Python毕业设计-基于深度学习的水果识别系统的源代码+文档说明+数据集+模型（高分项目）

# 水果分类 fruit-classifer 基于深度学习的水果分类 本项目使用迁移学习技术，对在ImageNet数据集上带有预训练权重VGG16、ResNet50、MobileNetV2、DenseNet121模型进行微调，然后将其用在水果数据集上。最终训练后的模型能够准确对输入图片进行分类，并且最高准确率达到93.08%。 #### 一、数据集制作 ##### 1.1爬虫获取数据 ```python FRUIT_CLASS = { '苹果': '01', '香蕉': '02', '桃子': '03', '葡萄': '04' } #spider.py实现本功能 ``` ##### 1.2手动删除不相关图片 ##### 1.3数据增强扩充数据集 ```python def Brightness(root_path, img_name): #亮度增强 def Contrast(root_path, img_name): #对比度增强 def crop(root_path, img_name): #随机裁剪 def flip(root_path, img_name): #左右翻转 def rotation(root_path, img_name): #随机旋转 #createImage.py ImageEnhance.py实现本功能 ``` #### 二、模型训练 ##### 2.1迁移学习 ```python # 模型加载，指定图片处理的大小和是否进行迁移学习 def my_densenet(): IMG_SHAPE = (224, 224, 3) # 选择base model base_model = tf.keras.applications.MobileNetV2(include_top=False, weights='imagenet', input_shape=IMG_SHAPE) base_model.trainable = False model = tf.keras.models.Sequential([ # 输入层，shape为(None,224,224,3) tf.keras.layers.Input((224, 224, 3)), # 输入到base_model中 base_model, # 将base_model的输出展平，以作为全连接层的输入 tf.keras.layers.Flatten(), # BN层 tf.keras.layers.BatchNormalization(), # 输出层，为了保证输出结果的稳定，这里就不添加Dropout层了 tf.keras.layers.Dense(settings.CLASS_NUM, activation=tf.nn.softmax) ]) return model #models.py实现本功能 ``` ##### 2.2模型训练 ```python # settings.py 参数设置 # data.py 数据预处理 # train.py 训练模型 ``` #### 三、系统实现 设计并实现前后端分离系统，前端Vue，后端Flask 后端模型对输入图片识别并返回用户 运行app.py在本地计算机使用系统，地址为http://192.168.1.29:5000/