深度学习之昆虫种类识别

源代码：

#导入所需的包
import os
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from keras import layers
from keras import models
from keras import optimizers
plt.rcParams['font.sans-serif'] = ['SimHei']#图片数据集可通过百度爬虫爬取（简单粗暴）
# 导入图片数据
# 蝗虫图片
filedir = 'data/HC'
file_list1 = []
for root, dirs, files in os.walk(filedir):for file in files:if os.path.splitext(file)[1] == ".jpg":file_list1.append(os.path.join(root + '/', file))
# 批量改变图片像素
for filename in file_list1:try:im = Image.open(filename)im = im.convert('RGB')new_im = im.resize((128, 128))save_name = 'data/HC_128/' + filename[11:]new_im.save(save_name)except OSError as e:print(e.args)
# 重新建立新图像列表
filedir = 'data/HC_128'
file_list_1 = []
for root, dirs, files in os.walk(filedir):for file in files:if os.path.splitext(file)[1] == ".jpg":file_list_1.append(os.path.join(root + '/', file))
# 蚜虫图片
filedir = 'data/YC'
file_list2 = []
for root, dirs, files in os.walk(filedir):for file in files:if os.path.splitext(file)[1] == ".jpg":file_list2.append(os.path.join(root + '/', file))# 批量改变图片像素
for filename in file_list2:try:im = Image.open(filename)im = im.convert('RGB')new_im = im.resize((128, 128))save_name = 'data/YC_128/' + filename[11:]new_im.save(save_name)except OSError as e:print(e.args)
# 重新建立新图像列表
filedir = 'data/YC_128'
os.listdir(filedir)file_list_2 = []
for root, dirs, files in os.walk(filedir):for file in files:if os.path.splitext(file)[1] == ".jpg":file_list_2.append(os.path.join(root + '/', file))# 合并列表数据
file_list_all = file_list_1 + file_list_2
# 将图片转换为数组
M = []
for filename in file_list_all:im = Image.open(filename)width, height = im.sizeim_L = im.convert("L")Core = im_L.getdata()arr1 = np.array(Core, dtype='float32') / 255.0# arr1.shapelist_img = arr1.tolist()M.extend(list_img)
x = np.array(M).reshape(len(file_list_all), width, height)
print(x.shape)
#设置图像标签
class_name = ['蝗虫', '蚜虫']
# 用字典存储图像信息
dict_label = {0: '蝗虫', 1: '蚜虫'}
print(dict_label[0])
print(dict_label[1])
# 用列表输入标签，0表示蝗虫，1表示蚜虫
label = [0] * len(file_list_1) + [1] * len(file_list_2)
y = np.array(label)
# 按照4：1的比例将数据集划分为训练集和测试集
train_images, test_imgages, train_labels, test_labels = train_test_split(x, y, test_size=0.2, random_state=0)
# 显示一张图片
plt.figure()
plt.imshow(train_images[1])
plt.show()#显示前30张图片
'''
plt.figure(figsize=(10,10))
for i in range(30):plt.subplot(5,6,i+1)plt.xticks([])plt.yticks([])plt.grid(False)plt.imshow(train_images[i])plt.xlabel(class_name[train_labels[i]])
plt.show()
'''#构造神经网络并训练模型
model = models.Sequential()
model.add(layers.Flatten(input_shape=(128,128)))
model.add(layers.Dense(64,activation='relu'))
model.add(layers.Dense(64,activation='relu'))
model.add(layers.Dense(2,activation='softmax'))model.compile(optimizer = optimizers.RMSprop(lr=1e-4),loss = 'sparse_categorical_crossentropy',metrics = ['acc'])history = model.fit(train_images,train_labels, epochs = 100)
history1 = model.fit(test_imgages,test_labels, epochs = 100)
test_loss,test_acc = model.evaluate(test_imgages,test_labels)
print('Test acc:',test_acc)
print(model.summary())#绘制训练精度和训练损失
acc = history.history['acc']
loss = history.history['loss']
epochs = range(1,len(acc)+1)
plt.plot(epochs, acc, 'bo', label='Training acc')
plt.title('Training  accuracy')
plt.legend()
plt.figure()
plt.plot(epochs, loss, 'bo', label='Training loss')
plt.title('Training  loss')
plt.legend()
plt.show()
#绘制测试精度和测试损失
acc = history1.history['acc']
loss = history1.history['loss']
epochs = range(1,len(acc)+1)
plt.plot(epochs, acc, 'bo', label='Test acc')
plt.title('Test  accuracy')
plt.legend()
plt.figure()
plt.plot(epochs, loss, 'bo', label='Test loss')
plt.title('Test  loss')
plt.legend()
plt.show()#预测一个图像
pre = model.predict(test_imgages)
print(dict_label[np.argmax(pre[1])])#定义画图函数
def plot_image(i,pre_array,true_label,img):pre_array,true_label,img = pre_array[i],true_label[i],img[i]plt.grid(False)plt.xticks([])plt.yticks([])plt.imshow(img)pre_label = np.argmax(pre_array)if pre_label == true_label:color = '#00bc57'else:color = 'red'   plt.xlabel("{} {:2.0f}% ({})".format(class_name[pre_label],100*np.max(pre_array),                                  class_name[true_label]),color= color )def plot_value_array(i,pre_array,true_label):pre_array,true_label = pre_array[i],true_label[i]plt.grid(False)plt.xticks([])plt.yticks([])thisplot = plt.bar(range(len(class_name)),pre_array,color = '#FF7F0E',width = 0.2 )   plt.ylim([0,1])pre_label = np.argmax(pre_array)thisplot[pre_label].set_color('red')thisplot[true_label].set_color('#00bc57')#查看预测图像的真实标签和预测标签
i=5
plt.figure(figsize=(6,3))
plt.subplot(1,2,1)
plot_image(i,pre,test_labels,test_imgages)
plt.subplot(1,2,2)
plot_value_array(i,pre,test_labels)
plt.show()

运行结果截图：

代码还有待改善，持续更新新中······

深度学习之昆虫种类识别相关推荐

中科院DeepMind联手，用深度学习揭示大脑如何识别人脸｜Nature子刊
点击上方"视学算法",选择加"星标"或"置顶" 重磅干货,第一时间送达梦晨发自凹非寺量子位报道 | 公众号 QbitAI Deep ...
DeepEye：一个基于深度学习的程序化交易识别与分类方法
DeepEye:一个基于深度学习的程序化交易识别与分类方法徐广斌,张伟上海证券交易所资本市场研究所,上海 200120 上海证券交易所产品创新中心,上海 200120 摘要:基于沪市A股交 ...
《基于深度学习的加密流量识别研究》-2022毕设笔记
参考文献: 基于深度学习的网络流量分类及异常检测方法研究_王伟基于深度学习的加密流量分类技术研究与实现_马梦叠基于深度学习的加密流量识别研究综述及展望_郭宇斌基于深度学习的加密流量算法识别研究_ ...
基于深度学习的犬种识别软件（YOLOv5清新界面版，Python代码）
摘要:基于深度学习的犬种识别软件用于识别常见多个犬品种,基于YOLOv5算法检测犬种,并通过界面显示记录和管理,智能辅助人们辨别犬种.本文详细介绍博主自主开发的犬种检测系统,在介绍算法原理的同时,给出 ...
浙江大学《深度学习与行人重识别》课程课件
点击上方,选择星标或置顶,不定期资源大放送! 阅读大概需要3分钟 Follow小博主,每天更新前沿干货课程介绍该课程为浙江大学罗浩博士于2018年10月录制的<基于深度学习和行人重识别> ...
【深度学习】DIY 人脸识别技术的探索(一)
[深度学习]DIY 人脸识别技术的探索(一) 文章目录摘要问题重述模型假设定义与符号说明问题分析模型的建立与求解参考摘要伴随着人工智能技术的发展,人们对信息安全有了更高的要求,传统的 ...
【深度学习】DIY 人脸识别技术的探索(二)
[深度学习]DIY 人脸识别技术的探索(二) 文章目录训练模型工具结果展示问题二的模型建立与求解基于 KNN 的人脸识别模型训练模型 MTCNN 可以并行训练(3 个网络同时训练,前提是内 ...
蚂蚁金服张洁：基于深度学习的支付宝人脸识别技术解秘-1
蚂蚁金服张洁:基于深度学习的支付宝人脸识别技术解秘(1) 2015-08-13 10:22 于雪 51CTO 字号:T | T 用户身份认证是互联网金融发展的基石.今年三月,在德国汉诺威举办的IT展览 ...
Nature论文解读：深度学习助力毫秒之间识别癌细胞
论文动机流式细胞仪作为一种生物医学诊断技术,可以准确测量细胞特性.当前仪器已经实现了细胞的分类识别,但由于数据处理耗时的问题,尚不能对细胞进行实时分选. 基于之前的工作,本文作者提出采用深度学习来解 ...

深度学习之昆虫种类识别

深度学习之昆虫种类识别

深度学习之昆虫种类识别相关推荐

最新文章

热门文章