基于TensorFlow的卷积神经网络的岩石图像分类识别（简易实践案例）

题目简述

今有砾岩(Conglomerate)、安山岩(Andesite)、石灰岩(Limestone)、石英岩(Quartzite)和花岗岩(Granite)5种岩石图片，每张图片的大小不一。试建立卷积神经模型，利用训练数据集进行训练，并对测试集进行分类识别。
数据集百度云盘下载 https://pan.baidu.com/s/1Ok20EhvV9F0-JMyONrsnFA 解压码：t35r.

个人项目运行环境

• PyCharm 2017.1
• Python 3.8.6
• numpy 1.19.5
• TensorFlow 2.5.0
• scikit-learn 0.24.2

导入模块

import os
import numpy as np
from PIL import Image
from tensorflow.keras import layers,models
from sklearn.model_selection import train_test_split

数据处理

这里我们构造卷积神经网络模型所需要的输入数据和输出数据，其中输入数据为所有彩图数据。我所展示的样例共有300张图片，统一取图像中心点100×100像素，共有R、G、B三个通道，并对每个通道像素值归一化，彩色图片有3个通道（也可以使用OpenCV的函数查看自己使用图片的通道数），故所有彩图数据可以用一个四维数组来存储，其形态为 (300,100,100,3)。记为X。输出数据为岩石类型，依次为砾岩、安山岩、石灰岩、石英岩和花岗岩（不确定顺序，我也不能分清具体岩石是哪个类，按照图片的类别来分不同岩石），类型编号为0、1、2、3、4，记为Y。代码如下:

# 数据处理
def DataDispose(X,Y,ImgList):
    for i in range(len(ImgList)):
        # 读取第一张图片，img有R、G、B(三色)三个通道
        img = Image.open(ImgPath + "\\" +ImgList[i])
        # 分离R、G、B通道
        sep = img.split()
        # R 通道
        R = np.array(sep[0])
        # 注意中心点
        row_1 = int(R.shape[0]/2) - 50
        row_2 = int(R.shape[0]/2) + 50
        con_1 = int(R.shape[1]/2) - 50
        con_2 = int(R.shape[1]/2) + 50
        R = R[row_1:row_2,con_1:con_2]
        # G 通道
        G = np.array(sep[1])
        G = G[row_1:row_2,con_1:con_2]
        # B 通道
        B = np.array(sep[2])
        B = B[row_1:row_2,con_1:con_2]
        # 获取R、G、B通道即可，并归一化
        X[i,:,:,0] = R/255
        X[i,:,:,1] = G/255
        X[i,:,:,2] = B/255
        # 构造输出数据，岩石类别编号
        S = ImgList[i]
        I = S.find('_',0,len(S))
        if int(S[:I]) == 1:
            Y[i] = 0
        elif int(S[:I]) == 2:
            Y[i] = 1
        elif int(S[:I]) == 3:
            Y[i] = 2
        elif int(S[:I]) == 4:
            Y[i] = 3
        else:
            Y[i] = 4
    # 对输入数据X和输出数据Y，按训练及80%，测试20%随机划分
    x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size=0.2, random_state=4)

模型实现

模型实现，我们采用TensorFlow2之中的Keras模块下的堆叠模型，构建多层卷积神经网络识别模型，不同的是输入形态的设计。我们可以直接在第一个卷积网络设置其输入形态，他为3个通道的彩色图片数据，代码如下：

# 模型建立
def BuildModel(x_train, x_test, y_train, y_test,TrainingTimes):
    model = models.Sequential()
    # 第一个卷积层，卷积神经元个数为32，卷积核大小为3×，默认可省略
    model.add(layers.Conv2D(32, (3, 3), strides=(1, 1), activation='relu', input_shape=(100, 100, 3)))
    # 第一个池化层，2×2池化，步长为2，默认可缺省
    model.add(layers.MaxPooling2D((2, 2), strides=2))
    # 第二个卷积层和池化层
    model.add(layers.Conv2D(64, (3, 3), activation='relu'))
    model.add(layers.MaxPooling2D((2, 2)))
    # 第三个卷积层和池化层
    model.add(layers.Conv2D(64, (3, 3), activation='relu'))
    model.add(layers.MaxPooling2D((2, 2)))
    # 第四个卷积层
    model.add(layers.Conv2D(64, (3, 3), activation='relu'))
    # 展平
    model.add(layers.Flatten())
    # 全连接层
    model.add(layers.Dense(64, activation='relu'))
    # 输出层
    model.add(layers.Dense(5, activation='softmax'))
    # 模型优化器、损失函数和评估方法，采用adam优化器、分类交叉熵函数和预测准确率
    model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
    # 我们设定对训练集的迭代训练次数
    model.fit(x_train, y_train, epochs=TrainingTimes)
    model.evaluate(x_test, y_test, verbose=2)
    # 获得预测结果概率矩阵
    yy = model.predict(x_test)
    # 获得最终预测结果，取概率最大的类标签
    y1 = np.argmax(yy, axis=1)
    # 预测结果与实际结果相减
    r = y1 - y_test
    # 计算预测准确率
    rv = len(r[r == 0]) / len(r)
    print("预测准确率:", rv)

结果分析

这是迭代测试100次的结果，测试数据集的准确率达到了0.58334。与使用模型的predict函数对测试数据集进行预测，其预测结果一致。
利用卷积神经网络识别模型，准确度要比特征值未乘系数的支持向量机模型要高得多。

完整代码

Python3完整代码

"""
-------------------------------------------------
   作者：W.Lionel.Esaka
   日期：2021-06-10
   开发工具：PyCharm
   基于TensorFlow2的岩石图片分类识别
-------------------------------------------------
"""
import os
import numpy as np
from PIL import Image
from tensorflow.keras import layers,models
from sklearn.model_selection import train_test_split

# 自定义模型训练次数
TrainingTimes = 10
# 训练集文件路径
ImgPath = "D:\\Self\\Python\\BigData\\data\\Rock"
# 文件夹所有图片文件名
ImgList = os.listdir(ImgPath)
# 定义输入数据
X = np.zeros((len(ImgList), 100, 100, 3))
# 定义输出数据
Y = np.zeros(len(ImgList))
for i in range(len(ImgList)):
    # 读取第一张图片，img有R、G、B(三色)三个通道
    img = Image.open(ImgPath + "\\" + ImgList[i])
    # 分离R、G、B通道
    sep = img.split()
    # R 通道
    R = np.array(sep[0])
    # 注意中心点
    row_1 = int(R.shape[0] / 2) - 50
    row_2 = int(R.shape[0] / 2) + 50
    con_1 = int(R.shape[1] / 2) - 50
    con_2 = int(R.shape[1] / 2) + 50
    R = R[row_1:row_2, con_1:con_2]
    # G 通道
    G = np.array(sep[1])
    G = G[row_1:row_2, con_1:con_2]
    # B 通道
    B = np.array(sep[2])
    B = B[row_1:row_2, con_1:con_2]
    # 获取R、G、B通道即可，并归一化
    X[i, :, :, 0] = R / 255
    X[i, :, :, 1] = G / 255
    X[i, :, :, 2] = B / 255
    # 构造输出数据，岩石类别编号
    S = ImgList[i]
    I = S.find('_', 0, len(S))
    if int(S[:I]) == 1:
        Y[i] = 0
    elif int(S[:I]) == 2:
        Y[i] = 1
    elif int(S[:I]) == 3:
        Y[i] = 2
    elif int(S[:I]) == 4:
        Y[i] = 3
    else:
        Y[i] = 4
# 对输入数据X和输出数据Y，按训练及80%，测试20%随机划分
x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size=0.2, random_state=4)
model = models.Sequential()
# 第一个卷积层，卷积神经元个数为32，卷积核大小为3×，默认可省略
model.add(layers.Conv2D(32, (3, 3), strides=(1, 1), activation='relu', input_shape=(100, 100, 3)))
# 第一个池化层，2×2池化，步长为2，默认可缺省
model.add(layers.MaxPooling2D((2, 2), strides=2))
# 第二个卷积层和池化层
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
# 第三个卷积层和池化层
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
# 第四个卷积层
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
# 展平
model.add(layers.Flatten())
# 全连接层
model.add(layers.Dense(64, activation='relu'))
# 输出层
model.add(layers.Dense(5, activation='softmax'))
# 模型优化器、损失函数和评估方法，采用adam优化器、分类交叉熵函数和预测准确率
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
# 我们设定对训练集的迭代训练次数
model.fit(x_train, y_train, epochs=TrainingTimes)
model.evaluate(x_test, y_test, verbose=2)
# 获得预测结果概率矩阵
yy = model.predict(x_test)
# 获得最终预测结果，取概率最大的类标签
y1 = np.argmax(yy, axis=1)
# 预测结果与实际结果相减
r = y1 - y_test
# 计算预测准确率
rv = len(r[r == 0]) / len(r)
print("预测准确率:", rv)