
1.3.2 后端
用springboot框架进行开发，用mybatis-plus框架进行数据库交互。
核心接口逻辑：将前端传过来的图片上传至服务器指定路径下-->利用Runtime.getRuntime().exec(command)执行python命令：python identify.py <图片路径>（python脚本读取该路径下的图片进行识别）--> 读取python脚本打印出来的结果（所有类别及其识别准确率），并进行排序-->删除上传至服务器的图片-->返回识别准确率前三的类别。
统一错误处理：通过@ControllerAdvice注解实现一个拦截器，并利用@ExceptionHandler(value = Exception.class)注解捕捉所有异常，进行统一处理。
1.3.3 前端
基于Taro（React）框架进行开发。
上传图片：使用Taro.chooseImgae api选择图片，选择成功后调用Taro.uploadFile api将图片上传至服务器。
页面间传递对象参数：父页面调用Taro.eventCenter.trigger api触发事件，将参数放入事件中。子页面调用Taro.eventCenter.once api监听事件，取得参数。
获取蘑菇详细信息：通过Taro.request api调用后端接口获取详细信息。
1.4 效果展示
使用“识菇”微信小程序进行蘑菇识别的效果如下：
文章来源：https://www.toymoban.com/news/detail-773943.html
作者有言
如果需要代码，请私聊博主，博主看见回。文章来源地址https://www.toymoban.com/news/detail-773943.html
如果感觉博主讲的对您有用，请点个关注支持一下吧，将会对此类问题持续更新……
到了这里，关于实战 | 基于卷积神经网络的蘑菇识别微信小程序的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
