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
|
7天前
|
机器学习/深度学习 人工智能 算法
基于Python深度学习的【蘑菇识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能
蘑菇识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了9种常见的蘑菇种类数据集【"香菇(Agaricus)", "毒鹅膏菌(Amanita)", "牛肝菌(Boletus)", "网状菌(Cortinarius)", "毒镰孢(Entoloma)", "湿孢菌(Hygrocybe)", "乳菇(Lactarius)", "红菇(Russula)", "松茸(Suillus)"】 再使用通过搭建的算法模型对数据集进行训练得到一个识别精度较高的模型,然后保存为为本地h5格式文件。最后使用Django框架搭建了一个Web网页平台可视化操作界面,
51 11
基于Python深度学习的【蘑菇识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能
|
15天前
|
机器学习/深度学习 数据可视化 算法
PyTorch生态系统中的连续深度学习:使用Torchdyn实现连续时间神经网络
神经常微分方程(Neural ODEs)是深度学习领域的创新模型,将神经网络的离散变换扩展为连续时间动力系统。本文基于Torchdyn库介绍Neural ODE的实现与训练方法,涵盖数据集构建、模型构建、基于PyTorch Lightning的训练及实验结果可视化等内容。Torchdyn支持多种数值求解算法和高级特性,适用于生成模型、时间序列分析等领域。
162 77
PyTorch生态系统中的连续深度学习:使用Torchdyn实现连续时间神经网络
|
2月前
|
运维 监控 安全
公司监控软件:SAS 数据分析引擎驱动网络异常精准检测
在数字化商业环境中,企业网络系统面临复杂威胁。SAS 数据分析引擎凭借高效处理能力,成为网络异常检测的关键技术。通过统计分析、时间序列分析等方法,SAS 帮助企业及时发现并处理异常流量,确保网络安全和业务连续性。
64 11
|
2月前
|
机器学习/深度学习 人工智能 自然语言处理
深入理解深度学习中的卷积神经网络(CNN)##
在当今的人工智能领域,深度学习已成为推动技术革新的核心力量之一。其中,卷积神经网络(CNN)作为深度学习的一个重要分支,因其在图像和视频处理方面的卓越性能而备受关注。本文旨在深入探讨CNN的基本原理、结构及其在实际应用中的表现,为读者提供一个全面了解CNN的窗口。 ##
|
2月前
|
机器学习/深度学习 人工智能 算法
【宠物识别系统】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+图像识别
宠物识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了37种常见的猫狗宠物种类数据集【'阿比西尼亚猫(Abyssinian)', '孟加拉猫(Bengal)', '暹罗猫(Birman)', '孟买猫(Bombay)', '英国短毛猫(British Shorthair)', '埃及猫(Egyptian Mau)', '缅因猫(Maine Coon)', '波斯猫(Persian)', '布偶猫(Ragdoll)', '俄罗斯蓝猫(Russian Blue)', '暹罗猫(Siamese)', '斯芬克斯猫(Sphynx)', '美国斗牛犬
220 29
【宠物识别系统】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+图像识别
|
2月前
|
机器学习/深度学习 人工智能 算法
深度学习入门:用Python构建你的第一个神经网络
在人工智能的海洋中,深度学习是那艘能够带你远航的船。本文将作为你的航标,引导你搭建第一个神经网络模型,让你领略深度学习的魅力。通过简单直观的语言和实例,我们将一起探索隐藏在数据背后的模式,体验从零开始创造智能系统的快感。准备好了吗?让我们启航吧!
115 3
|
1天前
|
机器学习/深度学习 自然语言处理 监控
深入探索:深度学习在时间序列预测中的强大应用与实现
时间序列分析是数据科学和机器学习中一个重要的研究领域,广泛应用于金融市场、天气预报、能源管理、交通预测、健康监控等多个领域。时间序列数据具有顺序相关性,通常展示出时间上较强的依赖性,因此简单的传统回归模型往往不能捕捉其中复杂的动态特征。深度学习通过其非线性建模能力和层次结构的特征提取能力,能够有效地捕捉复杂的时间相关性和非线性动态变化模式,从而在时间序列分析中展现出极大的潜力。
|
1天前
|
机器学习/深度学习 运维 资源调度
深度学习在资源利用率优化中的应用:让服务器更聪明
深度学习在资源利用率优化中的应用:让服务器更聪明
15 6
|
6天前
|
机器学习/深度学习 人工智能 运维
深度学习在流量监控中的革命性应用
深度学习在流量监控中的革命性应用
69 40
|
27天前
|
机器学习/深度学习 运维 安全
深度学习在安全事件检测中的应用:守护数字世界的利器
深度学习在安全事件检测中的应用:守护数字世界的利器
73 22

热门文章

最新文章