matlab 使用预训练神经网络和SVM进行苹果分级（带图形界面）支持其他物品图片分级或者分类

目录

数据集：

实验代码：alexnet版

如果你的matlab不是正版，先看这里：

数据集结构：

训练代码：

训练结果：

 图形界面：

界面展示：

其他： 

 输出结果:

        实验思路是使用预训练神经网络对图片进行特征提取，然后再使用SVM对得到的特征进行处理。

        写完后试过基于形态学分类，可能是数据集的原因，用了面积、周长、最小外接矩形的长和宽、离心率、灰度均值、HSV均值，方差等作为特征，结果并不理想。

        用的matlab2021a，老师那要的（没法发安装包，只能线下找我）低版本不确定能用。

数据集：

自己搞得，不太行，还是建议你用其他的网上数据集

实验代码：alexnet版

如果你的matlab不是正版，先看这里：

如果你的matlab不是正版，无法下载Deep Learning Toolbox Model for AlexNet Network来获得已经训练好的神经网络可以去官网下载，或者在我这花1积分下载Deep Learning Toolbox Model for AlexNet Network - File Exchange - MATLAB CentralDownload and share free MATLAB code, including functions, models, apps, support packages and toolboxeshttps://ww2.mathworks.cn/matlabcentral/fileexchange/59133-deep-learning-toolbox-model-for-alexnet-network?s_tid=ta_fx_results

如果是在b站上下载的2022版有可能会崩溃，提前做好心理准备（偶然现象） 

下载完后（如果是压缩包的话先解压），将安装包拖进matlab的工作目录

 然后双击工作目录里的这个安装包来运行它，会弹出这个界面

按提示操作

 输入完毕后验证电子邮件

 设置密码

 就开始下载了

 下载完就能用已经训练好的alexnet了

数据集结构：

数据集下载        我这个数据集很一般，建议从网上找数据集

 

 apple数据集，里面的每个文件夹是一个类别（名字随便写，不过最好不是中文），图片是哪一种就放在那个文件夹里

训练代码：

file是数据集所在文件夹

训练完会有提示，让你选择保存不保存数据集

报错说alexnet什么的看上面-------如果你的matlab不是正版

clc;
clear;
file = 'D:/apple';
% 读取file中所有图片，以文件夹名作为标签
appleData = imageDatastore(file, 'IncludeSubfolders', true, 'LabelSource', 'foldernames')
% 调整大小适应后来的AlexNet模型输入
appleData.ReadFcn = @(x) imresize(imread(x), [227 227]);
% 划分测试集训练集，会打乱
[trainImds, testImds] = splitEachLabel(appleData, 0.8, 'randomized');
net = alexnet;% 加载AlexNet模型
% 特征提取
% 使用activations函数对训练集和测试集的图像进行特征提取
% 输出第七层的特征
featuresTrain = activations(net, trainImds, 'fc7', 'OutputAs', 'rows');
featuresTest = activations(net, testImds, 'fc7', 'OutputAs', 'rows');
fprintf('开始训练');
% 训练SVM，fitcecoc任数训练SVM分类器
svmModel = fitcecoc(featuresTrain,trainImds.Labels);
% 在测试集计算准确率
fprintf('预测值：');
predictedLabels = predict(svmModel, featuresTest);
fprintf('真实值：');
testImds.Labels
fprintf('正确率：');
accuracy = mean(predictedLabels == testImds.Labels)
x = input('是否保存svmModel已训练模型（y/n）',"s") ;
if(x=='y')save svm_Model svmModelfprintf('模型已保存到svm_Model.mat')
end

训练结果：


appleData = ImageDatastore - 属性:Files: {'D:\apple\1\1.jpeg';'D:\apple\1\1.jpg';'D:\apple\1\10.jpg'... and 197 more}Folders: {'D:\apple'}Labels: [1; 1; 1 ... and 197 more categorical]AlternateFileSystemRoots: {}ReadSize: 1SupportedOutputFormats: ["png"    "jpg"    "jpeg"    "tif"    "tiff"]DefaultOutputFormat: "png"ReadFcn: @readDatastoreImage开始训练预测值：真实值：
ans = 41×1 categorical 数组1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 正确率：
accuracy =0.9512是否保存svmModel已训练模型（y/n）y
模型已保存到svm_Model.mat>>

 图形界面：

用matlab自带的设计app做的

 我主要就写了一个按钮的回调，一定要记着保存SVM模型后再用，没做读取错误报错。

classdef apple < matlab.apps.AppBase% Properties that correspond to app componentsproperties (Access = public)UIFigure          matlab.ui.FigureEditField_2       matlab.ui.control.EditFieldEditField_2Label  matlab.ui.control.LabelEditField         matlab.ui.control.EditFieldLabel             matlab.ui.control.LabelImage             matlab.ui.control.ImageButton            matlab.ui.control.Buttonend% Callbacks that handle component eventsmethods (Access = private)% Button pushed function: Buttonfunction ButtonPushed(app, event)global svmModel net;% 模型% 如果没有模型，加载模型if(exist('svmModel','var')&&exist('net','var'))net = alexnet;% 加载AlexNet模型load svm_Model svmModel% 加载已训练模型end% 打开文件对话框 禁止多选[file,path]=uigetfile('*.*',' Multiselect ' ,'off');if(file==0) % 没读文件returnend% 更改路径文本file = [path,file];app.EditField.Value = file;app.Image.ImageSource = imread(file);% 更改图像显示% 创建需要读取特征的数据appleData =  imageDatastore(file);% 调整大小适应后来的AlexNet模型输入appleData.ReadFcn = @(x) imresize(imread(x), [227 227]);appleData = activations(net, appleData, 'fc7', 'OutputAs', 'rows');Labels = predict(svmModel, appleData);app.EditField_2.Value = string(Labels);endend% Component initializationmethods (Access = private)% Create UIFigure and componentsfunction createComponents(app)% Create UIFigure and hide until all components are createdapp.UIFigure = uifigure('Visible', 'off');app.UIFigure.Position = [100 100 415 393];app.UIFigure.Name = 'MATLAB App';% Create Buttonapp.Button = uibutton(app.UIFigure, 'push');app.Button.ButtonPushedFcn = createCallbackFcn(app, @ButtonPushed, true);app.Button.FontSize = 20;app.Button.Position = [36 21 100 34];app.Button.Text = '选择文件';% Create Imageapp.Image = uiimage(app.UIFigure);app.Image.Position = [86 134 237 237];% Create Labelapp.Label = uilabel(app.UIFigure);app.Label.HorizontalAlignment = 'right';app.Label.FontSize = 20;app.Label.Position = [23 68 125 26];app.Label.Text = '图片文件路径';% Create EditFieldapp.EditField = uieditfield(app.UIFigure, 'text');app.EditField.Editable = 'off';app.EditField.Position = [157 61 230 36];% Create EditField_2Labelapp.EditField_2Label = uilabel(app.UIFigure);app.EditField_2Label.HorizontalAlignment = 'right';app.EditField_2Label.FontSize = 20;app.EditField_2Label.Position = [209 22 65 26];app.EditField_2Label.Text = '级别：';% Create EditField_2app.EditField_2 = uieditfield(app.UIFigure, 'text');app.EditField_2.Editable = 'off';app.EditField_2.Position = [273 23 50 24];% Show the figure after all components are createdapp.UIFigure.Visible = 'on';endend% App creation and deletionmethods (Access = public)% Construct appfunction app = apple% Create UIFigure and componentscreateComponents(app)% Register the app with App DesignerregisterApp(app, app.UIFigure)if nargout == 0clear appendend% Code that executes before app deletionfunction delete(app)% Delete UIFigure when app is deleteddelete(app.UIFigure)endend
end

界面展示：

其他： 

如果觉着一个网络不好的话，这里还有一种操作：

或者你们还可以使用 Adaboost

Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器（强分类器）。

这几个网络都可以再之前的官网下载

clc;
clear;
file = 'D:/apple';
% 读取file中所有图片，以文件夹名作为标签
appleData = imageDatastore(file, 'IncludeSubfolders', true, 'LabelSource', 'foldernames')
% 调整大小适应后来的AlexNet模型输入
appleData.ReadFcn = @(x) imresize(imread(x), [227 227]);
% 划分测试集训练集，会打乱
[trainImds, testImds] = splitEachLabel(appleData, 0.8, 'randomized');
fprintf("\n开始加载预训练模型");
net1 = alexnet;% 加载预训练模型
net2 = vgg16;
net3 = resnet18;
% 特征提取
% 使用activations函数对训练集和测试集的图像进行特征提取
% alexnet,他有8层神经网络，
% 其中前5层是卷积层，后3层是全连接层。其中fc7层是全连接层的第2个，它包含4096个神经元
% 该层可以提取图像的高级语义特征，这些特征已经经过多次卷积和池化操作，
% 能够捕捉到图像的基本形状和纹理信息，同时又不会过于抽象
% 输出第七层的特征,按行输出，
fprintf("\n开始使用预训练模型提取特征");
featuresTrain1 = activations(net1, trainImds, 'fc7', 'OutputAs', 'channels');
featuresTrain2 = activations(net2, trainImds, 'fc7', 'OutputAs', 'channels');
featuresTrain3 = activations(net3, trainImds, 'pool5', 'OutputAs', 'channels');
fprintf("\n已经提取训练集特征提取特征");
featuresTest1 = activations(net1, testImds, 'fc7', 'OutputAs', 'channels');
featuresTest2 = activations(net2, testImds, 'fc7', 'OutputAs', 'channels');
featuresTest3 = activations(net3, testImds, 'pool5', 'OutputAs', 'channels');
fprintf("\n已经提取测试集特征提取特征");
featuresTrain1 = reshape(featuresTrain1, [], size(featuresTrain1, 4))';
featuresTrain2 = reshape(featuresTrain2, [], size(featuresTrain2, 4))';
featuresTrain3 = reshape(featuresTrain3, [], size(featuresTrain3, 4))';
featuresTest1 = reshape(featuresTest1, [], size(featuresTest1, 4))';
featuresTest2 = reshape(featuresTest2, [], size(featuresTest2, 4))';
featuresTest3 = reshape(featuresTest3, [], size(featuresTest3, 4))';
fprintf('\n开始训练');
% 训练SVM，fitcecoc任数训练SVM分类器
svmModel_1 = fitcecoc(featuresTrain1,trainImds.Labels);
svmModel_2 = fitcecoc(featuresTrain2,trainImds.Labels);
svmModel_3 = fitcecoc(featuresTrain3,trainImds.Labels);
% 在测试集计算准确率
predictedLabels1 = predict(svmModel_1, featuresTest1);
predictedLabels2 = predict(svmModel_2, featuresTest2);
predictedLabels3 = predict(svmModel_3, featuresTest3);
fprintf('alexnet 正确率：');
mean(predictedLabels1 == testImds.Labels)
fprintf('vgg16 正确率：');
mean(predictedLabels2 == testImds.Labels)
fprintf('resnet18 正确率：');
mean(predictedLabels3 == testImds.Labels)
% 返回一组数据中出现最频繁的元素
predictedLabels = mode([predictedLabels1, predictedLabels2, predictedLabels3], 2);
% 计算投票分类正确率
fprintf('投票正确率：');
accuracy = mean(predictedLabels == testImds.Labels)x = input('是否保存已训练模型（y/n）',"s") ;
if(x=='y')save svm_Model_3 svmModel_1 svmModel_2 svmModel_3fprintf('模型已保存到 svm_Model_3.mat')
end

 输出结果:

这个1就很晃眼，大概率不是真的。


appleData = ImageDatastore - 属性:Files: {'D:\apple\1\1.jpeg';'D:\apple\1\1.jpg';'D:\apple\1\10.jpg'... and 197 more}Folders: {'D:\apple'}Labels: [1; 1; 1 ... and 197 more categorical]AlternateFileSystemRoots: {}ReadSize: 1SupportedOutputFormats: ["png"    "jpg"    "jpeg"    "tif"    "tiff"]DefaultOutputFormat: "png"ReadFcn: @readDatastoreImage开始加载预训练模型
开始使用预训练模型提取特征
已经提取训练集特征提取特征
已经提取测试集特征提取特征
开始训练alexnet 正确率：
ans =0.9512vgg16 正确率：
ans =0.9024resnet18 正确率：
ans =0.9512投票正确率：
accuracy =1是否保存已训练模型（y/n）y
模型已保存到 svm_Model_3.mat>>

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.hqwc.cn/news/7901.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

使用OpenCV工具包成功实现人脸检测与人脸识别，包括传统视觉和深度学习方法（附完整代码，吐血整理......）

使用OpenCV工具包成功实现人脸检测与人脸识别，包括传统视觉和深度学习方法（附完整代码，吐血整理......）

使用OpenCV工具包实现人脸检测与人脸识别&#xff08;吐血整理&#xff01;&#xff09; OpenCV实现人脸检测OpenCV人脸检测方法基于Haar特征的人脸检测Haar级联检测器预训练模型下载Haar 级联分类器OpenCV-Python实现 基于深度学习的人脸检测传统视觉方法与深度学习方法对比 O…
阅读更多...
WORDPRESS REST API 学习，使用VSCode 的 REST client 插件测试

WORDPRESS REST API 学习，使用VSCode 的 REST client 插件测试

WORDPRESS 的 REST API 本身是没有身份验证的&#xff0c;我安装了 miniOrange 的 WordPress REST API Authentication 免费部分只有 Basic Authentication 和 JWT Authentication &#xff0c; 作为学习 REST API 够用了。 一般使用 postman 测试 api &#xff0c;后来卸载了…
阅读更多...
【OpenGL】读取视频并渲染

【OpenGL】读取视频并渲染

&#x1f60f;★,:.☆(&#xffe3;▽&#xffe3;)/$:.★ &#x1f60f; 这篇文章主要介绍读取视频并渲染。 学其所用&#xff0c;用其所学。——梁启超 欢迎来到我的博客&#xff0c;一起学习&#xff0c;共同进步。 喜欢的朋友可以关注一下&#xff0c;下次更新不迷路&#…
阅读更多...
使用 Elasticsearch

使用 Elasticsearch

了解如何创建索引&#xff0c;添加&#xff0c;删除&#xff0c;更新文档 参考文档 开始使用 Elasticsearch 1 本文用到Elasticsearch和Kibana 可以看之前的两篇先安装好 Elasticsearch 安装 Kibana安装 Elasticsearch 里的接口都是通过 REST 接口来实现的。 GET 读取数…
阅读更多...
你值得拥有——流星雨下的告白（Python实现）

你值得拥有——流星雨下的告白（Python实现）

目录 1 前言 2 霍金说移民外太空 3 浪漫的流星雨展示 4 Python代码 1 前言 我们先给个小故事&#xff0c;提一下大家兴趣&#xff1b;然后我给出论据&#xff0c;得出结论。最后再浪漫的流星雨表白代码奉上&#xff0c;还有我自创的一首诗。开始啦&#xff1a; 2 霍金说移民外…
阅读更多...
git常用命令之config

git常用命令之config

14. config 14.1 查看 config 命令作用git config --local -l查看仓库级别git 配置信息git config --global -l查看全局级别git 配置信息git config --system -l查看系统级别git 配置信息git config -l查看所有级别配置信息git config --local --list --show-origingit confi…
阅读更多...
Windows开启telnect

Windows开启telnect

1、Telnet是什么&#xff1f; Telnet 是一种网络协议&#xff0c;用于通过网络远程登录到远程计算机或设备上。它允许用户在本地计算机上使用命令行界面&#xff08;命令提示符&#xff09;与远程主机进行交互&#xff0c;就像直接在远程主机上操作一样。Telnet 协议使用 TCP/I…
阅读更多...
DataSecurity Plus金融行业案例

DataSecurity Plus金融行业案例

摘要&#xff1a;DataSecurity Plus是一款强大的数据安全解决方案&#xff0c;为金融机构提供全面的数据保护和合规性监控。本文将介绍DataSecurity Plus在金融行业的使用案例&#xff0c;包括文件审计、数据分类和合规性报告等功能的应用。 DataSecurity Plus 文件审计&#…
阅读更多...
如何设置微信小程序启动页及其全屏背景色？

如何设置微信小程序启动页及其全屏背景色？

一、设置启动页 打开微信小程序就会进入pages里面的第一个页面&#xff0c;所以只需要在pages.json中&#xff0c;把启动页写在pages的第一项就可以了 二、去掉导航栏&#xff0c;实现全屏显示效果 先清除全局的导航栏标题&#xff0c;在需要全屏的页面&#xff0c;添加以下代…
阅读更多...
2023-最新-发布java工具包到 maven 中央仓库，不踩坑

2023-最新-发布java工具包到 maven 中央仓库，不踩坑

说明 要想将自己的java工具提交到maven中央仓库并公开&#xff0c;但是maven中央仓库是不允许我们直接上传jar包到它上面的&#xff0c;因此我们只能将jar包发布到它指定的第三方maven仓库&#xff0c;然后这个仓库再将jar包同步到中央仓库。而sonatype的OSSRH仓库就是被认可的…
阅读更多...
LVS负载均衡群集与LVS-NAT部署实战配置

LVS负载均衡群集与LVS-NAT部署实战配置

文章目录 一.什么是集群1.群集的含义 二.集群使用在那个场景三.集群的分类1.负载均衡器群集2.高可用群集3.高性能运算群集 四.负载集群的架构1.第一层&#xff0c;负载调度器2.第二层&#xff0c;服务器池3.第三层&#xff0c;共享存储 五.负载均衡集群的工作模式1.地址转换 &a…
阅读更多...
移动端数据可视化设计

移动端数据可视化设计

在做APP设计的时候&#xff0c;难免会遇到一些需要展示数据的场景。使用传统的表格和文档展示数据不仅难看&#xff0c;也影响用户理解数据的含义。而数据可视化设计能将数据以更加直观的方式展现出来&#xff0c;使数据更加客观、更有说服力。 在移动应用中&#xff0c;数据可…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023