基于BP神经网络的杂草智能识别系统
项目介绍
本项目是一个基于PyQt5和BP神经网络的杂草智能识别系统。系统通过图像处理和神经网络技术， 能够识别8种不同的杂草类别。用户可以通过上传图片，系统会自动识别图片中的杂草类别，并显示识别结果和置信度。 （训练样本集为800张，每类杂草各100张，训练集与验证集比例为8：2）
主要技术与框架
-
QT图形用户界面：
- PyQt5：用于构建图形用户界面，提供用户友好的交互体验。
-
神经网络：
-
NumPy：用于数值计算和矩阵操作。
-
Scikit-learn：用于标签编码和数据处理。
-
-
图像处理：
- OpenCV：用于图像读取、调整大小和灰度处理。
-
其他工具：
-
CSV：用于保存识别结果。
-
Matplotlib：用于绘制训练曲线。
-
主要功能
-
功能1：图像上传与显示
- 用户可以通过点击"上传图片"按钮选择本地图片，系统会显示原始图片和灰度图片。
-
功能2：杂草类别识别
- 系统会自动识别上传图片中的杂草类别，并显示识别结果和置信度。
-
功能3：类别标签高亮
- 系统会根据识别结果高亮对应的杂草类别标签。
-
功能4：识别结果保存
- 系统会将识别结果保存到CSV文件中，方便后续查看和分析。
-
功能5：模型训练与测试
- 系统支持通过训练数据集训练神经网络模型，并测试模型的准确率。
环境说明
参考以下环境（已跑通），可按顺序安装库的版本：
yaml
Windows10及以上（操作系统）
python 3.9.12
PyQt5: 5.15.2
numpy: 1.22.4
cv2: 4.4.0
sklearn: 1.0.2
pandas: 1.4.2
matplotlib: 3.5.1目录说明
commandline
基于BP神经网络的杂草智能识别系统/
├── deepweeds/ # 数据集文件夹
│ ├── images/ # 图像文件夹
│ ├── labels(800).csv # 标签文件
│ └── 测试图/ # 测试图像文件夹
├── models/ # 模型存放文件夹
│ ├── weed_classifier_model.npz # 训练好的模型
├── resources/ # 资源文件夹
│ ├── app_icon.ico # QT界面左上角标题图标
├── results/ # 结果文件夹
│ ├── loss_curves.png # 训练损失曲线
│ ├── accuracy_curves.png # 训练准确率曲线
│ └── *_detection_results.csv # 识别结果CSV文件
├── ui/ # 用户界面文件
│ ├── interface.ui # Qt Designer设计的界面文件
├── acc_test_results.py # 模型测试脚本
├── main.py # 主程序（运行启动系统）
├── train_bp_model.py # 模型训练脚本
└── README.md # 项目说明文档运行说明
-
训练模型： 运行 train_bp_model.py 脚本，训练神经网络模型并保存到 models/weed_classifier_model.npz。
-
测试模型： 运行 acc_test_results.py 脚本，测试模型在测试集上的准确率，并生成识别结果CSV文件，保存与results文件夹下。
-
启动系统： 运行 main.py 脚本，启动杂草智能识别系统。用户可以通过界面上传图片并查看识别结果。
-
右键运行 main.py 后，系统界面将弹出，用户可以通过界面进行杂草识别操作。
效果图
视频演示
video(video-Oa47LuC2-1743952162418)(type-bilibili)(url-[player.bilibili.com/player.html...](https://link.juejin.cn?target=https%3A%2F%2Fplayer.bilibili.com%2Fplayer.html%3Faid%3D114210361115605)(image-https%3A%2F%2Fi-blog.csdnimg.cn%2Fimg_convert%2Fae1040be8dc07b04c697063cc1677f45.jpeg)(title-%25E5%259F%25BA%25E4%25BA%258E%25E6%25B7%25B1%25E5%25BA%25A6%25E5%25AD%25A6%25E4%25B9%25A0PYQT%25E3%2580%2581BP%25E7%25A5%259E%25E7%25BB%258F%25E7%25BD%2591%25E7%25BB%259C%25E7%259A%2584%25E6%259D%2582%25E8%258D%2589%25E8%25AF%2586%25E5%2588%25AB%25E7%25B3%25BB%25E7%25BB%259F "https://player.bilibili.com/player.html?aid=114210361115605)(image-https://i-blog.csdnimg.cn/img_convert/ae1040be8dc07b04c697063cc1677f45.jpeg)(title-%E5%9F%BA%E4%BA%8E%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0PYQT%E3%80%81BP%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%9A%84%E6%9D%82%E8%8D%89%E8%AF%86%E5%88%AB%E7%B3%BB%E7%BB%9F"))
基于BP神经网络的杂草智能识别系统
项目介绍
本项目是一个基于PyQt5和BP神经网络的杂草智能识别系统。系统通过图像处理和神经网络技术， 能够识别8种不同的杂草类别。用户可以通过上传图片，系统会自动识别图片中的杂草类别，并显示识别结果和置信度。 （训练样本集为800张，每类杂草各100张，训练集与验证集比例为8：2）
主要技术与框架
-
QT图形用户界面：
- PyQt5：用于构建图形用户界面，提供用户友好的交互体验。
-
神经网络：
-
NumPy：用于数值计算和矩阵操作。
-
Scikit-learn：用于标签编码和数据处理。
-
-
图像处理：
- OpenCV：用于图像读取、调整大小和灰度处理。
-
其他工具：
-
CSV：用于保存识别结果。
-
Matplotlib：用于绘制训练曲线。
-
主要功能
-
功能1：图像上传与显示
- 用户可以通过点击"上传图片"按钮选择本地图片，系统会显示原始图片和灰度图片。
-
功能2：杂草类别识别
- 系统会自动识别上传图片中的杂草类别，并显示识别结果和置信度。
-
功能3：类别标签高亮
- 系统会根据识别结果高亮对应的杂草类别标签。
-
功能4：识别结果保存
- 系统会将识别结果保存到CSV文件中，方便后续查看和分析。
-
功能5：模型训练与测试
- 系统支持通过训练数据集训练神经网络模型，并测试模型的准确率。
环境说明
参考以下环境（已跑通），可按顺序安装库的版本：
yaml
Windows10及以上（操作系统）
python 3.9.12
PyQt5: 5.15.2
numpy: 1.22.4
cv2: 4.4.0
sklearn: 1.0.2
pandas: 1.4.2
matplotlib: 3.5.1目录说明
commandline
基于BP神经网络的杂草智能识别系统/
├── deepweeds/ # 数据集文件夹
│ ├── images/ # 图像文件夹
│ ├── labels(800).csv # 标签文件
│ └── 测试图/ # 测试图像文件夹
├── models/ # 模型存放文件夹
│ ├── weed_classifier_model.npz # 训练好的模型
├── resources/ # 资源文件夹
│ ├── app_icon.ico # QT界面左上角标题图标
├── results/ # 结果文件夹
│ ├── loss_curves.png # 训练损失曲线
│ ├── accuracy_curves.png # 训练准确率曲线
│ └── *_detection_results.csv # 识别结果CSV文件
├── ui/ # 用户界面文件
│ ├── interface.ui # Qt Designer设计的界面文件
├── acc_test_results.py # 模型测试脚本
├── main.py # 主程序（运行启动系统）
├── train_bp_model.py # 模型训练脚本
└── README.md # 项目说明文档运行说明
-
训练模型： 运行 train_bp_model.py 脚本，训练神经网络模型并保存到 models/weed_classifier_model.npz。
-
测试模型： 运行 acc_test_results.py 脚本，测试模型在测试集上的准确率，并生成识别结果CSV文件，保存与results文件夹下。
-
启动系统： 运行 main.py 脚本，启动杂草智能识别系统。用户可以通过界面上传图片并查看识别结果。
-
右键运行 main.py 后，系统界面将弹出，用户可以通过界面进行杂草识别操作。
效果图
