基于Matlab和fruits-360的水果识别

目录

0. 写在前面

1. fruits-360数据集介绍

2. 训练步骤与结果

3. 测试

4. 写在最后

5. fruits-360数据集

---

0. 写在前面

        本文直接上干货，不介绍理论，想了解理论的可以移步了。

        如果你对理论不太熟悉，但是又想看看效果或者只要功能，跟着我的步骤做，就能看到识别效果了。因为我也对理论了解不多。（站在巨人的肩膀上）

        matlab版本是2021b，用的是matlab的deepNetworkDesigner。fruits-360数据集下载链接放最后了。

1. fruits-360数据集介绍

        打开fruits-360的文件夹如图1所示，papers是大牛的论文，可以看看，但是大牛是用的python做的。Training放的是训练集，Test放的是验证集，test-multiple_fruits也是更复杂的验证集。其中图片的大小都是100*100*3（长×宽×高）。

图1 fruits-360文件夹介绍

        在训练集和验证集中放的是不同种类的水果和蔬菜。每一种水果或蔬菜占一个文件夹，文件夹的文件名就是标签，一共有131种。（验证集，训练集，标签自己百度）。如图2所示， 例如Apple Braebum文件夹中放的就全是这一种苹果的图片，Apple Braebum就是一个标签。     

图2 训练集

2. 训练步骤与结果

        步骤①  在matlab的命令行输入deepNetworkDesigner并回车

>> deepNetworkDesigner

        步骤②  打开如图3所示的深度网络设计器，选择如图4所示的预训练网络中的               SqueezeNet。      

              （也可以选择自己搭建网络，方法类似，自己研究去）

图3 深度网络设计器 图4 预训练网络

        步骤③  打开的SqueezeNet如图5所示，该网络一共有68层。  

图5 SqueezeNet

        步骤④  ctrl+滚轮放大网络，按图6中的步骤，替换掉输入层。因为fruits-360的图片大小都是100*100*3，但是SqueezeNet的图片输入大小是227*227*3。替换后的网络如图7所示。

图6 替换输入层

图7 替换输入层后的网络

        步骤⑤  按图8中的步骤，替换输出层。原网络的输出层输出种类是1000，fruits-360只有131种，替换后如图9所示。

图8 替换输出层

图9 替换输出层后的网络

        步骤⑥  按图10中的步骤，替换倒数第一个卷积层conv10，替换后如图11所示。

图10 替换卷积层conv10

图11 替换卷积层conv10后的网络

        步骤⑦  按如下步骤导入训练数据和验证数据

        导入后的训练集如图12所示，验证集如图13所示。

图12 训练集

图13 验证集

        步骤⑧  训练（使用默认参数）

        步骤⑨  训练结果，训练会花很长时间，剩下就是等。如图14所示。训练后网络对水果的识别正确率是 98.25%

图14 训练结果

        步骤⑩  导出。训练好后的网络可以导出到工作区，训练代码是mlx实时文件。（注意保存训练好的网络）

3. 测试

        测试代码如下，测试结果图15-图19所示。因为fruits-360中水果分类特别细，所以出来的结果有的很离谱。

load('trainedNet.mat') %加载训练好的网络
I = imread("C:\Users\1\Desktop\001.jpg"); %任意水果图片

I = imresize(I, [227 227]);

[YPred,probs] = classify(trainedNetwork_1,I); %测试
imshow(I)
label = YPred;
title(string(label) + ", " + num2str(100*max(probs),3) + "%");

图15 fruits-360中的香蕉测试

图16 网图西瓜测试

图17 拍摄香蕉测试

图18 拍摄苹果测试

图19 拍摄芒果测试

 

4. 写在最后

        ① 虽然全是实操，但是想要理解还得结合理论看

        ② 网络的选择多种多样，可以自己尝试设计网络

        ③ 步骤⑦中的训练参数也可以自己换着试

        ④ 步骤⑧的训练选项也可以调

        ⑤ 测试结果可以看出，部分水果识别结果还是很好的，但是有一些拍摄的水果不太好，甚至出现错误，如图18的苹果识别出来是梨。对于特别相似的如苹果和樱桃，在100*100*3的图片中是很难区分的。

        ⑥ 对于我们身边的常见水果可能不会分的这么细，fruits-360的苹果就有13种。可以自己从数据集中根据需要选择几种水果来做实验。但是训练集和验证集中的种类应该保持相同。

5. fruits-360数据集

        https://pan.baidu.com/s/16u2Q2P4b6aITkZE7k98VDw

        提取码：HXLX   （好学力行）

        测试的五张图片也放下面：