基于卷积神经网络的水果成熟度识别（tensorflow框架）【python源码+UI界面+前端界面+功能源码详解】_荔枝成熟度识别系统,python

服饰识别功能展示：

（一）简介

 基于卷积神经网络的水果成熟度识别系统是在tensorflow框架下实现的，系统中有两个模型可选--cnn模型和VGG16模型，这两个模型可用于模型效果对比。该系统涉及的技术栈有，UI界面：python + pyqt5，前端界面：python flask + vue

该项目是在pycharm和anaconda搭建的虚拟环境执行，pycharm和anaconda安装和配置可观看教程：

超详细的pycharm+anaconda搭建python虚拟环境-CSDN博客

pycharm+anaconda搭建python虚拟环境_哔哩哔哩_bilibili

（二）项目介绍

1. pycharm打开项目界面如下

2. 数据集

3. 项目的核心代码 

（1）模型训练

class Vgg16Model:
    def __init__(self, train_path, test_path, model_name):
        self.train_path = train_path
        self.test_path = test_path
        self.model_name = model_name
    
    # 模型训练主入口
    def train(self, epochs):
        # 记录训练过程
        log_file_name = './results/cnn训练过程.txt'
        # 记录正常的 print 信息
        sys.stdout = Logger(log_file_name)
 
        # 开始训练，记录开始时间
        begin_time = time()
        train_ds, val_ds, class_names = self.data_load(224, 224, 16)
 
        print(class_names)
        # 加载模型
        model = self.model_load(class_num=len(class_names))
        # 指明训练的轮数epoch，开始训练
        history = model.fit(train_ds, validation_data=val_ds, epochs=epochs)
        # 保存模型
        model.save(self.model_name)
        # 记录结束时间
        end_time = time()
        run_time = end_time - begin_time
        print('该循环程序运行时间：', run_time, "s")
        # 绘制模型训练过程图
        self.show_loss_acc(history)
 
 
if __name__ == '__main__':
    # todo 加载数据集， 修改数据集的路径
    train_dir = r"D:\A-Project\MangoRec_Project\mango_maturity_datasets\train"
    test_dir = r"D:\A-Project\MangoRec_Project\mango_maturity_datasets\test"
 
    # todo 修改模型名称
    model_name0 = r"models/vgg16.h5"
 
    my_cnn = Vgg16Model(train_dir, test_dir, model_name0)
    # todo 指定模型训练轮数
    my_cnn.train(epochs=10)
 
    # todo 模型验证 跑此函数前先把上面的 my_cnn.train(epochs=10) 注释掉
    # my_cnn.test()

该系统可以训练自己的数据集，训练过程也比较简单，只需指定自己数据集中训练集和测试集的路径，训练后模型名称和指定训练的轮数即可

训练结束后可输出以下结果：

a. 训练过程的损失曲线

b. 模型训练过程记录，模型每一轮训练的损失和精度数值记录

c. 模型结构

（2）模型评估

class Vgg16Model:
    def __init__(self, train_path, test_path, model_name):
        self.train_path = train_path
        self.test_path = test_path
        self.model_name = model_name
    
    # 测试模型准确率
    def test(self):
        # 记录测试过程
        log_file_name = './results/vgg16测试过程.txt'
        # 记录正常的 print 信息
        sys.stdout = Logger(log_file_name)
 
        _, test_ds, class_names = self.data_load(224, 224, 16)
        # 加载已训练好的模型
        model = tf.keras.models.load_model(self.model_name)
        # 测试
        loss, accuracy = model.evaluate(test_ds)
        # 输出结果
        print('VGG16 test accuracy :', accuracy)
 
        # 对模型分开进行推理
        test_real_labels = []
        test_pre_labels = []
        for test_batch_images, test_batch_labels in test_ds:
            test_batch_labels = test_batch_labels.numpy()
            test_batch_pres = model.predict(test_batch_images)
            # print(test_batch_pres)
 
            test_batch_labels_max = np.argmax(test_batch_labels, axis=1)
            test_batch_pres_max = np.argmax(test_batch_pres, axis=1)
            # print(test_batch_labels_max)
            # print(test_batch_pres_max)
            # 将推理对应的标签取出
            for i in test_batch_labels_max:
                test_real_labels.append(i)
 
            for i in test_batch_pres_max:
                test_pre_labels.append(i)
            # break
 
        # print(test_real_labels)
        # print(test_pre_labels)
        class_names_length = len(class_names)
        heat_maps = np.zeros((class_names_length, class_names_length))
        for test_real_label, test_pre_label in zip(test_real_labels, test_pre_labels):
            heat_maps[test_real_label][test_pre_label] = heat_maps[test_real_label][test_pre_label] + 1
 
        print(heat_maps)
        heat_maps_sum = np.sum(heat_maps, axis=1).reshape(-1, 1)
        # print(heat_maps_sum)
        print()
        heat_maps_float = heat_maps / heat_maps_sum
        print(heat_maps_float)
        # title, x_labels, y_labels, harvest
        self.show_heatmaps(title="heatmap", x_labels=class_names, y_labels=class_names,
                           harvest=heat_maps_float, save_name="results/heatmap_vgg16.png")
 
 
if __name__ == '__main__':
    # todo 加载数据集， 修改数据集的路径
    train_dir = r"D:\A-Project\MangoRec_Project\mango_maturity_datasets\train"
    test_dir = r"D:\A-Project\MangoRec_Project\mango_maturity_datasets\test"
 
    # todo 修改模型名称
    model_name0 = r"models/vgg16.h5"
 
    my_cnn = Vgg16Model(train_dir, test_dir, model_name0)
    # todo 指定模型训练轮数
    # my_cnn.train(epochs=10)
 
    # todo 模型验证 跑此函数前先把上面的 my_cnn.train(epochs=10) 注释掉
    my_cnn.test()

模型评估和模型训练在同一程序，模型评估时只需将模型评估入口函数放开，同时注释掉模型训练入口函数即可

模型评估可输出：

a. 测试精度热力图

b. 测试过程和精度数值

（三）资源获取方式

资源主要包括以下内容：完整的程序代码文件、训练好的模型、数据集、UI界面、前端界面。欢迎大家咨询！