本文展示了如何构造一个卷积神经网络 (CNN) 并对自己的数据集进行分类。

1.数据集介绍、读入、转化

本文所用的数据集为西储大学轴承数据集，经过数据预处理将一维时序数据转化为灰度图，对灰度图进行分类。具体数据处理过程可参考：一维时序信号转化成灰度图，基于DCGAN的时序信号数据集扩充_deeplearning小学生的博客-CSDN博客

经数据预处理后的数据集如下：train_pics,test_pics,train_labels,test_labels,文件格式为npz格式，train_pics和test_pics分别为训练集和测试集，内容为10类故障类型的灰度图；labels文件内容为与pics文件一一对应的标签。

数据读入及转化代码如下：

train_pics_dict = np.load("train_pics.npz")
train_labels_dict = np.load("train_labels.npz")
test_pics_dict = np.load("test_pics.npz")
test_labels_dict = np.load("test_labels.npz")train_images = []
train_labels = []
test_images = []
test_labels = []for i in train_pics_dict.files:tmp=np.array(train_pics_dict[i])tmp=tmp.reshape((64,64,1))train_images.append(tmp)train_labels.append(int(train_labels_dict[i]))for i in test_pics_dict.files:tmp=np.array(test_pics_dict[i])tmp=tmp.reshape((64,64,1))test_images.append(tmp)test_labels.append(int(test_labels_dict[i]))train_images=np.array(train_images)
test_images=np.array(test_images)
train_labels=np.array(train_labels)
train_labels=train_labels.reshape((-1,1))
test_labels=np.array(test_labels)
test_labels=test_labels.reshape((-1,1))# Normalize pixel values to be between 0 and 1
#train_images, test_images = train_images / 255.0, test_images / 255.0

2.构造网络模型，编译并训练模型


model = models.Sequential()
model.add(layers.Conv2D(32, (5, 5),padding='same', activation='relu', input_shape=(64, 64,1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3),padding='same', activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(128, (3, 3),padding='same', activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(256, (3, 3),padding='same', activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Flatten())
model.add(layers.Dense(2560, activation='relu'))
model.add(layers.Dense(10))model.compile(optimizer='adam',loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),metrics=['accuracy'])history = model.fit(train_images, train_labels, epochs=10,validation_data=(test_images, test_labels))

3.结果分析

最终预测准确率可以接近百分之百。

完整代码如下：

import tensorflow as tf
import LoadPic
import numpy as np
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt
#import  cv2
from PIL import Imagetrain_pics_dict = np.load("train_pics.npz")
train_labels_dict = np.load("train_labels.npz")
test_pics_dict = np.load("test_pics.npz")
test_labels_dict = np.load("test_labels.npz")train_images = []
train_labels = []
test_images = []
test_labels = []for i in train_pics_dict.files:tmp=np.array(train_pics_dict[i])tmp=tmp.reshape((64,64,1))train_images.append(tmp)train_labels.append(int(train_labels_dict[i]))for i in test_pics_dict.files:tmp=np.array(test_pics_dict[i])tmp=tmp.reshape((64,64,1))test_images.append(tmp)test_labels.append(int(test_labels_dict[i]))train_images=np.array(train_images)
test_images=np.array(test_images)
train_labels=np.array(train_labels)
train_labels=train_labels.reshape((-1,1))
test_labels=np.array(test_labels)
test_labels=test_labels.reshape((-1,1))#(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()# Normalize pixel values to be between 0 and 1
#train_images, test_images = train_images / 255.0, test_images / 255.0class_names = [ "normal","ball_18","ball_36","ball_54","inner_18","inner_36","inner_54","outer_18","outer_36","outer_54"]
plt.figure(figsize=(10,10))
for i in range(25):plt.subplot(5,5,i+1)plt.xticks([])plt.yticks([])plt.grid(False)plt.imshow(train_images[i],cmap='gray')# The CIFAR labels happen to be arrays,# which is why you need the extra index#plt.xlabel(class_names[train_labels[i][0]])
plt.show()model = models.Sequential()
model.add(layers.Conv2D(32, (5, 5),padding='same', activation='relu', input_shape=(64, 64,1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3),padding='same', activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(128, (3, 3),padding='same', activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(256, (3, 3),padding='same', activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Flatten())
model.add(layers.Dense(2560, activation='relu'))
model.add(layers.Dense(10))model.compile(optimizer='adam',loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),metrics=['accuracy'])history = model.fit(train_images, train_labels, epochs=10,validation_data=(test_images, test_labels))plt.plot(history.history['accuracy'], label='accuracy')
plt.plot(history.history['val_accuracy'], label = 'val_accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.ylim([0.5, 1])
plt.legend(loc='lower right')
plt.savefig("result.png")
plt.show()test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)print(test_acc)

基于二维灰度图的卷积神经网络故障诊断（tensorflow）相关推荐

2021-03-22-TensorFlow故障诊断代码-一维信号转二维灰度图
故障诊断代码-一维信号转二维灰度图凯斯西储大学数据划分及灰度图转换故障诊断代码凯斯西储大学数据划分及灰度图转换 https://mp.weixin.qq.com/s?__biz=MzkxMzE5 ...
图像分割——基于二维灰度直方图的阈值处理
前言像素灰度值仅仅反映了像素灰度级的幅值大小,并没有反映出像素与邻域的空间相关信息. 二维灰度直方图的概念二维灰度直方图:像素的灰度值分布和邻域的平均灰度值分布构成的二维直方图二维直方图的值N( ...
Python-深度学习-学习笔记（13）：keras搭建卷积神经网络（对二维数据进行一维卷积）
Python-深度学习-学习笔记(13):keras搭建卷积神经网络(对二维数据进行一维卷积) 卷积神经网络进行图像分类是深度学习关于图像处理的一个应用,卷积神经网络的优点是能够直接与图像像素进行卷积 ...
基于空间金字塔池化的卷积神经网络物体检测
基于空间金字塔池化的卷积神经网络物体检测原文地址:http://blog.csdn.net/hjimce/article/details/50187655 作者:hjimce 一.相关理论本篇博文 ...
CNN应用之SPP（基于空间金字塔池化的卷积神经网络物体检测）-ECCV 2014-未完待续
基于空间金字塔池化的卷积神经网络物体检测原文地址:http://blog.csdn.net/hjimce/article/details/50187655 作者:hjimce 一.相关理论本篇博文 ...
深度学习（十九）基于空间金字塔池化的卷积神经网络物体检测-ECCV 2014
基于空间金字塔池化的卷积神经网络物体检测原文地址:http://blog.csdn.net/hjimce/article/details/50187655 作者:hjimce 一.相关理论本篇博文 ...
深度学习（十九）基于空间金字塔池化的卷积神经网络物体检测
基于空间金字塔池化的卷积神经网络物体检测原文地址:http://blog.csdn.net/hjimce/article/details/50187655 作者:hjimce 一.相关理论本篇博文 ...
AAAI 2020 | 时间可以是二维的吗？基于二维时间图的视频内容片段检测
作者 | 彭厚文.傅建龙来源 | 微软研究院AI头条编者按:当时间从一维走向二维,时序信息处理问题中一种全新的建模思路由此产生.根据这种新思路及其产生的二维时间图概念,微软亚洲研究院提出一种新的解 ...
时间可以是二维的？基于二维时间图的视频内容片段检测 | AAAI 2020
作者 | 彭厚文.傅建龙来源 | 微软研究院AI头条(ID: MSRAsia) 编者按:当时间从一维走向二维,时序信息处理问题中一种全新的建模思路由此产生.根据这种新思路及其产生的二维时间图概念,微 ...

基于二维灰度图的卷积神经网络故障诊断（tensorflow）

本文展示了如何构造一个卷积神经网络 (CNN) 并对自己的数据集进行分类。

1.数据集介绍、读入、转化

经数据预处理后的数据集如下：train_pics,test_pics,train_labels,test_labels,文件格式为npz格式，train_pics和test_pics分别为训练集和测试集，内容为10类故障类型的灰度图；labels文件内容为与pics文件一一对应的标签。

数据读入及转化代码如下：

2.构造网络模型，编译并训练模型

3.结果分析

完整代码如下：

基于二维灰度图的卷积神经网络故障诊断（tensorflow）相关推荐

最新文章

热门文章