基于OpenCV+CNN+IOT+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（五）

news2024/11/17 11:52:59

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

在这里插入图片描述

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。

在这里插入图片描述

系统流程图

模型训练流程如图所示。
在这里插入图片描述

数据上传流程如图所示。

在这里插入图片描述

小程序流程如图所示。
在这里插入图片描述

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 = this
    if (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_id=pic',
        header: {
          'content-type': 'application/json',
          'api-key': '93IlIl2tfXddMN8sgQIInc7qbXs='
        },
        success: function (res) {
      var picIndex=res.data.data.datastreams[0].datapoints[0].value.index
          console.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url
            header: {
              'content-type': 'application/json',
              'api-key': 'RSKlDBtVrZ7qDWvK=b6IAyFi=Ow='
//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.data
              var base64 = wx.arrayBufferToBase64(res.data)
//二进制数据流转化成base64
              base64 = 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wxml
                keyword: '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url
        complete: 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_id=rslt',  //识别结果的url
        header: {
          '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].value
          console.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。

在这里插入图片描述

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。

在这里插入图片描述

3. 外部访问效果

打开小程序,初始界面如图所示。

在这里插入图片描述

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。

在这里插入图片描述

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。

在这里插入图片描述

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。

在这里插入图片描述

移动端测试结果如图所示。

在这里插入图片描述

相关其它博客

基于OpenCV+CNN+IOT+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OpenCV+CNN+IOT+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OpenCV+CNN+IOT+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OpenCV+CNN+IOT+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：Datawhale，ApacheCN，AI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。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1303289.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

文献速递：多模态影像组学文献分享多模态放射组学预测直肠癌患者放疗引发的早期直肠炎和膀胱炎：一项机器学习研究

文献速递：多模态影像组学文献分享多模态放射组学预测直肠癌患者放疗引发的早期直肠炎和膀胱炎：一项机器学习研究

文献速递：多模态影像组学文献分享:多模态放射组学预测直肠癌患者放疗引发的早期直肠炎和膀胱炎：一项机器学习研究 01 文献速递介绍 Rectal cancer is the second most prevalent form of cancer in the large intestine, and its primary treatment …
阅读更多...
Android---Kotlin 学习002

Android---Kotlin 学习002

声明变量 在 Kotlin 中定义一个变量，通过关键字 var 开始。然后是变量名，在“:”后紧跟变量类型。 示例1：声明一个 int 类型的变量 var num:Int 1 示例2：声明一个 String 类型的变量 var str:String "Hello world&quo…
阅读更多...
C# OpenCvSharp DNN 部署FastestDet

C# OpenCvSharp DNN 部署FastestDet

目录 效果 模型信息 项目 代码 下载 C# OpenCvSharp DNN 部署FastestDet 效果 模型信息 Inputs ------------------------- name：input.1 tensor：Float[1, 3, 512, 512] --------------------------------------------------------------- Outpu…
阅读更多...
QT----第二天QMainWindow,各种控件

QT----第二天QMainWindow,各种控件

目录 第二天1 QMainWindow1.1 菜单栏1.2工具栏1.3 状态栏1.4 铆接（浮动窗口）和中心部件（只能由一个）2 资源文件添加 3、对话框Qdialog3.2 模态和非模态对话框3.2 消息对话框3.3 其他对话框 4 登陆界面5 按钮组控件5.1QToolButton5…
阅读更多...
机器学习中的 Transformation Pipelines（Machine Learning 研习之十）

机器学习中的 Transformation Pipelines（Machine Learning 研习之十）

Transformation Pipelines 有许多数据转换步骤需要以正确的顺序执行。幸运的是，Scikit-Learn提供了Pipeline类来帮助处理这样的转换序列。下面是一个用于数值属性的小管道，它首先对输入特性进行归并，然后对输入特性进行缩放: from sklearn.…
阅读更多...
Nginx访问FTP服务器文件的时效性/安全校验

Nginx访问FTP服务器文件的时效性/安全校验

背景 FTP文件服务器在我们日常开发中经常使用，在项目中我们经常把FTP文件下载到内存中，然后转为base64给前端进行展示。如果excel中也需要导出图片，数据量大的情况下会直接返回一个后端的开放接口地址，然后在项目中对接口的参数进…
阅读更多...
微信小程序 ios 手机底部安全区适配

微信小程序 ios 手机底部安全区适配

在开发微信小程序中，遇到 IOS 全面屏手机，底部小黑条会遮挡页面按钮或内容，因此需要做适配处理。 解决方案 通过 wx.getSystemInfo() 获取手机系统信息，需要拿到：screenHeight（屏幕高度）&#…
阅读更多...
持续集成交付CICD：GitLabCI上传Nexus制品

持续集成交付CICD：GitLabCI上传Nexus制品

目录 一、实验 1.GitLabCI上传Nexus制品 2.优化GitLabCI（引用系统变量） 3.添加if条件判断项目类型 4.优化GitLabCI（模板类） 二、问题 1.GitLabCI获取jar文件失败 2. GitLabCI获取流水线项目命名空间失败 3.GItLab Packag…
阅读更多...
学习pytorch19 pytorch使用GPU训练2

学习pytorch19 pytorch使用GPU训练2

pytorch使用GPU训练2 第二种使用gpu方式核心代码代码 macbook pro m1/m2 用mps ， 是苹果arm芯片的gpu 第二种使用gpu方式核心代码 # 设置设备 device torch.device(cpu) # 使用cpu device torch.device(cuda) # 单台gpu device torch.device(cuda:0) # 使…
阅读更多...
基于大语言模型的复杂任务认知推理算法CogTree

基于大语言模型的复杂任务认知推理算法CogTree

近日，阿里云人工智能平台PAI与华东师范大学张伟教授团队合作在自然语言处理顶级会议EMNLP2023上发表了基于认知理论所衍生的CogTree认知树生成式语言模型。通过两个系统：直觉系统和反思系统来模仿人类产生认知的过程。直觉系统负责产生原始问题的多个分解…
阅读更多...
打包CSS

打包CSS

接上一个打包HTML继续进行CSS的打包 1.在之前的文件夹里的src文件夹创建一个css文件 2.在浏览器打开webpack——>中文文档——>指南——>管理资源——>加载CSS 3.复制第一句代码到终端 4.复制下图代码到webpack.config.js脚本的plugins：[.....]内容下…
阅读更多...
计算机循环神经网络（RNN）

计算机循环神经网络（RNN）

计算机循环神经网络（RNN） 一、引言 循环神经网络（RNN）是一种常见的深度学习模型，适用于处理序列数据，如文本、语音、时间序列等。RNN通过捕捉序列数据中的时间依赖关系和上下文信息，能够解决很…
阅读更多...
网络编程_网络编程三要素，TCP协议，UDP协议

网络编程_网络编程三要素，TCP协议，UDP协议

网络编程 文章目录 网络编程1 网络编程三要素1.1 IP地址1.1.1 IP地址分为两大类1.1.2 DOS常用命令1.1.3 特殊IP地址 1.2 InetAddress类_表示IP地址的类1.2.1 相关方法1.2.2 示例 1.3 端口和协议1.3.1 端口与端口号1.3.2 协议1.3.3 UDP协议1.3.4 TCP协议 2 UDP通信程序2.1 UDP发…
阅读更多...
Leetcode 1631. 最小体力消耗路径

Leetcode 1631. 最小体力消耗路径

一、题目 1、题目描述 你准备参加一场远足活动。给你一个二维 rows x columns 的地图 heights ，其中 heights[row][col] 表示格子 (row, col) 的高度。一开始你在最左上角的格子 (0, 0) ，且你希望去最右下角的格子 (rows-1, columns-1) （注意…
阅读更多...
启动cad显示丢失mfc140u.dll怎么办？mfc140u.dll丢失有效解决方法分享

启动cad显示丢失mfc140u.dll怎么办？mfc140u.dll丢失有效解决方法分享

在CAD软件或其他软件中，有时候会出现由于找不到mfc140u.dll文件而无法执行代码的错误提示。这个问题可能是由于多种原因引起的，例如文件损坏、缺失或被病毒感染等。下面将介绍五个常见的解决方法，并解释mfc140u.dll丢失的原因以及该文件对CAD…
阅读更多...
【BI】FineBI功能学习路径-20231211

【BI】FineBI功能学习路径-20231211

FineBI功能学习路径 https://help.fanruan.com/finebi/doc-view-1757.html 编辑数据概述 1.1 调整数据结构 1.2 简化数据 2.1上下合并 2.2其他表添加列 2.3左右合并 新增分析指标 函数参考 https://help.fanruan.com/finereport/doc-view-1897.html 数值函数 日期函数 文…
阅读更多...
数据结构与算法-Rust 版读书笔记-2线性数据结构-栈

数据结构与算法-Rust 版读书笔记-2线性数据结构-栈

数据结构与算法-Rust 版读书笔记-2线性数据结构-栈 一、线性数据结构概念 数组、栈、队列、双端队列、链表这类数据结构都是保存数据的容器，数据项之间的顺序由添加或删除时的顺序决定，数据项一旦被添加，其相对于前后元素就会一直保持位置不…
阅读更多...
目标检测——R-FCN算法解读

目标检测——R-FCN算法解读

论文：R-FCN: Object Detection via Region-based Fully Convolutional Networks 作者：Jifeng Dai, Yi Li, Kaiming He and Jian Sun 链接：https://arxiv.org/pdf/1605.06409v2.pdf 代码：https://github.com/daijifeng001/r-fcn 文…
阅读更多...
【开源】基于Vue和SpringBoot的森林火灾预警系统

【开源】基于Vue和SpringBoot的森林火灾预警系统

项目编号： S 019 ，文末获取源码。 \color{red}{项目编号：S019，文末获取源码。} 项目编号：S019，文末获取源码。 目录 一、摘要1.1 项目介绍1.2 项目录屏 二、功能模块2.1 数据中心模块2.2 系统基础模块2.3 烟…
阅读更多...
CodeGeeX发布HBuilderX插件，助力VUE开发效率提升

CodeGeeX发布HBuilderX插件，助力VUE开发效率提升

北京时间2023年12月8日，CodeGeeX正式发布了适配国产IDE平台HBuilderX的插件。这款插件的推出，使得使用HBuilderX作为开发环境的程序员可以在IDE和AI辅助编程工具之间做出选择。 CodeGeeX：基于大模型的AI智能编程助理 CodeGeeX是一款基于大模…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023