基于opencv-ANN的水果识别模型训练

最新推荐文章于 2024-05-04 12:17:17 发布

Ghoson-X

最新推荐文章于 2024-05-04 12:17:17 发布

阅读量3.7k

点赞数 1

CC 4.0 BY-SA版权

文章标签： opencv 人工智能 qt

本文链接：https://blog.youkuaiyun.com/qq_15985873/article/details/125087166

本文介绍了如何使用OpenCV库训练一个基于多层感知器（ANN_MLP）的机器视觉模型，用于识别苹果、香蕉等五种水果。步骤包括简化训练样本、生成训练数据、设置参数并训练模型，最终实现100%的预测准确率，并详细讲解了关键步骤和注意事项。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

机器视觉---ANN

前言

本文通过opencv提供的ANN-MLP训练水果识别模型，样本为苹果、香蕉、梨、葡萄、橙，训练集为5种水果各100个样本（共500个），测试集为每类水果10个样本（共50个）。

一、简化训练样本

原样本为尺寸不一的图片，大部分图片的宽高比例范围在3：2～2：1，为将图片拉成同等长度的向量，生成训练集时将读取的图片统一为3：2的宽高比例，本文样本宽高选取45：30。（src原图像为灰度图片）

void MainWindow::FruitAnnPrePro(cv::Mat &src, cv::Mat &dst)
{
    using namespace cv;
    src.convertTo(src,CV_32FC1);
    cv::resize(src,src,Size(45,30));
    dst.push_back(src.reshape(0,1));
}

二、生成训练数据

1.读取样本

样本存储在5个文件夹下，先将文件夹名称和文件名称以字符串数组形式保存，以便逐项读取。读取后将经预处理函数简化并拉成长度为45*30=1350的行向量，然后将向量压入trainData中形成符合要求的训练集。

代码如下（示例）：

    string fruits[5] = {"apple","banana","grape","pear","orange"};
    string path = "/home/ghoson-x/Downloads/fruits/";//样本所在文件夹
    string * filePath = new string;
    filePath->append(path).append(fruits[i]).append("/");//i文件夹序号，对应文件夹名
    for(int j=0;j<100;++j){
    string * imagePath = new string;               imagePath->append(filePath->data()).append(QString::number(j).toStdString()).append(".jpg");//形成完整读取路径
            Mat temp = imread(imagePath->data(),IMREAD_GRAYSCALE);
            if(temp.empty()){
                break;
            }
            FruitAnnPrePro(temp,trainData);//自定义图像预处理函数
            trainLabel.push_back(Label.row(i));//构造标签矩阵
            delete imagePath;
        }

2.读取标签

标签矩阵要求行向量对应样本类别，例如第0行～99行为苹果的标签，本文定义【1，0，0，0，0】行向量为苹果的标签。

代码如下（示例）：

Mat Label = Mat::eye(5,5,CV_32FC1);
trainLabel.push_back(Label.row(i));//读取样本时同时生成对应标签

同理测试集和测试标签也可如法炮制。

三、训练模型

1、转换数据集

Ptr<TrainData> trainData=TrainData::create(trainDataMat,ROW_SAMPLE,trainLabelMat);

2、创建模型

    Ptr<cv::ml::ANN_MLP> ANN_model = ANN_MLP::create();

3、设置参数

根据数据集特点设置参数，特征数为1350，隐藏层设为10，输出层为5；选择Sigmoid函数作为激活函数

    Mat layerSize = (cv::Mat_<int>(1,3) << 1350, 10, 5);
    ANN_model->setLayerSizes(layerSize);
    ANN_model->setActivationFunction(ANN_MLP::SIGMOID_SYM,1,1);
    ANN_model->setTermCriteria(cv::TermCriteria(cv::TermCriteria::MAX_ITER + cv::TermCriteria::EPS,300,0.95));
    ANN_model->setTrainMethod(ANN_MLP::RPROP,0.1);

4、训练模型

ANN_model->train(trainData);

5、测试模型

通过判断预测输出向量最大值位置是否与测试标签向量最大值位置对应，例如【1，0，0，0，0】，最大值位置为（0，0），0行0列处。

ANN_model->predict(testDataMat.row(i),Response);
cv::minMaxLoc(Response,&MinVal,&MaxVal,&Minloc,&Maxloc);
 cv::minMaxLoc(testLabelMat.row(i),&MinVal,&MaxVal,&Minloc,&Maxlab);

        if(Maxloc.y == Maxlab.y){
            cout << "Y" << endl;
            ++rightNum;
        }
        else{
            cout << "N" << endl;
            ++errorNum;
        }

最终预测准确率为100%

6、保存模型

ANN_model->save("FruitsRecogModel.xml");

7、测试保存的模型

预处理读取的图片，然后加载模型，将要预测的数据传入模型，得到预测结果向量，整理预测结果，输出。

 Ptr<ANN_MLP> annModel = ANN_MLP::load("FruitsRecogModel.xml");
 annModel->predict(dst,result);
 std::cout << format(result,Formatter::FMT_NUMPY) << std::endl;