基于1DCNN(一维卷积神经网络）的目标识别

简介：研一已经结束，感觉动手能力太差，找了一篇优秀的博主的文章，然后进行学习，奈何

科研小白，代码经过各种查找，终于明白了原理。

在此先感谢博主"秋雨行舟"，他还有B站对应的讲解，贼良心的一位博主！！

链接：https://blog.csdn.net/qq_38918049/article/details/124992113?spm=1001.2014.3001.5501

对博主中的代码做了稍许修改，添加了大量注释，以此篇博客记录学习过程中的收获。

数据集：凯斯西储实验室的轴承故障诊断（振动加速度采集的）和我的研究对象很很相似，都是一维时间序列的目标，所以拿来练手。

平台：jupyter notebook，把每一行代码所表述的意思完全展示出来了，更加容易理解代码执行过程，相较于pyhcarm更加友好，对跑神经网络，因为能够直观的看到运行过程。

环境：win10，tensorflow2.1(感觉深度学习，版本可以不要太高，要不然很多不兼容，整着好麻烦，我就是从tensorflow版本2.5降到了2.1，目前为止用的还可以，可能以后还有升级，，，)。

代码介绍：从10个.mat文件中经过一系列数据处理（内容是真滴丰富）分为1500个（784,1）的训练集和750个（784,1）的验证集和测试集，搭建CNN模型（函数式）进行训练，通过测试集进行评估。

代码获取：可以从“秋雨行舟”博主上去找资源，也可以找我啊，我基本上把每行代码都注释了，也欢迎研究一维时间序列目标检测，目标识别的小伙伴一块组队学习啊！

目录

  一.数据预处理

1.1 从.mat文件中读取数据的字典

1.2划分训练集和测试集

1.3训练集，测试集打标签

1.4数据标准化并把测试集再分为测试集和验证集

           二.搭建1DCNN模型

2.1 数据处理

2.2 定义一个保存最佳模型的方法

2.3 搭建模型

2.4 编译模型

2.5训练模型并保存

2.6效果展示（损失，精确对比）

          三.评估模型

 四.混淆矩阵

 五.总结

---

 

一.数据预处理

1.1 从.mat文件中读取数据的字典

# 定义函数把原始数据打包成字典
def capture(original_path):
        files = {}
        for i in filenames:
            file_path = os.path.join(d_path, i)     
            file = loadmat(file_path)               # loadmat()加载.mat函数
            file_keys = file.keys()        # 获取加载后的.mat文件的键值，也就是‘12k_Drive_End_B007_0_118.mat’这种
            for key in file_keys:  # 获取所有文件中结构体中含有字符为DE的数据，并将数据写入字典中
                if 'DE' in key: # 这个地方‘DE’在这组数据中都有‘Drive_End’所以相当于遍历了，如果是凯斯西储实验室的其他几组数据，要换一下
                    files[i] = file[key].ravel()  # 转换为一维数组
        return files
data = capture(original_path=d_path)
data

1.2划分训练集和测试集

# 定义参数
rate = [0.5, 0.25, 0.25]  # 训练集，测试集，验证集划分比例（测试集和验证集这个步骤在一块）
number = 300  # 每类样本的数量
length = 784        # 样本长度
# 定义划分训练集和测试集的函数
def slice_enc(data, slice_rate=rate[1] + rate[2]):
    keys = data.keys()
    Train_Samples = {}
    Test_Samples = {}
    for i in keys:
        slice_data = data[i]   # 遍历到.mat字典的每个值，也就是data的array部分（用键去遍历）

        all_lenght = len(slice_data)
        # end_index = int(all_lenght * (1 - slice_rate))     # 感觉这个被山区的注释这一行才对啊，能理解
        # 下面是每个.mat数据中的value部分拿出一半做训练集的一部分
        samp_train = int(number * (1 - slice_rate))  # 1000(1-0.3)  # 不明白这个地方的备注（1000（1-0.3））  不应该是300*（1-0.5）？
        Train_sample = []
        Test_Sample = []
        
        # 抓取训练数据放到训练集中
        for j in range(samp_train):   # （遍历150次）
            # 每个.mat数据的训练集的长度
            sample = slice_data[j*150: j*150 + length]  # （0:784） 也就是每个训练数据为（784，1）
            Train_sample.append(sample)   # 把每个做训练的部分放到训练集中

        # 抓取测试数据
        for h in range(number - samp_train):   # （遍历150次）
            sample = slice_data[samp_train*150 + length + h*150: samp_train*150 + length + h*150 + length] # 每条测试数据为（784，1）
            Test_Sample.append(sample)  # 把每个做测试的部分放到测试集中
        # 遍历的每条数据把划分的训练数据，测试数据放到对应集合中
        Train_Samples[i] = Train_sample
        Test_Samples[i] = Test_Sample
    return Train_Samples, Test_Samples
train,test = slice_enc(data)

# 每个.mat数据划分为多少个训练字段，
# 所以总共10个原始数据，每个原始数据划分为150个训练字段
for i in train.keys():
    a = train[i]
    len(a)
    print(len(a))
[out]:
150
150
150
150
150
150
150
150
150
150

 

1.3训练集，测试集打标签

# 定义添加标签的函数
def add_labels(train_test):
    X =[]
    Y = []
    label = 0
    for i in filenames:   # 遍历每个.mat数据，（i=0，第一个mat数据中的150条训练数据的标签设为0）
        x = train_test[i]
        X += x
        lenx = len(x)
        Y += [label] *lenx
        label +=1
    return X,Y

# 为训练集制作标签
Train_X ,Train_Y = add_labels(train)
# Train_X，Train_Y中1500条训练数据，每150条训练数据对应一个标签，有0-9个10个不同的标签类型

1.4数据标准化并把测试集再分为测试集和验证集

# 定义标准化函数
def scalar_stand(Train_X, Test_X):
    # 用训练集标准差标准化训练集以及测试集
    data_all = np.vstack((Train_X, Test_X))    # 数据降为一维平铺
    scalar = preprocessing.StandardScaler().fit(data_all)  # sklearn.preprcoessing包下的数据标准化函数
    Train_X = scalar.transform(Train_X)   #调用 .transform函数对数据进行标准化
    Test_X = scalar.transform(Test_X)
    return Train_X, Test_X
# 测试集再分为测试集和验证集（比例1:1）
def valid_test_slice(Test_X, Test_Y):

    test_size = rate[2] / (rate[1] + rate[2])
    # n_splits=1，将其分成一组也就是两部分，test_size每组的比例
    ss = StratifiedShuffleSplit(n_splits=1, test_size=test_size)  # 拿出一半做测试集，一半做验证集（test_size=0.5）
    Test_Y = np.asarray(Test_Y, dtype=np.int32)   # 更新Test_Y

    for train_index, test_index in ss.split(Test_X, Test_Y):
        X_valid, X_test = Test_X[train_index], Test_X[test_index]    # 把验证集和训练集对应
        Y_valid, Y_test = Test_Y[train_index], Test_Y[test_index]

        return X_valid, Y_valid, X_test, Y_test
normal = True  # 是否标准化
# 执行标准化
if normal:
        Train_X, Test_X = scalar_stand(Train_X, Test_X)

Train_X = np.asarray(Train_X)   # 经过方法np.asarray(x)得到最新的x
Test_X = np.asarray(Test_X)
# 把测试集拿出一半做验证集
Valid_X, Valid_Y, Test_X, Test_Y = valid_test_slice(Test_X, Test_Y)

二.搭建1DCNN模型

2.1 数据处理

2.2 定义一个保存最佳模型的方法

# 保存最佳模型
class CustomModelCheckpoint(keras.callbacks.Callback):# 使用回调函数来观察训练过程中网络内部的状态和统计信息r然后选取最佳的进行保存
    def __init__(self, model, path):  # (自定义初始化)
        self.model = model
        self.path = path
        self.best_loss = np.inf # np.inf 表示+∞，是没有确切的数值的,类型为浮点型  自定义最佳损失数值
 
    def on_epoch_end(self, epoch, logs=None): # on_epoch_end(self, epoch, logs=None)在每次迭代训练结束时调用。在不同的方法中这个logs有不同的键值
        val_loss = logs['val_loss'] # logs是一个字典对象directory；
        if val_loss < self.best_loss:
            print("\nValidation loss decreased from {} to {}, saving model".format(self.best_loss, val_loss))
            self.model.save_weights(self.path, overwrite=True)  # overwrite=True覆盖原有文件  # 此处为保存权重没有保存整个模型
            self.best_loss = val_loss

2.3 搭建模型

# 搭建模型框架（函数式API方法）
def mymodel():
    inputs = keras.Input(shape=(Train_X.shape[1],Train_X.shape[2]))# ([1500, 784, 1])把【784,1】传入输入层，没看数据处理时，还不知道为啥这样传
    h1= layers.Conv1D(filters=8,kernel_size=3,strides=1,padding='same',activation='relu')(inputs) 
    h1 = layers.MaxPool1D(pool_size=2,strides=2,padding='same')(h1)
    
    h2 = layers.Conv1D(filters=16,kernel_size=3,strides=1,padding='same')(h1)
    h2 = layers.MaxPool1D(pool_size=2,strides=2,padding='same')(h2)
    
    h3 = layers.Flatten()(h2)   # 扁平层，方便全连接层传入数据
    h4 = layers.Dropout(0.6)(h3)  # Droupt层舍弃百分之60的神经元
    
    h5 = layers.Dense(32,activation='relu')(h4)   # 全连接层，输出为32
    outputs = layers.Dense(10,activation='softmax')(h5)  # 再来个全连接层，分类结果为10种（9种故障类型，1种正常的）
    #   不要出现中文，，，，，，血泪教训，最开始把1DCNN模型，有模型二字，导致编译出错，一顿爆改！
    deep_model = keras.Model(inputs,outputs,name = '1DCNN')  # 整合每个层，搭建1DCNN模型成功
    
    return deep_model

 

2.4 编译模型

# 编译模型，（优化器：Adam，损失函数：sparse_categorical_crossentropy）
model.compile(
    optimizer=keras.optimizers.Adam(),
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy'])

2.5训练模型并保存

history = model.fit(Train_X, Train_Y,
              batch_size=256, epochs=50, verbose=1,
              validation_data=(Valid_X, Valid_Y),
              callbacks=[CustomModelCheckpoint(
  model, r'mybestcnn.h5')])  # verbose=1带进度条的输出日志信息

 

 

2.6效果展示（损失，精确对比）

 

 

三.评估模型

四.混淆矩阵

 

五.总结

第一次完整的看完一篇代码，权当入门起步！，因为版本和环境的问题，把代码从pycharm转到jupyter，着实费了了我好大力，一行一行代码去百度，最后才完成，遇到很多困难，但解决掉BUG的时候真滴酸爽！！！！！！！！