Tensorflow&CNN：裂纹分类

最新推荐文章于 2025-03-07 21:08:02 发布

scyf340

最新推荐文章于 2025-03-07 21:08:02 发布

阅读量5.8k

点赞数 12

分类专栏： work by python Tensorflow 文章标签： CNN Tensorflow 裂纹分类损失准确率曲线

本文链接：https://blog.youkuaiyun.com/sc2079/article/details/90478551

版权

本文记录了一次使用Tensorflow进行路面裂纹分类的毕业设计，详细介绍了CNN架构、训练过程、损失准确率曲线的绘制，并展示了达到92.1%验证集准确率的良好效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

- 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, 1]

最低0.47元/天解锁文章