基于Tensorflow搭建卷积神经网络CNN（水果识别）保姆及级教程

项目介绍

TensorFlow2.X 搭建卷积神经网络（CNN），实现水果识别。搭建的卷积神经网络是类似VGG的结构(卷积层与池化层反复堆叠，然后经过全连接层，最后用softmax映射为每个类别的概率，概率最大的即为识别结果)。

网络结构：

开发环境：

• python==3.7
• tensorflow==2.3

数据集：

图片类别：

• ‘freshapples’:‘新鲜苹果’,
• ‘freshbanana’:‘新鲜香蕉’,
• ‘freshoranges’:‘新鲜橙子’,
• ‘rottenapples’:‘腐烂苹果’,
• ‘rottenbanana’:‘腐烂香蕉’,
• ‘rottenoranges’:‘腐烂橙子’

代码调试

拿到项目后，解压文件，解压后如下图所示：

Step1:打开项目文件夹

各个文件及代码介绍：

Step2：搭建开发环境

创建虚拟环境

输入cmd回车后，会打开一个命令终端，下面我们开始创建虚拟环境：

输入命令回车后，出现下面提示，继续回车：

输入命令为：

conda create -n FruitRec_py37 python=3.7
1

然后回车后，我们就创建了一个环境名称为“FruitRec_py37”的虚拟环境，它的python版本为3.7，如下图所示：

激活虚拟环境

复制这条命令，输入命令行，激活我们创建的虚拟环境：

conda activate FruitRec_py37
1

安装第三方依赖库

下面开始安装项目用到的第三方依赖库，比如tensorflow、matplotlib、pyqt5等。本次用到的依赖库全部记录在了requirements.txt文件中。下面开始安装：

在命令终端中输入以下命令。

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
1

安装成功后，如下如所示：

打开项目配置环境

选择解释器（我们上面创建的虚拟环境）

点击File,然后选择Settings

点击设置按钮，选择“Add”

按照图片的提示操作即可，添加我们需要的“python解释器”，pycharm右下角显示如下图所示即为成功：

训练神经网络模型

打开项目“train_cnn.py”这个代码，根据图片中提示操作：

成功运行效果如下图所示：

成功运行后，接下来要做的事情就是“等待”，根据每个人电脑配置的高低，运行训练网络的代码时间也是不同的（几分钟–几个小时）等待运行完毕，不报错即为训练成功。

在训练成功后，在models文件夹中会生成"cnn_fv.h5"文件。

在训练成功后，在result文件夹中，可以看到“results_cnn.png”图片，记录了训练过程中准确率和loss的变化情况。

测试

在训练模型完毕后，我们开始测试模型（评估模型的性能），打开“test_model.py”

按照图片提示操作。

运行成功后会在results文件夹下生成“heatmap_cnn.png”热力图（可以看到每个类别预测准确率的情况），如下所示：

预测

在经过训练和测试之后，我们得到了一个可以用来做水果识别的神经网络，下面开始预测需要识别的水果图片。打开"windows.py"这个代码，直接点击运行，结果如下所示：

运行成功后得到一个pyqt5的GUI界面，然后我们就可以通过这个GUI操作去预测我们项目预测的水果图片啦!