基于人工智能的苹果成熟度检测-Toy模板网

这篇具有很好参考价值的文章主要介绍了基于人工智能的苹果成熟度检测。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

一、选题的背景

苹果在采摘期被采摘后，需要工人进行手工对苹果的成熟度进行分类，这耗费了大量的人力与物力，而且相近成熟度难以区分，存在分类颗粒度过粗，分类过程存在较为强烈的主观因素等问题。

在这里，我们提出了基于深度学习的苹果成熟度识别方案，这是一种用于帮助农民和采摘工人判断苹果成熟度的人工智能系统。它能够从图像中快速、准确地判断苹果的成熟度,判断苹果是否已经成熟，从而为农民和采摘工人提供帮助。

二、数据集的来源

数据一共有A -F一共六种不同成熟度的苹果，一共包括6161张照片。

机器学习做水果农产品分类和成熟度研究,人工智能,机器学习,ai,AI编程,生活

AppleD文件夹: 网上搜索苹果成熟前5个月,此时苹果还很青涩

AppleF文件夹: 网上搜索苹果成熟前4个月

AppleE文件夹: 网上搜索苹果前成熟3个月

AppleC文件夹: 网上搜索苹果成熟前2个月

AppleA文件夹: 网上搜索苹果成熟前1个月

AppleB文件夹: 网上搜索苹果成熟时,此时苹果成熟

三、采用的机器学习框架描述

采用keras框架搭建分类模型，完成模型训练、预测和分类任务。

采用tensorflow.image API与tensorflow.data API完成图片的增强与数据集的制作。

采用sklearn，完成训练集和测试集的划分，并且固定随机数种子，防止信息泄露。

四、涉及到的技术难点与解决思路

tf.data可以把python写的代码编译到C++后端高效执行，因此也存在较大的限制。对模型张量存在要求，使用上也有限制。

数据集并不算十分充裕，因此引入预训练模型就十分必要了。这里采用的是ResNet50在imageNet上预训练的模型，有很强的泛化能力。

五、数据的预处理

机器学习做水果农产品分类和成熟度研究,人工智能,机器学习,ai,AI编程,生活

为了利用在ResNet在ImageNet上预训练的权重，因此我们要使用与预训练相同的数据预处理方式，使数据保证在同一份分布上。

网络输入尺寸设置为224 * 224 * 3的RGB全彩图像，为了迎合各种尺寸的实际图像，需要把数据集中的图像按比例缩放，保证图像不会走形，影响模型的性能。将图片进行居中对齐，然后对每个维度缺失部分填0补充，反映到图像上，及为图像增加黑边。

在这里我们采用图片放大然后随机裁剪的方式对数据集进行扩充。

在实际中，我们缩放后的图片并非为实际网络输入尺寸，而是输入尺寸的1.4倍，然后再随机裁剪出需要尺寸。

最后对图片进行随机镜像,随机旋转进行数据增强，提高模型性能。

六、模型选择:

模型采用ResNet50,并加载imageNet数据集上训练的权重，降低训练压力，提高训练效果。

七、训练参数:

优化器: 采用Adam优化器学习率设置为2*1e-4,并训练10个epoch

损失函数: 采用SparseCategoryEntropy,及交叉熵作为分类损失。

衡量指标：采用正确率和计算损失作为衡量指标

机器学习做水果农产品分类和成熟度研究,人工智能,机器学习,ai,AI编程,生活

八、开始训练:

机器学习做水果农产品分类和成熟度研究,人工智能,机器学习,ai,AI编程,生活

这里我训练了6个epoch,但是由图可知只有前3个epoch是有效训练。

训练集和测试集按照6:4比例划分，分类模型在测试集上实现了99.4%的分类精度。

九、模型测试：

我们加载一张图片对苹果进行分类演示:

机器学习做水果农产品分类和成熟度研究,人工智能,机器学习,ai,AI编程,生活

模型预测苹果为D类,实现了正确分类。

十、总结

通过这次的实验，我学会更好的使用python，利用python做好更多的事情，只要一些简单的代码，就能让电脑学会分辨苹果的成熟度，很是方便，自己也可以利用这个程序检验生活中苹果的成熟度。

十一、代码

import tensorflow as tf

from keras.applications import resnet

from keras.losses import SparseCategoricalCrossentropy

from keras.layers import *

from keras.applications.resnet import preprocess_input

from keras import Model

from keras.optimizers import Adam

import matplotlib.pyplot as plt

from sklearn.model_selection import train_test_split

from keras.callbacks import ModelCheckpoint

import os

pretained = True

image_size = 224

expand_rate = 1.1

expand_size = int(expand_rate * image_size)

batch_size = 32

learning_rate = 1*1e-5

#classes = [‘Apple’,‘Carambola’,‘Kiwi’,‘Orange’,‘Pear’,‘Pitaya’,‘Pomegranate’,‘muskmelon’,

‘Banana’,‘Guava’,‘Mango’,‘Peach’,‘Persimmon’,‘Plum’,‘Tomatoes’]

#data_dir = r"D:\datasets\水果分类"

classes = [‘Apple A’, ‘Apple B’, ‘Apple C’, ‘Apple D’, ‘Apple E’, ‘Apple F’]

data_dir = r"D:/苹果成熟度分类\Apple"

weights_file = “苹果分类ResNet50.h5”

def build_resnet50_model(input_size,num_classes,is_pretrained):

_input = Input((input_size,input_size,3))

_body = resnet.ResNet50(include_top=False,weights= 'imagenet' if is_pretrained else None,pooling='avg')(_input)

_output = Dense(num_classes,activation='softmax')(_body)

model = Model(inputs=_input,outputs=_output)

model.compile(optimizer=Adam(learning_rate= learning_rate),loss=SparseCategoricalCrossentropy(from_logits=False),metrics='accuracy')

return model

model = build_resnet50_model(image_size,len(classes),True)

model.summary()

def process_image(filepath,label_idx,show_image=False):

binary = tf.io.read_file(filepath)

image = tf.image.decode_image(binary,expand_animations=False,dtype=tf.float32)

image_height,image_width = tf.shape(image)[0],tf.shape(image)[1]#获取图片的高,获取图片的宽

#接下来对图片进行等比例缩放.

#宽与高较大的者的缩放后的尺寸会直接设置为目标图片大小

#通过上述确定的先后图片边的尺寸,进而确定比例尺

#通过确定的比例尺对图片另一条边进行缩放

if image_height > image_width:

    new_height = expand_size

    new_ratio = tf.cast(expand_size,tf.float32) / tf.cast(image_height,tf.float32)

    new_width = tf.clip_by_value(tf.cast(tf.cast(image_width,tf.float32)* new_ratio,tf.int32),0,expand_size)

else:

    new_width = expand_size

    new_ratio = tf.cast(expand_size,tf.float32) / tf.cast(image_width,tf.float32)

    new_height = tf.clip_by_value(tf.cast(tf.cast(image_height,tf.float32)* new_ratio,tf.int32),0,expand_size)

image_big = tf.image.resize(image,[new_height,new_width])#对图片按照计算出的高于宽进行调整

image_expand = tf.pad(image_big,[[(expand_size - new_height)//2,expand_size-(new_height+(expand_size - new_height)//2)],

                             [(expand_size - new_width)//2,expand_size-(new_width+(expand_size - new_width)//2)],[0,0]])

image_crop = tf.image.random_crop(image_expand,[image_size,image_size,3])

image_flip = tf.image.random_flip_left_right(image_crop)

image_output = tf.image.random_flip_up_down(image_flip)

#image_output = tf.image.transpose(image_flip,tf.gather([0,90,270],tf.random.uniform((),minval=0,maxval=3,dtype=tf.int32)))

if not show_image:

    image_output = preprocess_input(image_output * 255.)

return image_output,label_idx

test_image,_ = process_image(r"D:/苹果成熟度分类\Apple\Apple03.jpg",‘’,show_image=True)

print(tf.reduce_mean(test_image))

print(tf.reduce_max(test_image))

import matplotlib.pyplot as plt

plt.imshow(test_image)

def load_dataset(data_dir):

filepaths = []

label_idices = []

for label_idx,current_dir in enumerate(classes):

    for filename in os.listdir(os.path.join(data_dir,current_dir)):

        filepath = os.path.join(data_dir,current_dir,filename)

        filepaths.append(filepath)

        label_idices.append(label_idx)

return filepaths,label_idices

x_train,x_test,y_train,y_test = train_test_split(*load_dataset(data_dir),shuffle=True,random_state=1234)

train_dataset = tf.data.Dataset.from_tensor_slices((x_train,y_train)).shuffle(2048,seed=1234).map(process_image,num_parallel_calls=32).prefetch(tf.data.AUTOTUNE).batch(batch_size)

test_dataset = tf.data.Dataset.from_tensor_slices((x_test,y_test)).shuffle(2048,seed=1234).map(process_image,num_parallel_calls=32).prefetch(tf.data.AUTOTUNE).batch(batch_size)

model.compile(optimizer=Adam(learning_rate=2*1e-4),loss=SparseCategoricalCrossentropy(from_logits=False),metrics=‘accuracy’)

if os.path.exists(weights_file):

model.load_weights(weights_file)

else:

model.fit(train_dataset,validation_data=test_dataset,epochs=10)

def predict_image(imagepath):

input_image = tf.expand_dims(process_image(imagepath,'')[0],axis=0)

output_probs = model(input_image)

image_label_idx = tf.argmax(output_probs,axis=-1)[0]

image_label = tf.gather(classes,image_label_idx).numpy()

image_label = image_label.decode("UTF-8")

return image_label

label = predict_image(r"D:/苹果成熟度分类\Apple\Apple03.jpg")

print("预测的分类为: ",label)

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
机器学习做水果农产品分类和成熟度研究,人工智能,机器学习,ai,AI编程,生活