系列文章
手把手教你：基於粒子群優化算法（PSO）優化卷積神經網絡（CNN）的文本分類
@
項目簡介
本文主要介紹如何使用python搭建：一個基於深度殘差網絡（ResNet）的圖像識別垃圾分類系統。
博主也參考過網上其他博主介紹：ResNet或圖像分類的文章，但大多是理論大於方法。很多同學肯定對原理不需要過多了解，只需要搭建出一個分類或預測系統即可。
本文只會告訴你如何快速搭建一個基於ResNet的圖像分類系統並運行，原理的東西可以參考其他博主。
也正是因為我發現網上大多的帖子只是針對原理進行介紹，功能實現的相對很少。
如果您有以上想法，那就找對地方了！
不多廢話，直接進入正題！
一、項目架構
整個項目的程序流程圖如下，分別為：
1.圖像數據預處理
2.模型訓練
3.模型測試
三個模塊
二、圖像數據
本文用到的垃圾圖片數據主要為以下四類：
1.廚余垃圾
2.可回收垃圾
3.其他垃圾
4.有害垃圾
如下：
其中每個類別又涉及多個子類別如，有害垃圾文件夾中，中又涉及以下多個類別：
每類圖片數量及圖片總數情況如下，共計6038張圖像數據：
三、環境介紹
1.環境要求
本項目開發IDE使用的是：Anaconda中的jupyter notebook，大家可以直接csdn搜索安裝指南非常多，這里就不再贅述。
因為本項目基於TensorFlow因此需要以下環境：
- tensorflow==2.0
- pandas
- scikit-learn
- numpy
- OpenCV2
- matplotlib
如下：
2.環境安裝實例
環境都可以通過pip進行安裝。如果只是想要功能跑起來，這邊建議tensorflow安裝cpu版的。
如果沒使用過pycharm通過pip安裝包的同學可以參考如下：
點開“終端”，然后通過pip進行安裝tensorflow，其他環境包也可以通過上面的方法安裝。
四、重要代碼介紹
1.圖像數據讀取和預處理
## 讀取圖像，解決imread不能讀取中文路徑的問題
def cv_imread(filePath):
# 核心就是下面這句，一般直接用這句就行，直接把圖片轉為mat數據
cv_img=cv2.imdecode(np.fromfile(filePath,dtype=np.uint8),-1)
# imdecode讀取的是rgb，如果后續需要opencv處理的話，需要轉換成bgr，轉換后圖片顏色會變化
# cv_img=cv2.cvtColor(cv_img,cv2.COLOR_RGB2BGR)
return cv_img
# 定義圖像獲取函數
def read_img(img_url_list,num):
# 設置隨機數種子
random.seed(999)
imgs = []
err_img = []
if num>len(img_url_list):
print("抱歉，出錯了，您設置的采樣數量大於了圖片張數，請調小img_num！")
else:
# 對圖片數量進行采樣
img_url_list = img_url_list[:num]
for img_url in tqdm(img_url_list):
# 獲取圖像
img = cv_imread(img_url)
if img is None:
err_img.append(img_url)
else:
# skimage.transform.resize(image, output_shape)改變圖片的尺寸
img = cv2.resize(img, (w,h))
if np.asarray(img).shape == (w,h,3):
imgs.append(img)
else:
err_img.append(img_url)
return imgs
2.圖像數據增強
因為我們用於訓練的圖像數量不算多，可以進行以下幾種方式進行數據增強：
- 隨機裁剪
- 旋轉
- 翻轉
# 圖像增強將圖像進行隨機翻轉，裁剪
def img_create_cut(imgs,label,cut_min,cut_max,cut_true):
imgs_out = []
label_out = []
w = imgs[0].shape[0]
h = imgs[0].shape[1]
for i in tqdm(range(len(imgs))):
# 添加原圖
imgs_out.append(imgs[i])
label_out.append(label[i])
if cut_true:
# 原圖隨機裁剪，執行1次
for f in range(1):
# 生成裁剪隨機數
rd_num = np.random.uniform(cut_min, cut_max)
# 生成隨機裁剪長寬
rd_w = int(w * rd_num)
rd_h = int(h * rd_num)
# 進行裁剪
crop_img = tf.image.random_crop(imgs[i],[rd_w,rd_h,c]).numpy()
# 重新調整大小
re_img = cv2.resize(crop_img, (w, h))
# 添加裁剪圖像
imgs_out.append(re_img)
# 添加類標
label_out.append(label[i])
# 隨機翻轉
for e in range(0,2):
# 1:水平翻轉,0:垂直翻轉,-1:水平垂直翻轉
f_img = cv2.flip(imgs[i], e)
# 添加翻轉圖像
imgs_out.append(f_img)
# 添加類標
label_out.append(label[i])
imgs_out,label_out = np.asarray(imgs_out, np.float32), np.asarray(label_out, np.int32)
# 打亂順序
# 讀取data矩陣的第一維數（圖片的個數）
num_example = imgs_out.shape[0]
arr = np.arange(num_example)
np.random.seed(99)
np.random.shuffle(arr)
imgs_out= imgs_out[arr]
label_out= label_out[arr]
return imgs_out,label_out
3.模型加載並訓練
3.1 模型加載
3.2 模型訓練
3.3 訓練各項指標
可以看到，訓練准確率模型很快就達到了一個比較高的水平，測試集准確率在80分以上。
4.結果預測
讀取訓練好的模型：
w = test_data.shape[1]
h = test_data.shape[2]
c = test_data.shape[3]
# 獲取label數量
label_counts = len(classes)
# 加載模型結構
Resnetmodel = ResNetModel(input_shape=(w,h,c),classes=label_counts)
ResNet_model = Resnetmodel.ResNet50()
# 設置學習率
learning_rate=0.001
optimizer = keras.optimizers.Adam(learning_rate=learning_rate)
ResNet_model.compile(optimizer=optimizer,loss='sparse_categorical_crossentropy',metrics=['accuracy'])
ResNet_model.summary()
4.1 測試集模型評價
使用sklearn輸出各類別評價指標：
其中類標：
0為：廚余垃圾
1為：可回收垃圾
2為：其他垃圾
3為：有害垃圾
4.2 單張圖片測試
五、完整代碼地址
由於項目代碼量和數據集較大，感興趣的同學可以下載完整代碼，使用過程中如遇到任何問題可以在評論區評論或者私信我，我都會一一解答。
完整代碼下載：
手把手教你：圖像識別的垃圾分類系統