Tensorflow&CNN：裂纹分类 |
您所在的位置：网站首页 › 仿真火焰壁炉怎么样 › Tensorflow&CNN：裂纹分类 |
Tensorflow&CNN：裂纹分类
|
版权声明：本文为博主原创文章，转载 请注明出处：https://blog.csdn.net/sc2079/article/details/90478551 - 写在前面本科毕业设计终于告一段落了。特写博客记录做毕业设计（路面裂纹识别）期间的踩过的坑和收获。希望对你有用。 目前有： 1.Tensorflow&CNN：裂纹分类 2.Tensorflow&CNN：验证集预测与模型评价 3.PyQt5多个GUI界面设计 本篇讲CNN的训练与预测（以裂纹分类为例）。任务目标：将裂纹图片数据集自动分类：纵向裂纹、横向裂纹、块状裂纹、龟裂裂纹、无裂纹共五类。 本篇主要参照博客tensorflow: 花卉分类。 - 环境配置安装 运行环境：Python3.6、Spyder 依赖模块：Skimage、Tensorflow（CPU）、Numpy 、Matlpotlib、Cv2等 - 开始工作 1.CNN架构 所使用的CNN架构如下： 
一共七层。（Pool 不算层） 2.训练 所使用的训练代码如下： from skimage import io,transform import glob import os import tensorflow as tf import numpy as np import time import matplotlib.pyplot as plt import pandas as pd start_time = time.time() tf.reset_default_graph() #清除过往tensorflow数据记录 #训练图片集地址 path='..//img5//' #将所有的图片resize成100*100 w=100 h=100 c=3 #归一化 def normlization(img): X=img.copy() X1= np.mean(X, axis = 0) # 减去均值，使得以0为中心 X2=X-X1 X3= np.std(X2, axis = 0) # 归一化 X4=X2/X3 return X4 #读取图片 def read_img(path): cate=[path+x for x in os.listdir(path)] imgs=[] labels=[] for idx,folder in enumerate(cate): for im in glob.glob(folder+'/*.jpg'): #print('reading the images:%s'%(im)) img=io.imread(im) img=transform.resize(img,(w,h)) #img=normlization(img) imgs.append(img) labels.append(idx) return np.asarray(imgs,np.float32),np.asarray(labels,np.int32) data,label=read_img(path) #打乱顺序 num_example=data.shape[0] arr=np.arange(num_example) np.random.shuffle(arr) data=data[arr] label=label[arr] #将所有数据分为训练集和验证集 ratio=0.8 s=np.int(num_example*ratio) x_train=data[:s] y_train=label[:s] x_val=data[s:] y_val=label[s:] #-----------------构建网络---------------------- #占位符 x=tf.placeholder(tf.float32,shape=[None,w,h,c],name='x') y_=tf.placeholder(tf.int32,shape=[None,],name='y_') def inference(input_tensor, train, regularizer): with tf.variable_scope('layer1-conv1'): conv1_weights = tf.get_variable("weight",[5,5,3,32],initializer=tf.truncated_normal_initializer(stddev=0.1)) conv1_biases = tf.get_variable("bias", [32], initializer=tf.constant_initializer(0.0)) conv1 = tf.nn.conv2d(input_tensor, conv1_weights, strides=[1, 1, 1 |
【本文地址】
今日新闻 |
推荐新闻 |