基于BP神經網絡的雜草智能識別系統

項目介紹

本項目是一個基于PyQt5和BP神經網絡的雜草智能識別系統。系統通過圖像處理和神經網絡技術，
能夠識別8種不同的雜草類別。用戶可以通過上傳圖片，系統會自動識別圖片中的雜草類別，并顯示識別結果和置信度。
（訓練樣本集為800張，每類雜草各100張，訓練集與驗證集比例為8：2）

主要技術與框架

• QT圖形用戶界面：

  • PyQt5：用于構建圖形用戶界面，提供用戶友好的交互體驗。

• 神經網絡：

  • NumPy：用于數值計算和矩陣操作。

  • Scikit-learn：用于標簽編碼和數據處理。

• 圖像處理：

  • OpenCV：用于圖像讀取、調整大小和灰度處理。

• 其他工具：

  • CSV：用于保存識別結果。

  • Matplotlib：用于繪制訓練曲線。

主要功能

• 功能1：圖像上傳與顯示

  • 用戶可以通過點擊“上傳圖片”按鈕選擇本地圖片，系統會顯示原始圖片和灰度圖片。

• 功能2：雜草類別識別

  • 系統會自動識別上傳圖片中的雜草類別，并顯示識別結果和置信度。

• 功能3：類別標簽高亮

  • 系統會根據識別結果高亮對應的雜草類別標簽。

• 功能4：識別結果保存

  • 系統會將識別結果保存到CSV文件中，方便后續查看和分析。

• 功能5：模型訓練與測試

  • 系統支持通過訓練數據集訓練神經網絡模型，并測試模型的準確率。

環境說明

參考以下環境（已跑通），可按順序安裝庫的版本：

        Windows10及以上（操作系統）python 3.9.12PyQt5:  5.15.2numpy:  1.22.4cv2:  4.4.0sklearn:  1.0.2pandas:  1.4.2matplotlib:  3.5.1

目錄說明

基于BP神經網絡的雜草智能識別系統/
├── deepweeds/                            # 數據集文件夾
│   ├── images/                           # 圖像文件夾
│   ├── labels(800).csv                   # 標簽文件
│   └── 測試圖/                            # 測試圖像文件夾
├── models/                               # 模型存放文件夾
│   ├── weed_classifier_model.npz         # 訓練好的模型
├── resources/                            # 資源文件夾
│   ├── app_icon.ico                      # QT界面左上角標題圖標
├── results/                              # 結果文件夾
│   ├── loss_curves.png                   # 訓練損失曲線
│   ├── accuracy_curves.png               # 訓練準確率曲線
│   └── *_detection_results.csv           # 識別結果CSV文件
├── ui/                                   # 用戶界面文件
│   ├── interface.ui                      # Qt Designer設計的界面文件
├── acc_test_results.py                   # 模型測試腳本
├── main.py                               # 主程序（運行啟動系統）
├── train_bp_model.py                     # 模型訓練腳本
└── README.md                             # 項目說明文檔

運行說明

• 訓練模型：
  運行 train_bp_model.py 腳本，訓練神經網絡模型并保存到 models/weed_classifier_model.npz。

• 測試模型：
  運行 acc_test_results.py 腳本，測試模型在測試集上的準確率，并生成識別結果CSV文件，保存與results文件夾下。

• 啟動系統：
  運行 main.py 腳本，啟動雜草智能識別系統。用戶可以通過界面上傳圖片并查看識別結果。

• 右鍵運行 main.py 后，系統界面將彈出，用戶可以通過界面進行雜草識別操作。

效果圖

視頻演示