基于深度学习CNN算法的植物/中草药分类识别系统01--带数据集-pyqt5UI界面-全套源码

各位同学大家好，本次给大家分享的项目为：

基于深度学习算法的植物/中草药分类识别系统

项目文件获取地址：

百度网盘链接： https://pan.baidu.com/s/1BQks5xCYySzBqvrXTtOpvw?pwd=4t95 提取码: 4t95

一、项目摘要

本项目设计并实现一个基于深度学习算法的植物识别系统。该系统采用Mobilenet深度学习模型，利用网络采集的一个包含67类植物、共6877张图像的数据集，结合Pytorch框架进行模型训练和优化，通过准确率、损失值和混淆矩阵三种评价指标，验证了该系统的识别性能，并使用pyqt5库设计了图形用户界面（GUI），实现了便捷的植物识别和结果展示功能。

二、项目运行效果

运行效果视频：
https://www.bilibili.com/video/BV1QgtVeDEDq

运行效果截图：

三、项目文件介绍

四、项目环境配置

1、项目环境库

python=3.8 pytorch pyqt5 opencv matplotlib 等

2、环境配置视频教程

1）anaconda下载安装教程
2）pycharm下载安装教程
3）项目环境库安装步骤教程

五、项目系统架构

该系统的主要功能模块如下：

1. 图像选择与上传模块： 用户界面的主页提供了一个“选择图像”按钮，用户点击后可以从本地设备选择需要识别的植物图像。系统支持常见的图像格式（如JPEG、PNG等），并将所选图像显示在界面中央，方便用户确认。
2. 图像处理与识别模块：当用户上传图像后，点击“开始检测”按钮，系统会调用Mobilenet模型对图像进行处理和识别。系统将在后台运行深度学习推断过程，识别时间较短，通常在几秒内完成。
   2.1 图像处理模块：
   用户上传图像后，系统会对输入的植物图像进行预处理。具体步骤包括：
   1）图像的尺寸调整：将输入图像的尺寸调整为模型所需的大小，即224×224像素。
   2）图像标准化：按照ImageNet预训练模型的标准，对图像的像素值进行归一化处理。
   2.2 模型预测模块：
   经过处理的图像输入到预训练的Mobilenet模型中进行预测。该系统采用了在Pytorch框架上训练的Mobilenet 模型，该模型能够在计算资源有限的环境中实现高效的植物识别。模型加载了之前在训练集上获得的最佳权重文件，并进行推断操作，输出分类结果。
3. 识别结果展示模块：识别完成后，系统会在界面的结果区域显示植物的名称、分类置信度以及对应的植物详细信息。

六、项目构建流程

1、数据集

数据集文件夹：all_data

概述：

在本系统中，使用了一个从网络上收集的植物图像数据集，包含67类不同种类的植物，共计6877张图像。

数据集格式及命令统一代码：to_rgb.py
(对数据集中的图像统一成rgb格式并进行统一规范命名）

2、算法网络Mobilenet

概述：
Mobilenet是专为移动设备和嵌入式系统设计的轻量化卷积神经网络。其主要特点在于采用了深度可分离卷积（Depthwise Separable Convolution）来减少计算量和参数数量，从而在资源受限的环境下实现高效的图像分类和识别。

算法代码为：models文件夹下的mobilenet.py

"""mobilenet in pytorch

[1] Andrew G. Howard, Menglong Zhu, Bo Chen, Dmitry Kalenichenko, Weijun Wang, Tobias Weyand, Marco Andreetto, Hartwig Adam

    MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications
    https://arxiv.org/abs/1704.04861
"""

import torch
import torch.nn as nn


class DepthSeperabelConv2d(nn.Module):

    def __init__(self, input_channels, output_channels, kernel_size, **kwargs):
        super().__init__()
        self.depthwise = nn.Sequential(
            nn.Conv2d(
                input_channels,
                input_channels,
                kernel_size,
                groups=input_channels,
                **kwargs),
            nn.BatchNorm2d(input_channels),
            nn.ReLU(inplace=True)
        )

        self.pointwise = nn.Sequential(
            nn.Conv2d(input_channels, output_channels, 1),
            nn.BatchNorm2d(output_channels),
            nn.ReLU(inplace=True)
        )

    def forward(self, x):
        x = self.depthwise(x)
        x = self.pointwise(x)

        return x


class BasicConv2d(nn.Module):

    def __init__(self, input_channels, output_channels, kernel_size, **kwargs):

        super().__init__()
        self.conv = nn.Conv2d(
            input_channels, output_channels, kernel_size, **kwargs)
        self.bn = nn.BatchNorm2d(output_channels)
        self.relu = nn.ReLU(inplace=True)

    def forward(self, x):
        x = self.conv(x)
        x = self.bn(x)
        x = self.relu(x)

        return x


class MobileNet(nn.Module):

    def __init__(self, width_multiplier=1, class_num=100):
       super().__init__()

       alpha = width_multiplier
       self.stem = nn.Sequential(
           BasicConv2d(3, int(32 * alpha), 3, padding=1, bias=False),
           DepthSeperabelConv2d(
               int(32 * alpha),
               int(64 * alpha),
               3,
               padding=1,
               bias=False
           )
       )

       #downsample
       self.conv1 = nn.Sequential(
           DepthSeperabelConv2d(
               int(64 * alpha),
               int(128 * alpha),
               3,
               stride=2,
               padding=1,
               bias=False
           ),
           DepthSeperabelConv2d(
               int