Python與機器學習（第2版）（微課版） 課件 10-06-工件圖像智能分類任務實施

主講人：陳清華工件圖像智能分類任務實施【數(shù)據(jù)挖掘應用】課程智能產線應用會根據(jù)需要正確設計神經(jīng)網(wǎng)絡模型；會正確地切分數(shù)據(jù)集對神經(jīng)網(wǎng)絡進行訓練；會根據(jù)結果調整神經(jīng)網(wǎng)絡參數(shù)實現(xiàn)優(yōu)化；會正確部署神經(jīng)網(wǎng)絡模型；會調用神經(jīng)網(wǎng)絡模型實現(xiàn)智能分揀。能力目標智能分揀模型的訓練與部署主要內容任務工單引導問題任務評價標準任務解決步驟代碼解析教學難點任務背景010010011001101010100100110110100101110101000100001011011101001010101101010011010010圖像分類分析分揀模型合格品不合格品智能視覺檢測模塊原因：人工分揀慢、成本高途徑：通過圖像智能檢測，完成機器自動分揀目標：實現(xiàn)更快、更準的分揀指標：識別準確率和識別效率卷積神經(jīng)網(wǎng)絡教學難點任務工單

基于數(shù)據(jù)采集的樣本圖片進行視覺模型訓練，可選擇、調用云端已提供的完整模型框架（基于TensorFlow），設計卷積神經(jīng)網(wǎng)絡進行模型訓練。任務概述

基于采集的圖像數(shù)據(jù)，訓練卷積神經(jīng)網(wǎng)絡模型，并部署應用于工件的合格品識別。010010011001101010100100110110100101110101000100001011011101001010101101010011010010

任務描述：教學難點任務概述010010011001101010100100110110100101110101000100001011011101001010101101010011010010不合格品合格品圖像分類模型構建圖像分類模型訓練圖像分類模型優(yōu)化圖像分類模型應用卷積神經(jīng)網(wǎng)絡信號1信號0用于智能化分揀可降低成本、提高識別效率（1）圖像識別領域中常見的圖像識別方法有哪些？（2）使用卷積神經(jīng)網(wǎng)絡模型有什么的優(yōu)劣勢？為什么不使用循環(huán)神經(jīng)網(wǎng)絡？（3）卷積神經(jīng)網(wǎng)絡包含哪些層？分別有什么作用？關鍵參數(shù)有哪些？”

問題引導：任務概述

任務評價：任務概述評價內容評價要點分值分數(shù)評定自我評價1.任務實施數(shù)據(jù)初始化2分訓練集、驗證集準備正確得1分，測試集正確讀取得1分

模型構建2分會設計卷積模型得1分，模型正確構建得1分

模型訓練1分模型訓練能正確執(zhí)行得1分模型保存2分模型正確保存得1分，模型正確部署得1分

2.效果評估模型評估2分訓練準確率92%以上得1分，測試集準確率90%以上得1分

3.任務總結依據(jù)任務實施情況總結結論1分總結內容切中本任務的重點要點得1分

合計10分

任務解決方案（1）切分數(shù)據(jù)集準備好模型訓練所需的訓練集與驗證集。按一定的比例切分數(shù)據(jù)。importtensorflowastftrain_ds=tf.keras.preprocessing.image_dataset_from_directory(train_dir,

validation_split=0.2,#設定驗證集比例subset="training",seed=123,batch_size=batch_size)卷積層池化層卷積層池化層展平全連接層+Dropout任務解決方案（2）設計神經(jīng)網(wǎng)絡根據(jù)應用場景和數(shù)據(jù)特征，設計卷積神經(jīng)網(wǎng)絡結構。任務解決方案（2）設計神經(jīng)網(wǎng)絡使用Keras構建

設計好的卷積神經(jīng)網(wǎng)絡結構并進行訓練。fromtensorflow.kerasimportlayersnum_classes=2#目標分為兩類：合格品與不合格品model=tf.keras.Sequential([#根據(jù)需要調整模型結構layers.experimental.preprocessing.Resizing(img_height,img_width),layers.experimental.preprocessing.Rescaling(1./127.5,offset=-1),layers.Conv2D(32,3,activation='relu',padding="same"),layers.MaxPooling2D(pool_size=2,strides=2),layers.Conv2D(32,3,activation='relu',padding="same"),layers.MaxPooling2D(pool_size=2,strides=2),layers.Flatten(),layers.Dense(256,activation='relu'),layers.Dense(num_classes)])任務解決方案（3）模型編譯根據(jù)應用場景和數(shù)據(jù)特征，設置優(yōu)化器、損失函數(shù)、指標等參數(shù)。batch_size=8#每一批所處理的圖片數(shù)量img_height=160#圖片高度，單位為像素img_width=160#圖片寬度，單位為像素model.build((img_height,img_width,batch_size,3))model.compile(

optimizer='nadam',loss=tf.losses.SparseCategoricalCrossentropy(from_logits=True),metrics=['accuracy'])任務解決方案（4）模型訓練利用準備好的數(shù)據(jù)集，訓練模型。訓練過程中，要注意觀察模型的準確率變化。model.fit(train_ds,validation_data=val_ds,batch_size=128,shuffle=True,epochs=35)任務解決方案（5）模型部署當獲得較高的準確率時，保存訓練好的模型。需要在Web平臺的“任務管理”頁面中配置相應的服務地址。tf.keras.models.save_model(model,'/tf/models/image/1/',

#/tf/models為tensorflow-serving的模型根目錄overwrite=True,include_optimizer=True,save_format=None,signatures=None,options=None)任務解決方案（6）模型應用修改圖像任務中的“服務地址”為最后的模型算法地址。在【PLC觸控操作面板】上切換模式運行。查看實際檢