大数据毕业设计Python机器学习农作物健康识别系统 人工智能 图像识别 机器学习 算法 计算机毕业设计

博主介绍：✌全网粉丝100W+,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业毕业设计项目实战6年之久，选择我们就是选择放心、选择安心毕业✌

🍅由于篇幅限制，想要获取完整文章或者源码，或者代做，可以给我留言或者找我聊天。🍅

感兴趣的可以先收藏起来，还有大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助更多的人 。

文章包含：项目选题 + 项目展示图片 （必看）

 

计算机毕业设计吊炸天Python机器学习农作物健康识别系统 人工智能 图像识别 机器学习 大数据毕业设计 算法

import tensorflow as tf  
from tensorflow.keras.models import Sequential  
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense  
from tensorflow.keras.preprocessing.image import ImageDataGenerator  
  
# 设置图像的高度、宽度和通道数  
img_height, img_width = 150, 150  
num_channels = 3  
  
# 设置训练、验证和测试的批大小和类别数  
batch_size = 32  
num_classes = 5  # 假设我们有5种不同的农作物  
  
# 数据预处理  
train_data_dir = 'path_to_train_data'  # 训练数据的目录  
validation_data_dir = 'path_to_validation_data'  # 验证数据的目录  
  
train_datagen = ImageDataGenerator(  
    rescale=1. / 255,  
    shear_range=0.2,  
    zoom_range=0.2,  
    horizontal_flip=True)  
  
test_datagen = ImageDataGenerator(rescale=1. / 255)  
  
train_generator = train_datagen.flow_from_directory(  
    train_data_dir,  
    target_size=(img_height, img_width),  
    batch_size=batch_size,  
    class_mode='categorical')  
  
validation_generator = test_datagen.flow_from_directory(  
    validation_data_dir,  
    target_size=(img_height, img_width),  
    batch_size=batch_size,  
    class_mode='categorical')  
  
# 创建模型  
model = Sequential()  
model.add(Conv2D(32, (3, 3), input_shape=(img_height, img_width, num_channels), activation='relu'))  
model.add(MaxPooling2D(pool_size=(2, 2)))  
  
model.add(Conv2D(64, (3, 3), activation='relu'))  
model.add(MaxPooling2D(pool_size=(2, 2)))  
  
model.add(Flatten())  
model.add(Dense(64, activation='relu'))  
model.add(Dense(num_classes, activation='softmax'))  
  
# 编译模型  
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])  
  
# 训练模型  
model.fit(  
    train_generator,  
    steps_per_epoch=train_generator.samples // batch_size,  
    epochs=50,  
    validation_data=validation_generator,  
    validation_steps=validation_generator.samples // batch_size)