一、選題的背景

蘋果在采摘期被采摘后，需要工人進(jìn)行手工對蘋果的成熟度進(jìn)行分類，這耗費(fèi)了大量的人力與物力，而且相近成熟度難以區(qū)分，存在分類顆粒度過粗，分類過程存在較為強(qiáng)烈的主觀因素等問題。

在這里，我們提出了基于深度學(xué)習(xí)的蘋果成熟度識別方案，這是一種用于幫助農(nóng)民和采摘工人判斷蘋果成熟度的人工智能系統(tǒng)。它能夠從圖像中快速、準(zhǔn)確地判斷蘋果的成熟度,判斷蘋果是否已經(jīng)成熟，從而為農(nóng)民和采摘工人提供幫助。

二、數(shù)據(jù)集的來源

數(shù)據(jù)一共有A -F一共六種不同成熟度的蘋果，一共包括6161張照片。

AppleD文件夾: 網(wǎng)上搜索蘋果成熟前5個月,此時蘋果還很青澀

AppleF文件夾: 網(wǎng)上搜索蘋果成熟前4個月

AppleE文件夾: 網(wǎng)上搜索蘋果前成熟3個月

AppleC文件夾: 網(wǎng)上搜索蘋果成熟前2個月

AppleA文件夾: 網(wǎng)上搜索蘋果成熟前1個月

AppleB文件夾: 網(wǎng)上搜索蘋果成熟時,此時蘋果成熟

三、采用的機(jī)器學(xué)習(xí)框架描述

采用keras框架搭建分類模型，完成模型訓(xùn)練、預(yù)測和分類任務(wù)。

采用tensorflow.image API與tensorflow.data API完成圖片的增強(qiáng)與數(shù)據(jù)集的制作。

采用sklearn，完成訓(xùn)練集和測試集的劃分，并且固定隨機(jī)數(shù)種子，防止信息泄露。

四、涉及到的技術(shù)難點(diǎn)與解決思路

tf.data可以把python寫的代碼編譯到C++后端高效執(zhí)行，因此也存在較大的限制。對模型張量存在要求，使用上也有限制。

數(shù)據(jù)集并不算十分充裕，因此引入預(yù)訓(xùn)練模型就十分必要了。這里采用的是ResNet50在imageNet上預(yù)訓(xùn)練的模型，有很強(qiáng)的泛化能力。

五、數(shù)據(jù)的預(yù)處理

為了利用在ResNet在ImageNet上預(yù)訓(xùn)練的權(quán)重，因此我們要使用與預(yù)訓(xùn)練相同的數(shù)據(jù)預(yù)處理方式，使數(shù)據(jù)保證在同一份分布上。

網(wǎng)絡(luò)輸入尺寸設(shè)置為224 * 224 * 3的RGB全彩圖像，為了迎合各種尺寸的實(shí)際圖像，需要把數(shù)據(jù)集中的圖像按比例縮放，保證圖像不會走形，影響模型的性能。將圖片進(jìn)行居中對齊，然后對每個維度缺失部分填0補(bǔ)充，反映到圖像上，及為圖像增加黑邊。

在這里我們采用圖片放大然后隨機(jī)裁剪的方式對數(shù)據(jù)集進(jìn)行擴(kuò)充。

在實(shí)際中，我們縮放后的圖片并非為實(shí)際網(wǎng)絡(luò)輸入尺寸，而是輸入尺寸的1.4倍，然后再隨機(jī)裁剪出需要尺寸。

最后對圖片進(jìn)行隨機(jī)鏡像,隨機(jī)旋轉(zhuǎn)進(jìn)行數(shù)據(jù)增強(qiáng)，提高模型性能。

六、模型選擇:

模型采用ResNet50,并加載imageNet數(shù)據(jù)集上訓(xùn)練的權(quán)重，降低訓(xùn)練壓力，提高訓(xùn)練效果。

七、訓(xùn)練參數(shù):

優(yōu)化器: 采用Adam優(yōu)化器學(xué)習(xí)率設(shè)置為2*1e-4,并訓(xùn)練10個epoch

損失函數(shù): 采用SparseCategoryEntropy,及交叉熵作為分類損失。

衡量指標(biāo)： 采用正確率和計(jì)算損失作為衡量指標(biāo)

八、開始訓(xùn)練:

這里我訓(xùn)練了6個epoch,但是由圖可知只有前3個epoch是有效訓(xùn)練。

訓(xùn)練集和測試集按照6:4比例劃分，分類模型在測試集上實(shí)現(xiàn)了99.4%的分類精度。

九、模型測試：

我們加載一張圖片對蘋果進(jìn)行分類演示:

模型預(yù)測蘋果為D類,實(shí)現(xiàn)了正確分類。

十、總結(jié)

通過這次的實(shí)驗(yàn)，我學(xué)會更好的使用python，利用python做好更多的事情，只要一些簡單的代碼，就能讓電腦學(xué)會分辨蘋果的成熟度，很是方便，自己也可以利用這個程序檢驗(yàn)生活中蘋果的成熟度。

十一、代碼

import tensorflow as tf

from keras.applications import resnet

from keras.losses import SparseCategoricalCrossentropy

from keras.layers import *

from keras.applications.resnet import preprocess_input

from keras import Model

from keras.optimizers import Adam

import matplotlib.pyplot as plt

from sklearn.model_selection import train_test_split

from keras.callbacks import ModelCheckpoint

import os

pretained = True

image_size = 224

expand_rate = 1.1

expand_size = int(expand_rate * image_size)

batch_size = 32

learning_rate = 1*1e-5

#classes = [‘Apple’,‘Carambola’,‘Kiwi’,‘Orange’,‘Pear’,‘Pitaya’,‘Pomegranate’,‘muskmelon’,

‘Banana’,‘Guava’,‘Mango’,‘Peach’,‘Persimmon’,‘Plum’,‘Tomatoes’]

#data_dir = r"D:\datasets\水果分類"

classes = [‘Apple A’, ‘Apple B’, ‘Apple C’, ‘Apple D’, ‘Apple E’, ‘Apple F’]

data_dir = r"D:/蘋果成熟度分類\Apple"

weights_file = “蘋果分類ResNet50.h5”

def build_resnet50_model(input_size,num_classes,is_pretrained):

_input = Input((input_size,input_size,3))

_body = resnet.ResNet50(include_top=False,weights= 'imagenet' if is_pretrained else None,pooling='avg')(_input)

_output = Dense(num_classes,activation='softmax')(_body)

model = Model(inputs=_input,outputs=_output)

model.compile(optimizer=Adam(learning_rate= learning_rate),loss=SparseCategoricalCrossentropy(from_logits=False),metrics='accuracy')

return model

model = build_resnet50_model(image_size,len(classes),True)

model.summary()

def process_image(filepath,label_idx,show_image=False):

binary = tf.io.read_file(filepath)

image = tf.image.decode_image(binary,expand_animations=False,dtype=tf.float32)

image_height,image_width = tf.shape(image)[0],tf.shape(image)[1]#獲取圖片的高,獲取圖片的寬

#接下來對圖片進(jìn)行等比例縮放.

#寬與高較大的者的縮放后的尺寸會直接設(shè)置為目標(biāo)圖片大小

#通過上述確定的先后圖片邊的尺寸,進(jìn)而確定比例尺

#通過確定的比例尺對圖片另一條邊進(jìn)行縮放

if image_height > image_width:

    new_height = expand_size

    new_ratio = tf.cast(expand_size,tf.float32) / tf.cast(image_height,tf.float32)

    new_width = tf.clip_by_value(tf.cast(tf.cast(image_width,tf.float32)* new_ratio,tf.int32),0,expand_size)

else:

    new_width = expand_size

    new_ratio = tf.cast(expand_size,tf.float32) / tf.cast(image_width,tf.float32)

    new_height = tf.clip_by_value(tf.cast(tf.cast(image_height,tf.float32)* new_ratio,tf.int32),0,expand_size)

image_big = tf.image.resize(image,[new_height,new_width])#對圖片按照計(jì)算出的高于寬進(jìn)行調(diào)整

image_expand = tf.pad(image_big,[[(expand_size - new_height)//2,expand_size-(new_height+(expand_size - new_height)//2)],

                             [(expand_size - new_width)//2,expand_size-(new_width+(expand_size - new_width)//2)],[0,0]])

image_crop = tf.image.random_crop(image_expand,[image_size,image_size,3])

image_flip = tf.image.random_flip_left_right(image_crop)

image_output = tf.image.random_flip_up_down(image_flip)

#image_output = tf.image.transpose(image_flip,tf.gather([0,90,270],tf.random.uniform((),minval=0,maxval=3,dtype=tf.int32)))

if not show_image:

    image_output = preprocess_input(image_output * 255.)

return image_output,label_idx

test_image,_ = process_image(r"D:/蘋果成熟度分類\Apple\Apple03.jpg",‘’,show_image=True)

print(tf.reduce_mean(test_image))

print(tf.reduce_max(test_image))

import matplotlib.pyplot as plt

plt.imshow(test_image)

def load_dataset(data_dir):

filepaths = []

label_idices = []

for label_idx,current_dir in enumerate(classes):

    for filename in os.listdir(os.path.join(data_dir,current_dir)):

        filepath = os.path.join(data_dir,current_dir,filename)

        filepaths.append(filepath)

        label_idices.append(label_idx)

return filepaths,label_idices

x_train,x_test,y_train,y_test = train_test_split(*load_dataset(data_dir),shuffle=True,random_state=1234)

train_dataset = tf.data.Dataset.from_tensor_slices((x_train,y_train)).shuffle(2048,seed=1234).map(process_image,num_parallel_calls=32).prefetch(tf.data.AUTOTUNE).batch(batch_size)

test_dataset = tf.data.Dataset.from_tensor_slices((x_test,y_test)).shuffle(2048,seed=1234).map(process_image,num_parallel_calls=32).prefetch(tf.data.AUTOTUNE).batch(batch_size)

model.compile(optimizer=Adam(learning_rate=2*1e-4),loss=SparseCategoricalCrossentropy(from_logits=False),metrics=‘a(chǎn)ccuracy’)

if os.path.exists(weights_file):

model.load_weights(weights_file)

else:

model.fit(train_dataset,validation_data=test_dataset,epochs=10)

def predict_image(imagepath):

input_image = tf.expand_dims(process_image(imagepath,'')[0],axis=0)

output_probs = model(input_image)

image_label_idx = tf.argmax(output_probs,axis=-1)[0]

image_label = tf.gather(classes,image_label_idx).numpy()

image_label = image_label.decode("UTF-8")

return image_label

label = predict_image(r"D:/蘋果成熟度分類\Apple\Apple03.jpg")

print("預(yù)測的分類為: ",label)

如何學(xué)習(xí)大模型 AI ？

由于新崗位的生產(chǎn)效率，要優(yōu)于被取代崗位的生產(chǎn)效率，所以實(shí)際上整個社會的生產(chǎn)效率是提升的。

但是具體到個人，只能說是：

“最先掌握AI的人，將會比較晚掌握AI的人有競爭優(yōu)勢”。

這句話，放在計(jì)算機(jī)、互聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)的開局時期，都是一樣的道理。

我在一線互聯(lián)網(wǎng)企業(yè)工作十余年里，指導(dǎo)過不少同行后輩。幫助很多人得到了學(xué)習(xí)和成長。

我意識到有很多經(jīng)驗(yàn)和知識值得分享給大家，也可以通過我們的能力和經(jīng)驗(yàn)解答大家在人工智能學(xué)習(xí)中的很多困惑，所以在工作繁忙的情況下還是堅(jiān)持各種整理和分享。但苦于知識傳播途徑有限，很多互聯(lián)網(wǎng)行業(yè)朋友無法獲得正確的資料得到學(xué)習(xí)提升，故此將并將重要的AI大模型資料包括AI大模型入門學(xué)習(xí)思維導(dǎo)圖、精品AI大模型學(xué)習(xí)書籍手冊、視頻教程、實(shí)戰(zhàn)學(xué)習(xí)等錄播視頻免費(fèi)分享出來。

??有需要的小伙伴，可以點(diǎn)擊下方鏈接免費(fèi)領(lǐng)取或者V掃描下方二維碼免費(fèi)領(lǐng)取??
?

第一階段（10天）：初階應(yīng)用

該階段讓大家對大模型 AI有一個最前沿的認(rèn)識，對大模型 AI 的理解超過 95% 的人，可以在相關(guān)討論時發(fā)表高級、不跟風(fēng)、又接地氣的見解，別人只會和 AI 聊天，而你能調(diào)教 AI，并能用代碼將大模型和業(yè)務(wù)銜接。

• 大模型 AI 能干什么？
• 大模型是怎樣獲得「智能」的？
• 用好 AI 的核心心法
• 大模型應(yīng)用業(yè)務(wù)架構(gòu)
• 大模型應(yīng)用技術(shù)架構(gòu)
• 代碼示例：向 GPT-3.5 灌入新知識
• 提示工程的意義和核心思想
• Prompt 典型構(gòu)成
• 指令調(diào)優(yōu)方法論
• 思維鏈和思維樹
• Prompt 攻擊和防范
• …

第二階段（30天）：高階應(yīng)用

該階段我們正式進(jìn)入大模型 AI 進(jìn)階實(shí)戰(zhàn)學(xué)習(xí)，學(xué)會構(gòu)造私有知識庫，擴(kuò)展 AI 的能力?？焖匍_發(fā)一個完整的基于 agent 對話機(jī)器人。掌握功能最強(qiáng)的大模型開發(fā)框架，抓住最新的技術(shù)進(jìn)展，適合 Python 和 JavaScript 程序員。

• 為什么要做 RAG
• 搭建一個簡單的 ChatPDF
• 檢索的基礎(chǔ)概念
• 什么是向量表示（Embeddings）
• 向量數(shù)據(jù)庫與向量檢索
• 基于向量檢索的 RAG
• 搭建 RAG 系統(tǒng)的擴(kuò)展知識
• 混合檢索與 RAG-Fusion 簡介
• 向量模型本地部署
• …

第三階段（30天）：模型訓(xùn)練

恭喜你，如果學(xué)到這里，你基本可以找到一份大模型 AI相關(guān)的工作，自己也能訓(xùn)練 GPT 了！通過微調(diào)，訓(xùn)練自己的垂直大模型，能獨(dú)立訓(xùn)練開源多模態(tài)大模型，掌握更多技術(shù)方案。

到此為止，大概2個月的時間。你已經(jīng)成為了一名“AI小子”。那么你還想往下探索嗎？

• 為什么要做 RAG
• 什么是模型
• 什么是模型訓(xùn)練
• 求解器 & 損失函數(shù)簡介
• 小實(shí)驗(yàn)2：手寫一個簡單的神經(jīng)網(wǎng)絡(luò)并訓(xùn)練它
• 什么是訓(xùn)練/預(yù)訓(xùn)練/微調(diào)/輕量化微調(diào)
• Transformer結(jié)構(gòu)簡介
• 輕量化微調(diào)
• 實(shí)驗(yàn)數(shù)據(jù)集的構(gòu)建
• …

第四階段（20天）：商業(yè)閉環(huán)

對全球大模型從性能、吞吐量、成本等方面有一定的認(rèn)知，可以在云端和本地等多種環(huán)境下部署大模型，找到適合自己的項(xiàng)目/創(chuàng)業(yè)方向，做一名被 AI 武裝的產(chǎn)品經(jīng)理。

• 硬件選型
• 帶你了解全球大模型
• 使用國產(chǎn)大模型服務(wù)
• 搭建 OpenAI 代理
• 熱身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地計(jì)算機(jī)運(yùn)行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何優(yōu)雅地在阿里云私有部署開源大模型
• 部署一套開源 LLM 項(xiàng)目
• 內(nèi)容安全
• 互聯(lián)網(wǎng)信息服務(wù)算法備案
• …

學(xué)習(xí)是一個過程，只要學(xué)習(xí)就會有挑戰(zhàn)。天道酬勤，你越努力，就會成為越優(yōu)秀的自己。

如果你能在15天內(nèi)完成所有的任務(wù)，那你堪稱天才。然而，如果你能完成 60-70% 的內(nèi)容，你就已經(jīng)開始具備成為一名大模型 AI 的正確特征了。

這份完整版的大模型 AI 學(xué)習(xí)資料已經(jīng)上傳CSDN，朋友們?nèi)绻枰梢晕⑿艗呙柘路紺SDN官方認(rèn)證二維碼免費(fèi)領(lǐng)取【保證100%免費(fèi)】

??有需要的小伙伴，可以點(diǎn)擊下方鏈接免費(fèi)領(lǐng)取或者V掃描下方二維碼免費(fèi)領(lǐng)取??
?文章來源地址http://www.zghlxwxcb.cn/news/detail-849586.html

到了這里，關(guān)于基于人工智能的蘋果成熟度檢測的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！