外贸网站建设哪家有名,c 做网站教程,网站建设作者墙这个模板,中国电商目录 前言总体设计系统整体结构图系统流程图 运行环境Python环境TensorFlow 环境Jupyter Notebook环境Pycharm 环境微信开发者工具OneNET云平台 模块实现1. 数据预处理2. 创建模型并编译3. 模型训练及保存4. 上传结果5. 小程序开发1#xff09;查询图片2#xff09;查询识别结… 目录 前言总体设计系统整体结构图系统流程图 运行环境Python环境TensorFlow 环境Jupyter Notebook环境Pycharm 环境微信开发者工具OneNET云平台 模块实现1. 数据预处理2. 创建模型并编译3. 模型训练及保存4. 上传结果5. 小程序开发1查询图片2查询识别结果 系统测试1. 训练准确率2. 测试效果3. 外部访问效果 相关其它博客工程源代码下载其它资料下载 前言
本项目基于Keras框架引入CNN进行模型训练采用Dropout梯度下降算法按比例丢弃部分神经元同时利用IOT及微信小程序实现自动化远程监测果实成熟度以及移动端实时监测的功能为果农提供采摘指导有利于节约劳动力提高生产效率提升经济效益。
本项目基于Keras框架采用卷积神经网络CNN进行模型训练。通过引入Dropout梯度下降算法实现了对神经元的按比例丢弃以提高模型的鲁棒性和泛化性能。同时利用物联网IoT技术和微信小程序项目实现了自动化远程监测果实成熟度并在移动端实时监测果园状态的功能。这为果农提供了采摘的实时指导有助于节约劳动力、提高生产效率从而提升果园经济效益。
首先项目采用Keras框架构建了一个卷积神经网络利用深度学习技术对果实成熟度进行准确的识别和预测。
其次引入Dropout梯度下降算法通过随机丢弃神经元的方式防止模型过拟合提高了对新数据的泛化能力。
接着项目整合了物联网技术通过传感器等设备对果园中的果实进行远程监测。这样果农可以在不同地点远程了解果实的成熟度状况。
同时通过微信小程序果农可以实时监测果园状态了解果实成熟度、采摘时机等信息从而更加科学地安排采摘工作。
总体来说该项目不仅在模型训练上引入了先进的深度学习技术还通过物联网和微信小程序实现了智能化的果园管理系统为果农提供了更加便捷、高效的农业生产解决方案。
总体设计
本部分包括系统整体结构图和系统流程图。
系统整体结构图
系统整体结构如图所示。 系统流程图
模型训练流程如图所示。
数据上传流程如图所示。 小程序流程如图所示。
运行环境
本部分包括Python环境、TensorFlow环境、JupyterNotebook环境、PyCharm环境、微信开发者工具和OneNET云平台。
Python环境
详见博客。
TensorFlow 环境
详见博客。
Jupyter Notebook环境
详见博客。
Pycharm 环境
详见博客。
微信开发者工具
详见博客。
OneNET云平台
详见博客。
模块实现
本项目包括本项目包括5个模块数据预处理、创建模型与编译、模型训练及保存、上传结果、小程序开发。下面分别给出各模块的功能介绍及相关代码。
1. 数据预处理
以红枣为实验对象,在互联网上爬取1000张图片作为数据集。
详见博客。
2. 创建模型并编译
数据加载进模型之后需要定义模型结构并优化损失函数。
详见博客。
3. 模型训练及保存
定义模型架构和编译之后,通过训练集训练,使模型可以识别红枣的成熟程度。这里将使用训练集和测试集来拟合并保存模型。
详见博客。
4. 上传结果
上传结果有两种方法一是调用计算机摄像头拍摄图片,将图片信息转换为二进制数据流后上传至OneNET云平台;二是将数字图片输入Keras模型中,获取输出后将识别结果上传至OneNET云平台。
详见博客。
5. 小程序开发
微信小程序用于查看果实图片、获取采摘建议和查询识别结果。
1查询图片
查询图片功能采用两重嵌套回调第一层通过访问图片数据流获取图片的索引目录,传递给第二层;第二层使用图片索引目录访问图片数据流信息,得到图片的二进制数据流。为使图片能够在界面中显示,将二进制数据转换为Base64格式,用that.setData()函数将值传递给wxm文件,并在该函数中修改按钮上的keyword为单击查看采收建议,实现按钮功能的切换。
//回调图片
send: function () {var that thisif (that.data.keyword单击查看你的果园){//多重回调两次const requestPicIndex wx.request({url: https://api.heclouds.com/devices/586488389/datapoints?datastream_idpic,header: {content-type: application/json,api-key: 93IlIl2tfXddMN8sgQIInc7qbXs},success: function (res) {var picIndexres.data.data.datastreams[0].datapoints[0].value.indexconsole.log(res.data.data.datastreams[0].datapoints[0].value.index)
//打印图片索引目录OneNet上图片的索引//嵌套的第二次回调const requestTask wx.request({url: http://api.heclouds.com/bindata/ picIndex,//图片urlheader: {content-type: application/json,api-key: RSKlDBtVrZ7qDWvKb6IAyFiOw
//master-apikey可操控OneNET上所有东西},responseType: arraybuffer,//相应类型success: function (res) {console.log(res.data) //打印返回中的data,res代表返回数据var data res.datavar base64 wx.arrayBufferToBase64(res.data)
//二进制数据流转化成base64base64 base64.replace(/[\r\n]/g, ) //删去换行符that.setData({imgUrl: data:image/PNG;base64, base64,
//能够显示图片base64的形式传值给wxmlkeyword: 单击查看采收建议//修改button功能为返回采收建议})console.log(http://api.heclouds.com/bindata/picIndex)//打印url},fail: function (res) { //异常处理console.log(fail!!!)},complete: function (res) {console.log(end)}})},//回调失败则打印fail!!!fail: function (res) {console.log(fail!!!)},//回调完成打印图片urlcomplete: function (res) {console.log(end)}})}}2查询识别结果
得到识别结果后进行一次数值判断:0代表未成熟,不适合采收;1代表半熟,为最佳采收时机;2代表完全成熟,需要尽快采收。通过that.setDataM()函数赋值给reM显示采收建议。
//回调识别结果
else if (that.data.keyword单击查看采收建议){const requestTask wx.request({url: https://api.heclouds.com/devices/586488389/datapoints?datastream_idrslt, //识别结果的urlheader: {content-type: application/json,api-key: 93IlIl2tfXddMN8sgQIInc7qbXs},success: function (res) {var app getApp()app.globalData.Zao res.data.data.datastreams[0]var a app.globalData.Zao.datapoints[0].valueconsole.log(app.globalData.Zao)//0代表未成熟不适合采收1代表半熟最佳采收时机2代表完全成熟尽快采收if (a 2) {console.log(a)that.setData({reM: 完全成熟请尽快采收})console.log(reM: that.data.reM)}else if (a 1) {console.log(a)that.setData({reM: 半熟现在是最佳的采收时机})console.log(reM: that.data.reM)}else if (a 0) {console.log(a)that.setData({reM: 不成熟还不能采收哦~})console.log(reM: that.data.reM)}},//回调失败则打印fail!!!fail: function (res) {console.log(fail!!!)},//回调完成打印结果complete: function (res) {console.log(end)}})}系统测试
本部分包括训练准确率、测试效果和外部访问效果。
1. 训练准确率
测试准确率达到88%左右,意味着这个预测模型训练比较成功。随着训练轮次的增多,模型在训练数据、测试数据上的损失和准确率逐渐收敛,最终趋于稳定,如图所示。 2. 测试效果
将测试集数据代入模型进行测试,并对分类标签与原始数据进行显示和对比,验证了该模型能够实现红枣三类成熟程度的识别。测试结果如图所示。 3. 外部访问效果
打开小程序,初始界面如图所示。 单击界面最上方的登录按钮可获得用户微信头像和昵称,如图所示。 单击界面中单击查看你的果园按钮,在按钮上方会出现果实图片,同时按钮上的文字变成单击查看采收建议,如图所示。 单击单击查看采收建议按钮,在按钮下方出现果实成熟度信息和具体采收建议,如图所示。 移动端测试结果如图所示。 相关其它博客
基于OpenCVCNNIOT微信小程序智能果实采摘指导系统——深度学习算法应用(含python、JS工程源码)数据集模型一
基于OpenCVCNNIOT微信小程序智能果实采摘指导系统——深度学习算法应用(含python、JS工程源码)数据集模型二
基于OpenCVCNNIOT微信小程序智能果实采摘指导系统——深度学习算法应用(含python、JS工程源码)数据集模型三
基于OpenCVCNNIOT微信小程序智能果实采摘指导系统——深度学习算法应用(含python、JS工程源码)数据集模型四
工程源代码下载
详见本人博客资源下载页 其它资料下载
如果大家想继续了解人工智能相关学习路线和知识体系欢迎大家翻阅我的另外一篇博客《重磅 | 完备的人工智能AI 学习——基础知识学习路线所有资料免关注免套路直接网盘下载》 这篇博客参考了Github知名开源平台AI技术平台以及相关领域专家DatawhaleApacheCNAI有道和黄海广博士等约有近100G相关资料希望能帮助到所有小伙伴们。
