智能图像处理：Python和OpenCV实现-课件 13.5 基于深度学习的牡丹花卉系统设计

基于深度学习的花卉识别系统01本系统设计主要是利用谷歌的TensorFlow框架，实现对五种不同花卉（雏菊，蒲公英，玫瑰，向日葵，郁金香）进行分类和识别。一、设计思路数据集采集分类CNN设计设计测试界面设计窗口界面信号与槽02本实验采用编程环境为python3.8.13，TensorFlow-gpu2.7.0深度学习框架，硬件环境处理器型号为Inter（R）Core(TM)i5-11400@2.6GHz，显卡型号为NVIDIAGeForceRTX3060，内存为16GB。二、实验平台03本系统设计所用到的图像主要选取了雏菊、蒲公英、玫瑰花、向日葵和郁金香五种生活中常见的花卉。下载地址为：/example_images/flower_photos.tgz1.采集图像集04以下是数据集的查看，具体代码如下：1.1采集图像集五种花卉样本图像共2500张，其中每类花卉各500张。05将数据集按照8：0：2的比例划分为训练集、验证集和测试集。具体代码如下：1.2.图像集的分类结果如下：06本系统设计采用MobileNet网络模型，MobileNet基于流线型架构，使用深度可分离卷积来构建的轻量级深度网络模型。2.模型设计加载图像加载模型训练曲线训练模型07为了能更快的处理图片，增加了一个小批量处理环节，分批加载图像。具体代码如下：2.1加载图像08本次用到的模型是由谷歌开发的MobileNetv2

网络模型，该模型已经在ImageNet数据集上进行过预训练，共含有1.4M张图像，而且学习了常见的1000种物体的基本特征，因此，该模型具有强大的特征提取能力。model=tf.keras.applications.MobileNetV2()当执行以上代码时，TensorFlow会自动从网络上下载MobileNetV2网络结构。将预训练模型用在新的分类任务上，需要自己构建模型的分类模块，而且需要将该模块在新的数据集上进行训练，这样才能使模型适应新的分类任务。2.2加载模型09具体代码如下：2.2加载模型模型参数如下：10为了更好地观察训练的效果，我们定义一个函数来显示整个训练过程。2.3训练曲线11接下来是最重要的一步，需要定义一些参数，并要保持训练好的模型，以供调用。2.4训练模型模型参数如下：12本系统是利用QTDesigner制作GUI用户界面，在通过

pyuic将其转换成Python代码，最后利用PyQt5完整地实现花卉识别系统的设计。3.界面设计窗口界面设计信号与槽调用主函数133.1窗口界面设计首先定义一个主类窗口控件Qwidget，然后在主类里面添加两个子类窗口控件Qwidget，进而在两个窗口中添加所需的控件（QLabel，QPushButton），设置个控件的属性。14要实现面向对象功能，即控件和外部的交互，必须把信号和槽建立连接。3.2信号与槽设计定义槽函数chang_img()我们目的要实现按下输入图像（btn_change）按钮，读取本地的资源图片。首先我们定义chang_img()函数,然后调用QFileDialog.getOpenFileName（）打开本地资源，选择所需的图像资源。15要实现面向对象功能，即控件和外部的交互，必须把信号和槽建立连接。3.2信号与槽设计定义槽函数predict_img()同理我们需要定义识别（btn_predict）按钮和识别结果连接起来。首先我们定义槽函数predict_img()函数,然后把读入的图像转换为一维的数组，利用函数self.model=tf.keras.models.load_model(“./models/mobilenet_flower.h5”