文章目录0 前言1 项目运行效果1 背景2 算法原理2.1 动物识别方法概况2.2 常用的网络模型2.2.1 B-CNN2.2.2 SSD3 SSD动物目标检测流程4 实现效果5 部分相关代码5.1 数据预处理5.2 构建卷积神经网络5.3 tensorflow计算图可视化5.4 网络模型训练5.5 对猫狗图像进行2分类6 最后0 前言这两年开始毕业设计和毕业答辩的要求和难度不断提升传统的毕设题目缺少创新和亮点往往达不到毕业答辩的要求这两年不断有学弟学妹告诉学长自己做的项目系统达不到老师的要求。并且很难找到完整的毕设参考学习资料。为了大家能够顺利以及最少的精力通过毕设学长分享优质毕业设计项目提供大家参考学习今天要分享的是毕业设计 深度学习动物识别系统源码论文学长这里给一个题目综合评分(每项满分5分)难度系数3分工作量3分创新点4分 项目分享:见主页简介1 项目运行效果视频效果毕业设计 深度学习动物识别系统1 背景目前由于计算机能力和相关理论的发展获得了重大突破基于深度学习的图像检测与识别技术已经广泛应用到人们的生产生活中。学长将深度学习的技术应用到野生动物图像识别中优化了传统的识别方法形成对野生动物图像更为准确的识别为实现高效的野生动物图像识别提供了可能。不同于传统的野生动物识别基于深度学习的野生动物识别技术可以捕获到野生动物更加细致的信息有利于对野生动物进行更加准确的识别和研究。因此对基于深度学习的野生动物识别和研究可以更好的帮助社会管理者和政府全面有效的对野生动物进行保护和监管这也正是保护和识别野生动物的关键同时这对整个自然和社会的和谐发展具有极大的推动作用。2 算法原理这里使用一个简单的demo说明大致原理实际工程比demo复杂一些2.1 动物识别方法概况基于人工特征的野生动物识别方法主要通过人工对野生动物图像中具有辨识度的特征信息进行提取并通过特征比对的方式就可以对野生动物所属的类别进行识别判断。在深度学习技术普及之前传统的数字图像处理技术与传统机器学习技术一直是研究的热点。传统的数字图像处理技术有模块分割、降低噪声点、边缘检测等方法。传统的机器学习技术有支持向量机、随机森林算法、BP 神经网络算法等。深度学习技术是通过计算机模拟人类大脑的分层表达结构来建立网络模型从原始数据集中对相关信息逐层提取。之后通过建立相应的神经网络对数据进行学习和分析从而提高对目标预测和识别的准确率。如今深度学习技术已经相对成熟在对目标进行特征提取方面卷积神经网络技术逐渐取代了传统的图像处理技术并且在人类的生产生活中得到了广泛应用这为研究野生动物更高效的识别方法奠定了基础。2.2 常用的网络模型图像识别是指对原始图像进行整体分析来达到预测原始图像所属类别的技术。计算机视觉领域中对图像识别技术进行了优化与此同时深度学习技术也对图像识别领域展开了突破。目前在图像识别领域中研究人员开始使用深度学习的技术并通过在实际应用中发现基于深度学习的识别技术比传统的识别技术效果更好且更具有优势。2.2.1 B-CNN双线性卷积神经网络(Bilinear CNNB-CNN)[34]是用两个卷积神经网络对图像进行特征提取然后使用相应的函数将得到所有特征进行组合组合的数据带入到分类器中进行分类。2.2.2 SSD经典的 SSD 模型是由经典网络和特征提取网络组成。通过引入性能更好的特征提取网络对 SSD 目标检测模型进行了优化。Fu[49]等人提出了增加卷积神经网络层数和深度的方法用于提高识别准确率。通过实际应用之后发现该方法识别准确率确实得到了一定程度的提高但是模型结构却越来越复杂同时对深层次的网络训练也越来越困难。3 SSD动物目标检测流程学长首先对 DenseNet-169 网络进行初始化使用 DenseNet-169 网络作为目标检测的前置网络结构并运用迁移学习的方法对 DenseNet-169 进行预训练并将Snapshot Serengeti数据集下的权重值迁移到野生动物检测任务中使数据集的训练速度得到提升。将 DenseNet-169 作为前置网络置于 SSD 中的目标提取检测网络之前更换完前置网络的 SSD 目标检测网络依然完整。4 实现效果做一个GUI交互界面5 部分相关代码5.1 数据预处理importcv2ascvimportosimportnumpyasnpimportrandomimportpickleimporttime start_timetime.time()data_dir./databatch_save_path./batch_files# 创建batch文件存储的文件夹os.makedirs(batch_save_path,exist_okTrue)# 图片统一大小100 * 100# 训练集 20000100个batch文件每个文件200张图片# 验证集 5000一个测试文件测试时 50张 x 100 批次# 进入图片数据的目录读取图片信息all_data_filesos.listdir(os.path.join(data_dir,train/))# print(all_data_files)# 打算数据的顺序random.shuffle(all_data_files)all_train_filesall_data_files[:20000]all_test_filesall_data_files[20000:]train_data[]train_label[]train_filenames[]test_data[]test_label[]test_filenames[]# 训练集foreachinall_train_files:imgcv.imread(os.path.join(data_dir,train/,each),1)resized_imgcv.resize(img,(100,100))img_datanp.array(resized_img)train_data.append(img_data)ifcatineach:train_label.append(0)elifdogineach:train_label.append(1)else:raiseException(%s is wrong train file%(each))train_filenames.append(each)# 测试集foreachinall_test_files:imgcv.imread(os.path.join(data_dir,train/,each),1)resized_imgcv.resize(img,(100,100))img_datanp.array(resized_img)test_data.append(img_data)ifcatineach:test_label.append(0)elifdogineach:test_label.append(1)else:raiseException(%s is wrong test file%(each))test_filenames.append(each)print(len(train_data),len(test_data))# 制作100个batch文件start0end200fornuminrange(1,101):batch_datatrain_data[start:end]batch_labeltrain_label[start:end]batch_filenamestrain_filenames[start:end]batch_nametraining batch {} of 15.format(num)all_data{data:batch_data,label:batch_label,filenames:batch_filenames,name:batch_name}withopen(os.path.join(batch_save_path,train_batch_{}.format(num)),wb)asf:pickle.dump(all_data,f)start200end200# 制作测试文件all_test_data{data:test_data,label:test_label,filenames:test_filenames,name:test batch 1 of 1}withopen(os.path.join(batch_save_path,test_batch),wb)asf:pickle.dump(all_test_data,f)end_timetime.time()print(制作结束, 用时{}秒.format(end_time-start_time))5.2 构建卷积神经网络cnn卷积神经网络的编写如下编写卷积层、池化层和全连接层的代码conv1_1tf.layers.conv2d(x,16,(3,3),paddingsame,activationtf.nn.relu,nameconv1_1)conv1_2tf.layers.conv2d(conv1_1,16,(3,3),paddingsame,activationtf.nn.relu,nameconv1_2)pool1tf.layers.max_pooling2d(conv1_2,(2,2),(2,2),namepool1)conv2_1tf.layers.conv2d(pool1,32,(3,3),paddingsame,activationtf.nn.relu,nameconv2_1)conv2_2tf.layers.conv2d(conv2_1,32,(3,3),paddingsame,activationtf.nn.relu,nameconv2_2)pool2tf.layers.max_pooling2d(conv2_2,(2,2),(2,2),namepool2)conv3_1tf.layers.conv2d(pool2,64,(3,3),paddingsame,activationtf.nn.relu,nameconv3_1)conv3_2tf.layers.conv2d(conv3_1,64,(3,3),paddingsame,activationtf.nn.relu,nameconv3_2)pool3tf.layers.max_pooling2d(conv3_2,(2,2),(2,2),namepool3)conv4_1tf.layers.conv2d(pool3,128,(3,3),paddingsame,activationtf.nn.relu,nameconv4_1)conv4_2tf.layers.conv2d(conv4_1,128,(3,3),paddingsame,activationtf.nn.relu,nameconv4_2)pool4tf.layers.max_pooling2d(conv4_2,(2,2),(2,2),namepool4)flattentf.layers.flatten(pool4)fc1tf.layers.dense(flatten,512,tf.nn.relu)fc1_dropouttf.nn.dropout(fc1,keep_probkeep_prob)fc2tf.layers.dense(fc1,256,tf.nn.relu)fc2_dropouttf.nn.dropout(fc2,keep_probkeep_prob)fc3tf.layers.dense(fc2,2,None)5.3 tensorflow计算图可视化self.xtf.placeholder(tf.float32,[None,IMAGE_SIZE,IMAGE_SIZE,3],input_data)self.ytf.placeholder(tf.int64,[None],output_data)self.keep_probtf.placeholder(tf.float32)# 图片输入网络中fcself.conv_net(self.x,self.keep_prob)self.losstf.losses.sparse_softmax_cross_entropy(labelsself.y,logitsfc)self.y_tf.nn.softmax(fc)# 计算每一类的概率self.predicttf.argmax(fc,1)self.acctf.reduce_mean(tf.cast(tf.equal(self.predict,self.y),tf.float32))self.train_optf.train.AdamOptimizer(LEARNING_RATE).minimize(self.loss)self.savertf.train.Saver(max_to_keep1)最后的saver是要将训练好的模型保存到本地。5.4 网络模型训练然后编写训练部分的代码训练步骤为1万步acc_list[]withtf.Session()assess:sess.run(tf.global_variables_initializer())foriinrange(TRAIN_STEP):train_data,train_label,_self.batch_train_data.next_batch(TRAIN_SIZE)eval_ops[self.loss,self.acc,self.train_op]eval_ops_resultssess.run(eval_ops,feed_dict{self.x:train_data,self.y:train_label,self.keep_prob:0.7})loss_val,train_acceval_ops_results[0:2]acc_list.append(train_acc)if(i1)%1000:acc_meannp.mean(acc_list)print(step:{0},loss:{1:.5},acc:{2:.5},acc_mean:{3:.5}.format(i1,loss_val,train_acc,acc_mean))if(i1)%10000:test_acc_list[]forjinrange(TEST_STEP):test_data,test_label,_self.batch_test_data.next_batch(TRAIN_SIZE)acc_valsess.run([self.acc],feed_dict{self.x:test_data,self.y:test_label,self.keep_prob:1.0})test_acc_list.append(acc_val)print([Test ] step:{0}, mean_acc:{1:.5}.format(i1,np.mean(test_acc_list)))# 保存训练后的模型os.makedirs(SAVE_PATH,exist_okTrue)self.saver.save(sess,SAVE_PATHmy_model.ckpt)训练结果如下5.5 对猫狗图像进行2分类篇幅有限更多详细设计见设计论文6 最后项目包含内容2万5千字 完整详细设计论文 项目分享:见主页简介