如何构建一个 CNN 模型，以从图像中对幼苗的种类进行分类？

    介绍本文将学习和构建一个 CNN 模型，以从图像中对幼苗的种类进行分类。该数据集有12组图像，我们的最终目的是从图像中对植物物种进行分类。
    我们将执行多个步骤，例如导入库和模块、读取图像并调整它们的大小、图像清理、图像预处理、模型构建、模型训练、减少过度拟合，最后对测试数据集进行预测。
    
    目录
    问题陈述
    导入库
    获取数据并调整图像大小
    清理图像并去除背景
    将标签转换为数字
    定义我们的模型并拆分数据集
    防止过拟合
    定义卷积神经网络
    将 CNN 拟合到数据上
    混淆矩阵
    获得预测
    问题陈述
    该数据集由奥尔胡斯大学信号处理小组提供。这是一个典型的图像识别问题陈述。我们提供了一个图像数据集，其中包含处于不同生长阶段的植物照片。每张照片都有其唯一的 ID 和文件名。
    该数据集包含来自 12 个植物物种的 960 种独特植物。最终目标是构建一个能够从照片中确定植物种类的分类器。
    物种列表
    Black－grass
    Charlock
    Cleavers
    Common Chickweed
    Common wheat
    Fat Hen
    Loose Silky－bent
    Maize
    Scentless Mayweed
    Shepherds Purse
    Small－flowered Cranesbill
    Sugar beet
    
    导入库
    首先导入所有必要的库以供我们进一步分析。我们将使用 NumPy、Pandas、matplotlib、OpenCV、Keras 和 sci－kit－learn。
    检查以下命令以导入所有必需的库
    import numpy as np ＃ MATRIX OPERATIONS
    import pandas as pd ＃ EFFICIENT DATA STRUCTURES
    import matplotlib．pyplot as plt ＃ GRAPHING AND VISUALIZATIONS
    import math ＃ MATHEMATICAL OPERATIONS
    import cv2 ＃ IMAGE PROCESSING － OPENCV
    from glob import glob ＃ FILE OPERATIONS
    import itertools
    ＃ KERAS AND SKLEARN MODULES
    from keras．utils import np＿utils
    from keras．preprocessing．image import ImageDataGenerator
    from keras．models import Sequential
    from keras．layers import Dense
    from keras．layers import Dropout
    from keras．layers import Flatten
    from keras．layers．convolutional import Conv2D
    from keras．layers．convolutional import MaxPooling2D
    from keras．layers import BatchNormalization
    from keras．callbacks import ModelCheckpoint，ReduceLROnPlateau，CSVLogger
    from sklearn import preprocessing
    from sklearn．model＿selection import train＿test＿split
    from sklearn．metrics import confusion＿matrix
    ＃ GLOBAL VARIABLES
    scale ＝ 70
    seed ＝ 7
    获取数据并调整图像大小
    为了训练我们的模型，我们需要先读取数据。我们的数据集有不同大小的图像，因此我们将调整图像的大小。读取数据并调整其大小只需一步即可完成。查看以下代码以获取有关如何执行不同操作的完整信息。path＿to＿images ＝ ＇plant－seedlings－classification／train／png＇
    images ＝ glob（path＿to＿images）
    trainingset ＝ ［］
    traininglabels ＝ ［］
    num ＝ len（images）
    count ＝ 1
    ＃READING IMAGES AND RESIZING THEM
    for i in images：
        print（str（count）＋＇／＇＋str（num），end＝＇r＇）
        trainingset．append（cv2．resize（cv2．imread（i），（scale，scale）））
        traininglabels．append（i．split（＇／＇）［－2］）
        count＝count＋1
    trainingset ＝ np．asarray（trainingset）
    traininglabels ＝ pd．DataFrame（traininglabels）
    
    清理图像并去除背景
    这是执行清理的一个非常重要的步骤。清理图像是一项艰巨的任务。我们将执行以下步骤以清理图像
    将 RGB 图像转换为 HSV
    为了去除噪声，我们将不得不模糊图像
    为了删除背景，我们将不得不创建一个遮罩。new＿train ＝ ［］
    sets ＝ ［］； getEx ＝ True
    for i in trainingset：
        blurr ＝ cv2．GaussianBlur（i，（5，5），0）
        hsv ＝ cv2．cvtColor（blurr，cv2．COLOR＿BGR2HSV）
        ＃GREEN PARAMETERS
        lower ＝ （25，40，50）
        upper ＝ （75，255，255）
        mask ＝ cv2．inRange（hsv，lower，upper）
        struc ＝ cv2．getStructuringElement（cv2．MORPH＿ELLIPSE，（11，11））
        mask ＝ cv2．morphologyEx（mask，cv2．MORPH＿CLOSE，struc）
        boolean ＝ mask＞0
        new ＝ np．zeros＿like（i，np．uint8）
        new［boolean］ ＝ i［boolean］
        new＿train．append（new）
        if getEx：
            plt．subplot（2，3，1）；plt．imshow（i） ＃ ORIGINAL
            plt．subplot（2，3，2）；plt．imshow（blurr） ＃ BLURRED
            plt．subplot（2，3，3）；plt．imshow（hsv） ＃ HSV CONVERTED
            plt．subplot（2，3，4）；plt．imshow（mask） ＃ MASKED
            plt．subplot（2，3，5）；plt．imshow（boolean） ＃ BOOLEAN MASKED
            plt．subplot（2，3，6）；plt．imshow（new） ＃ NEW PROCESSED IMAGE
            plt．show（）
            getEx ＝ False
    
    
    1  2  3  下一页>