毕业设计So Easy：卷积神经网络实现中药材识别系统APP

2023-04-09 04:05| 来源: 网络整理| 查看: 265

很多计算机专业大学生经常和我交流：毕业设计没思路、不会做、论文不会写、太难了......

针对这些问题，决定分享一些软、硬件项目的设计思路和实施方法，希望可以帮助大家，也祝愿各位学子，顺利毕业！

项目专栏：7天搞定毕业设计和论文

对计算机技术感兴趣的小伙伴请关注公众号：美男子玩编程，公众号优先推送最新技术博文，创作不易，请各位朋友多多点赞、收藏、关注支持~ 1、项目概述

中药识别系统主要采用APP端拍照上传的方式，构建卷积神经网络（CNN）对图像进行识别，具有识别效率高，准确度高的特点。APP端的功能包括但不限于拍照识别、中药问答、检索查询、中药性状以及功效查看、方剂智能推荐等，本系统包含APP端以及服务器端。

项目资源下载请参考：https://download.csdn.net/download/m0_38106923/87577964

2、开发环境

1、medicine-app APP端

Flutter开发

2、medicine-server服务器端工程

Gradle构建SpringBoot框架,一键启动与部署文档数据库：MongoDB全文检索：Elasticsearch + IK分词器数据库：MySQL深度学习运行时架构：ONNX Runtime（ONNX Runtime is a cross-platform inference and training machine-learning accelerator）

3、m edicine-crawler爬虫工程

爬虫主要用来爬取训练集以及中药的详细信息，包含但不限于：中药名称、中药形态、图片、别名、英文名、配伍药方、功效与作用、临床应用、产地分布、药用部位、性味归经、药理研究、主要成分、使用禁忌、采收加工、药材性状等信息。爬虫框架：WebMagic数据持久化：MongoDB数据结构（简略展示）

中药一级分类信息如下所示：

中药详细信息如下所示：

4、medicine-model卷积神经网络工程

Language: Python使用TensorFlow 深度学习框架，使用Keras会大幅缩减代码量常用的卷积网络模型及在ImageNet上的准确率

3、项目架构

本项目包含六个模块：

medicine-app：APP端medicine-server：服务器端medicine-crawler：爬虫工程medicine-model：卷积神经网络medicine-util：公用工具类medicine-dataset：数据集4、项目实现

由于硬件条件限制，综合考虑模型的准确率、大小以及复杂度等因素，采用了Xception模型，该模型是134层（包含激活层，批标准化层等）拓扑深度的卷积网络模型。

Xception函数定义：

def Xception(include_top=True, weights='imagenet', input_tensor=None, input_shape=None, pooling=None, classes=1000, **kwargs) # 参数 # include_top：是否保留顶层的全连接网络 # weights：None代表随机初始化，即不加载预训练权重。'imagenet’代表加载预训练权重 # input_tensor：可填入Keras tensor作为模型的图像输入tensor # input_shape：可选，仅当include_top=False有效，应为长为3的tuple，指明输入图片的shape，图片的宽高必须大于71，如(150,150,3) # pooling：当include_top=False时，该参数指定了池化方式。None代表不池化，最后一个卷积层的输出为4D张量。‘avg’代表全局平均池化，‘max’代表全局最大值池化。 # classes：可选，图片分类的类别数，仅当include_top=True并且不加载预训练权重时可用

设置Xception参数，迁移学习参数权重加载：xception_weights，如下所示：

# 设置输入图像的宽高以及通道数 img_size = (299, 299, 3) base_model = keras.applications.xception.Xception(include_top=False, weights='..\\resources\\keras-model\\xception_weights_tf_dim_ordering_tf_kernels_notop.h5', input_shape=img_size, pooling='avg') # 全连接层，使用softmax激活函数计算概率值，分类大小是628 model = keras.layers.Dense(628, activation='softmax', name='predictions')(base_model.output) model = keras.Model(base_model.input, model) # 锁定卷积层 for layer in base_model.layers: layer.trainable = False

全连接层训练如下所示：

from base_model import model # 设置训练集图片大小以及目录参数 img_size = (299, 299) dataset_dir = '..\\dataset\\dataset' img_save_to_dir = 'resources\\image-traing\\' log_dir = 'resources\\train-log' model_dir = 'resources\\keras-model\\' # 使用数据增强 train_datagen = keras.preprocessing.image.ImageDataGenerator( rescale=1. / 255, shear_range=0.2, width_shift_range=0.4, height_shift_range=0.4, rotation_range=90, zoom_range=0.7, horizontal_flip=True, vertical_flip=True, preprocessing_function=keras.applications.xception.preprocess_input) test_datagen = keras.preprocessing.image.ImageDataGenerator( preprocessing_function=keras.applications.xception.preprocess_input) train_generator = train_datagen.flow_from_directory( dataset_dir, save_to_dir=img_save_to_dir, target_size=img_size, class_mode='categorical') validation_generator = test_datagen.flow_from_directory( dataset_dir, save_to_dir=img_save_to_dir, target_size=img_size, class_mode='categorical') # 早停法以及动态学习率设置 early_stop = EarlyStopping(monitor='val_loss', patience=13) reduce_lr = ReduceLROnPlateau(monitor='val_loss', patience=7, mode='auto', factor=0.2) tensorboard = keras.callbacks.tensorboard_v2.TensorBoard(log_dir=log_dir) for layer in model.layers: layer.trainable = False # 模型编译 model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy']) history = model.fit_generator(train_generator, steps_per_epoch=train_generator.samples // train_generator.batch_size, epochs=100, validation_data=validation_generator, validation_steps=validation_generator.samples // validation_generator.batch_size, callbacks=[early_stop, reduce_lr, tensorboard]) # 模型导出 model.save(model_dir + 'chinese_medicine_model_v1.0.h5')

对于顶部的6层卷积层，我们使用数据集对权重参数进行微调，如下所示：

# 加载模型 model=keras.models.load_model('resources\\keras-model\\chinese_medicine_model_v2.0.h5') for layer in model.layers: layer.trainable = False for layer in model.layers[126:132]: layer.trainable = True history = model.fit_generator(train_generator, steps_per_epoch=train_generator.samples // train_generator.batch_size, epochs=100, validation_data=validation_generator, validation_steps=validation_generator.samples // validation_generator.batch_size, callbacks=[early_stop, reduce_lr, tensorboard]) model.save(model_dir + 'chinese_medicine_model_v2.0.h5')

最后，服务器端，使用ONNX Runtime调用训练好的模型。

训练过程正确率以及损失函数可视化展示：

5、项目效果演示

项目资源下载请参见：https://download.csdn.net/download/m0_38106923/87577964

【本文地址】

公司简介

联系我们