深度学习-[数据集+完整代码]基于卷积神经网络的缺陷检测

简介: 深度学习-[数据集+完整代码]基于卷积神经网络的缺陷检测

卷积神经网络(Convolutional Neural Networks, CNN)是一种包含卷积计算且具有深度结构的前馈神经网络,是深度学习(deep learning)的代表算法之一。以下是对卷积神经网络的详细介绍:

一、起源与发展

  • 起源:卷积神经网络的研究始于二十世纪80至90年代,时间延迟网络和LeNet-5是最早出现的卷积神经网络。
  • 发展:随着深度学习理论的提出和数值计算设备的改进,卷积神经网络在二十一世纪后得到了快速发展,尤其在计算机视觉、自然语言处理等领域展现出强大的能力。

二、基本结构与工作原理

  • 结构:卷积神经网络主要由卷积层、池化层和全连接层组成。其中,卷积层用于提取图像的特征,池化层用于压缩特征图的大小以减少计算量,全连接层则用于对特征进行分类。
  • 工作原理:卷积层使用卷积核对输入的图像进行卷积运算,以提取图像的局部特征。池化层通过对特征图进行最大池化或平均池化等操作来减小特征图的尺寸,降低计算复杂度。最后,全连接层将提取的特征进行分类。

三、特点与优势

  • 局部连接与权值共享:卷积神经网络采用局部连接和权值共享的方式,大大减少了权值的数量,使得网络易于优化,同时降低了模型的复杂度,减小了过拟合的风险。
  • 平移不变性:由于卷积核在图像上的滑动操作,卷积神经网络具有平移不变性,即对于图像中的物体,无论其出现在哪个位置,都能被有效地识别和分类。
  • 强大的表征学习能力:卷积神经网络能够自动地学习图像中的有用特征,从而实现对图像、视频、文本等数据的识别、分类和预测任务。

四、应用领域

  • 计算机视觉:卷积神经网络在计算机视觉领域具有广泛的应用,如图像分类、目标检测、图像分割等。
  • 自然语言处理:在自然语言处理领域,卷积神经网络也被用于文本分类、情感分析等任务。
  • 医学领域:卷积神经网络在医学影像分析、疾病诊断等方面也表现出强大的能力。

五、未来展望

  • 随着硬件技术的不断进步和深度学习理论的不断完善,卷积神经网络的规模和深度将进一步增加,处理能力也将更加强大。
  • 更多的融合模型将出现,如将卷积神经网络与循环神经网络、生成对抗网络等其他深度学习模型相结合,以实现对更复杂任务的处理。
  • 在机器视觉、智能安防、自动驾驶等领域,卷积神经网络将发挥更加重要的作用,为人们的生活带来更多便利和安全。

案例代码实现:

数据集训练代码及结果:

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import pathlib
import keras
from keras.layers import Dense,Flatten,Conv2D,MaxPool2D
 
#解决中文显示问题
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
 
#读取训练集数据
data_train = "./data/train"
data_train = pathlib.Path(data_train)
 
#读取测试集数据
data_val = "./data/val"
data_val = pathlib.Path(data_val)
 
#将数据类别放在列表数据中
CLASS_NAMES = np.array(['Cr','In','Pa','PS','Rs','Sc'])
 
#设置图片大小和批次数
BATCH_SIZE = 64
IMG_HEIGHT = 32
IMG_WIDTH = 32
 
#对数据进行归一化处理
image_gengerator = keras.preprocessing.image.ImageDataGenerator(rescale=1.0/255)
 
#训练集生成器
train_data_gen = image_gengerator.flow_from_directory(directory=str(data_train),
                                                     batch_size=BATCH_SIZE,
                                                     shuffle=True, #打乱图片
                                                     target_size=(IMG_HEIGHT,IMG_WIDTH))
 
#验证集生成器
val_data_gen = image_gengerator.flow_from_directory(directory=str(data_train),
                                                     batch_size=BATCH_SIZE,
                                                     shuffle=True, #打乱图片
                                                     target_size=(IMG_HEIGHT,IMG_WIDTH))
 
#利用keras搭建神经网络模型
model = keras.Sequential() #keras.Sequential() 是 Keras(一个流行的深度学习框架)中的一个函数,用于实例化一个线性堆叠的层次模型。这个模型是一个顺序模型,允许我们将一层层地添加到模型中。
# 第一层卷积层
model.add(Conv2D(filters=6,kernel_size=5,input_shape=(32,32,3),activation='relu')) #filters 卷积核的数量 kernel_size指定卷积核的大小5*5 input_shape 设定图像大小和通道数3
# 第一层池化层
model.add(MaxPool2D(pool_size=(2,2),strides=(2,2))) #pool_size 这指定了池化窗口的大小  strides:这指定了池化操作的步长
# 第二层卷积层
model.add(Conv2D(filters=16,kernel_size=5,activation='relu')) #filters 卷积核的数量 kernel_size指定卷积核的大小5*5 input_shape 设定图像大小和通道数3
# 第二层池化层
model.add(MaxPool2D(pool_size=(2,2),strides=(2,2))) #pool_size 这指定了池化窗口的大小  strides:这指定了池化操作的步长
# 第三层卷积层
model.add(Conv2D(filters=120,kernel_size=5,input_shape=(32,32,3),activation='relu')) #filters 卷积核的数量 kernel_size指定卷积核的大小5*5 input_shape 设定图像大小和通道数3
 
model.add(Flatten())
model.add(Dense(84,activation='relu'))  #添加一个84个神经元的全连接层
model.add(Dense(6,activation='softmax'))
#编译卷积神经网络
model.compile(loss='binary_crossentropy',optimizer='Adam',metrics=['accuracy'])
 
#传入数据集进行训练
history = model.fit(train_data_gen,validation_data=val_data_gen,epochs=50)
#保存训练好的模型
model.save('model.h5')
 
 
# 绘制训练集和验证集的loss值对比
plt.plot(history.history['loss'], label='train')
plt.plot(history.history['val_loss'], label='val')
plt.title("CNN神经网络loss值图")
plt.legend()
plt.show()
 
 
# 绘制训练集和验证集的准确率的对比图
plt.plot(history.history['accuracy'], label='train')
plt.plot(history.history['val_accuracy'], label='val')
plt.title("CNN神经网络accuracy值图")
plt.legend()
plt.show()

训练结果的损失值和精确度图形展示:

测试集数据测试:

import numpy as np
import tensorflow as tf
from keras.models import load_model
import cv2
 
# 给数据类别放置到列表数据中
CLASS_NAMES = np.array(['Cr', 'In', 'Pa', 'PS', 'Rs', 'Sc'])
 
 
# 设置图片大小
IMG_HEIGHT = 32
IM_WIDTH = 32
 
# 加载模型
model = load_model("model.h5")
 
# 数据读取与预处理
src = cv2.imread("data/val/Cr/Cr_48.bmp")
src = cv2.resize(src, (32, 32))
src = src.astype("int32")
src = src / 255
 
# 扩充数据的维度
test_img = tf.expand_dims(src, 0)
# print(test_img.shape)
 
preds = model.predict(test_img)
#print(preds)
score = preds[0]
# print(score)
 
print('模型预测的结果为{}, 概率为{}'.format(CLASS_NAMES[np.argmax(score)], np.max(score)))

六,相关作品展示

基于Java开发、Python开发、PHP开发、C#开发等相关语言开发的实战项目

基于Nodejs、Vue等前端技术开发的前端实战项目

基于微信小程序和安卓APP应用开发的相关作品

基于51单片机等嵌入式物联网开发应用

基于各类算法实现的AI智能应用

基于大数据实现的各类数据管理和推荐系统

相关文章
|
13天前
|
机器学习/深度学习 人工智能 算法
【乐器识别系统】图像识别+人工智能+深度学习+Python+TensorFlow+卷积神经网络+模型训练
乐器识别系统。使用Python为主要编程语言,基于人工智能框架库TensorFlow搭建ResNet50卷积神经网络算法,通过对30种乐器('迪吉里杜管', '铃鼓', '木琴', '手风琴', '阿尔卑斯号角', '风笛', '班卓琴', '邦戈鼓', '卡萨巴', '响板', '单簧管', '古钢琴', '手风琴(六角形)', '鼓', '扬琴', '长笛', '刮瓜', '吉他', '口琴', '竖琴', '沙槌', '陶笛', '钢琴', '萨克斯管', '锡塔尔琴', '钢鼓', '长号', '小号', '大号', '小提琴')的图像数据集进行训练,得到一个训练精度较高的模型,并将其
27 0
【乐器识别系统】图像识别+人工智能+深度学习+Python+TensorFlow+卷积神经网络+模型训练
|
4天前
|
机器学习/深度学习 数据采集 算法
Python基于OpenCV和卷积神经网络CNN进行车牌号码识别项目实战
Python基于OpenCV和卷积神经网络CNN进行车牌号码识别项目实战
40 19
|
4天前
|
机器学习/深度学习 编解码
深度之眼(二十八)——神经网络基础知识(三)-卷积神经网络
深度之眼(二十八)——神经网络基础知识(三)-卷积神经网络
28 14
|
13天前
|
机器学习/深度学习 算法 计算机视觉
基于深度学习网络的USB摄像头实时视频采集与人脸检测matlab仿真
**摘要 (Markdown格式):** ```markdown - 📹 使用USB摄像头(Tttttttttttttt666)实时视频检测,展示基于YOLOv2在MATLAB2022a的实施效果: ``` Tttttttttttttt1111111111------------5555555555 ``` - 📺 程序核心利用MATLAB视频采集配置及工具箱(Dddddddddddddd),实现图像采集与人脸定位。 - 🧠 YOLOv2算法概览:通过S×S网格预测边界框(B个/网格),含坐标、类别概率和置信度,高效检测人脸。
|
11天前
|
机器学习/深度学习 自动驾驶 算法
深度学习之旋转包围盒检测
旋转包围盒检测是一种高级目标检测方法,旨在识别图像中目标的精确位置和方向。与传统的轴对齐矩形框(水平包围盒)不同,旋转包围盒(Rotated Bounding Box, RBB)允许检测框随目标旋转,从而更紧密地包围目标,尤其适用于长条形、倾斜或旋转的物体。深度学习在旋转包围盒检测中展现了强大的能力,通过训练神经网络模型,能够有效检测和回归旋转包围盒。
18 2
|
12天前
|
机器学习/深度学习 编解码 数据可视化
图神经网络版本的Kolmogorov Arnold(KAN)代码实现和效果对比
目前我们看到有很多使用KAN替代MLP的实验,但是目前来说对于图神经网络来说还没有类似的实验,今天我们就来使用KAN创建一个图神经网络Graph Kolmogorov Arnold(GKAN),来测试下KAN是否可以在图神经网络方面有所作为。
31 0
|
13天前
|
机器学习/深度学习 数据采集 自动驾驶
深度学习之点云包围盒检测
点云包围盒检测是一项关键任务,主要用于三维场景中物体的检测和定位。与传统的二维图像目标检测不同,点云数据包含了三维空间的信息,能够提供更加丰富的细节和准确的位置。基于深度学习的方法在点云包围盒检测中展现了强大的性能,通过训练神经网络,能够高效地从点云数据中提取特征并进行物体检测。
17 2
|
13天前
|
机器学习/深度学习 PyTorch 算法框架/工具
【YOLOv8改进 - 注意力机制】SimAM:轻量级注意力机制,解锁卷积神经网络新潜力
YOLO目标检测专栏介绍了SimAM,一种无参数的CNN注意力模块,基于神经科学理论优化能量函数,提升模型表现。SimAM通过计算3D注意力权重增强特征表示,无需额外参数。文章提供论文链接、Pytorch实现代码及详细配置,展示了如何在目标检测任务中应用该模块。
|
17小时前
|
机器学习/深度学习 PyTorch 算法框架/工具
图神经网络是一类用于处理图结构数据的神经网络。与传统的深度学习模型(如卷积神经网络CNN和循环神经网络RNN)不同,
图神经网络是一类用于处理图结构数据的神经网络。与传统的深度学习模型(如卷积神经网络CNN和循环神经网络RNN)不同,
14 9
|
17小时前
|
机器学习/深度学习 TensorFlow API
Keras是一个高层神经网络API,由Python编写,并能够在TensorFlow、Theano或CNTK之上运行。Keras的设计初衷是支持快速实验,能够用最少的代码实现想法,并且能够方便地在CPU和GPU上运行。
Keras是一个高层神经网络API,由Python编写,并能够在TensorFlow、Theano或CNTK之上运行。Keras的设计初衷是支持快速实验,能够用最少的代码实现想法,并且能够方便地在CPU和GPU上运行。
5 0