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

主講人：陳清華工件圖像智能分類任務(wù)實施【數(shù)據(jù)挖掘應(yīng)用】課程智能產(chǎn)線應(yīng)用會根據(jù)需要正確設(shè)計神經(jīng)網(wǎng)絡(luò)模型；會正確地切分數(shù)據(jù)集對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練；會根據(jù)結(jié)果調(diào)整神經(jīng)網(wǎng)絡(luò)參數(shù)實現(xiàn)優(yōu)化；會正確部署神經(jīng)網(wǎng)絡(luò)模型；會調(diào)用神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)智能分揀。能力目標(biāo)智能分揀模型的訓(xùn)練與部署主要內(nèi)容任務(wù)工單引導(dǎo)問題任務(wù)評價標(biāo)準(zhǔn)任務(wù)解決步驟代碼解析教學(xué)難點任務(wù)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(biāo)：實現(xiàn)更快、更準(zhǔn)的分揀指標(biāo)：識別準(zhǔn)確率和識別效率卷積神經(jīng)網(wǎng)絡(luò)教學(xué)難點任務(wù)工單

基于數(shù)據(jù)采集的樣本圖片進行視覺模型訓(xùn)練，可選擇、調(diào)用云端已提供的完整模型框架（基于TensorFlow），設(shè)計卷積神經(jīng)網(wǎng)絡(luò)進行模型訓(xùn)練。任務(wù)概述

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

任務(wù)描述：教學(xué)難點任務(wù)概述010010011001101010100100110110100101110101000100001011011101001010101101010011010010不合格品合格品圖像分類模型構(gòu)建圖像分類模型訓(xùn)練圖像分類模型優(yōu)化圖像分類模型應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)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(lǐng)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(luò)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(luò)？（3）卷積神經(jīng)網(wǎng)絡(luò)包含哪些層？分別有什么作用？關(guān)鍵參數(shù)有哪些？”

問題引導(dǎo)：任務(wù)概述

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

模型構(gòu)建2分會設(shè)計卷積模型得1分，模型正確構(gòu)建得1分

模型訓(xùn)練1分模型訓(xùn)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(xùn)練準(zhǔn)確率92%以上得1分，測試集準(zhǔn)確率90%以上得1分

3.任務(wù)總結(jié)依據(jù)任務(wù)實施情況總結(jié)結(jié)論1分總結(jié)內(nèi)容切中本任務(wù)的重點要點得1分

合計10分

任務(wù)解決方案（1）切分數(shù)據(jù)集準(zhǔn)備好模型訓(xùn)練所需的訓(xùn)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(shè)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(wù)解決方案（2）設(shè)計神經(jīng)網(wǎng)絡(luò)根據(jù)應(yīng)用場景和數(shù)據(jù)特征，設(shè)計卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。任務(wù)解決方案（2）設(shè)計神經(jīng)網(wǎng)絡(luò)使用Keras構(gòu)建

設(shè)計好的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)并進行訓(xùn)練。fromtensorflow.kerasimportlayersnum_classes=2#目標(biāo)分為兩類：合格品與不合格品model=tf.keras.Sequential([#根據(jù)需要調(diào)整模型結(jié)構(gòu)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(wù)解決方案（3）模型編譯根據(jù)應(yīng)用場景和數(shù)據(jù)特征，設(shè)置優(yōu)化器、損失函數(shù)、指標(biāo)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(wù)解決方案（4）模型訓(xùn)練利用準(zhǔn)備好的數(shù)據(jù)集，訓(xùn)練模型。訓(xùn)練過程中，要注意觀察模型的準(zhǔn)確率變化。model.fit(train_ds,validation_data=val_ds,batch_size=128,shuffle=True,epochs=35)任務(wù)解決方案（5）模型部署當(dāng)獲得較高的準(zhǔn)確率時，保存訓(xùn)練好的模型。需要在Web平臺的“任務(wù)管理”頁面中配置相應(yīng)的服務(wù)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(wù)解決方案（6）模型應(yīng)用修改圖像任務(wù)中的“服務(wù)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