基于MobileNet花卉识别系统

项目简介

本项目是一个基于深度学习的102种花卉识别系统，采用MobileNet V2轻量级网络架构，支持图片、视频和摄像头实时识别。系统提供友好的图形界面，支持历史记录查询和数据导出功能。

数据集介绍

数据集基本信息

• 数据集名称: Oxford 102 Flowers Dataset
• 花卉种类: 102种
• 原始图片总数: 8,189张
• 数据集存储位置 : data/ 目录
• 图片命名格式 : image_XXXXX.jpg（5位数字编号，如 image_00001.jpg）
• 标签文件 : imagelabels.mat（包含每张图片对应的花卉类别标签）
• 花卉名称文件 : oxford_flower_102_name.csv（包含102种花卉的中文名称映射）

数据集文件结构

data/
├── image_00001.jpg
├── image_00002.jpg
├── ...
└── image_08189.jpg

oxford_flower_102_name.csv  # 花卉类别名称映射文件（Index, Name）
imagelabels.mat              # 图片标签文件（MATLAB格式）

数据增强

原始数据集包含8,189张图片，可通过数据增强技术进行扩充。支持以下18种数据增强技术：

1. 旋转增强：90°、180°、270°旋转，随机角度旋转（-15°~15°）
2. 翻转增强：水平翻转、垂直翻转
3. 亮度调整：亮度增强、亮度减弱
4. 对比度调整：对比度增强、对比度减弱
5. 饱和度调整：饱和度增强、饱和度减弱
6. 其他增强：锐化、模糊、裁剪缩放、噪声添加、颜色抖动

花卉类别

系统可识别102种花卉，完整的花卉类别列表存储在 oxford_flower_102_name.csv 文件中，包括：

• 粉报春花、硬叶袋兰、风铃草、香豌豆、英国金盏菊、卷丹、月光蓝、鹤望兰、乌头、蓝刺头
• 金鱼草、款冬、帝王海神花、矛蓟、黄鸢尾、金莲花、紫锥花、秘鲁百合、桔梗、巨型白海芋百合
• 火百合、针垫花、贝母花、红姜花、葡萄风信子、虞美人、威尔士亲王羽花、无茎龙胆、洋蓟、须苞石竹
• 康乃馨、园福禄考、黑种草、墨西哥紫菀、高山蓝刺头、红宝石唇卡特兰、海角花、大星芹、暹罗郁金香、圣诞玫瑰
• 巴氏雏菊、黄水仙、剑兰、一品红、深蓝菠菜罗、桂竹香、金盏菊、毛茛、大滨菊、普通蒲公英
• 矮牵牛、三色堇、报春花、向日葵、天竺葵、兰达夫主教、山桃草、老鹳草、橙色大丽花、粉黄大丽花
• 穗花姜黄、日本银莲花、黑心金光菊、银姬小蜡、花菱草、蓝目菊、春番红花、髯毛鸢尾、银莲花、树罂粟
• 勋章菊、杜鹃花、睡莲、玫瑰、曼陀罗、牵牛花、西番莲、荷花、蟾蜍百合、红掌
• 鸡蛋花、铁线莲、木槿、耧斗菜、沙漠玫瑰、树锦葵、木兰、仙客来、豆瓣菜、美人蕉
• 朱顶红、美国薄荷、球铁兰、毛地黄、三角梅、山茶花、锦葵、墨西哥矮牵牛、凤梨、天人菊
• 凌霄花、黑百合

（完整列表请参考 oxford_flower_102_name.csv 文件）

训练过程

模型架构

• 基础模型: MobileNet V2
• 预训练权重: ImageNet预训练权重
• 分类层: 102类全连接层

训练参数

• 优化器: Adam
• 初始学习率: 0.001
• 学习率调度: StepLR（每10个epoch衰减0.1倍）
• 损失函数: CrossEntropyLoss
• 批次大小: 32
• 训练轮数: 30 epochs
• 数据加载线程数: 4

数据预处理

训练集预处理:

• RandomResizedCrop(224)
• RandomHorizontalFlip()
• ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2, hue=0.1)
• 归一化：mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]

验证集预处理:

• Resize(256)
• CenterCrop(224)
• 归一化：mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]

训练结果

• 最佳验证准确率: 92.06%
• 最终训练准确率: 95.49%
• 最终验证准确率: 91.76%

可视化图表含义

1. 训练曲线图（training_curves.png）

包含两个子图：

• Loss曲线：展示训练集和验证集的损失值随epoch的变化趋势

  • 蓝色线：训练集损失（Train Loss）
  • 红色线：验证集损失（Val Loss）
  • 理想情况下，两条曲线应逐渐下降并趋于稳定

• Accuracy曲线：展示训练集和验证集的准确率随epoch的变化趋势

  • 蓝色线：训练集准确率（Train Acc）
  • 红色线：验证集准确率（Val Acc）
  • 理想情况下，两条曲线应逐渐上升并趋于稳定，且训练集准确率略高于验证集

2. 混淆矩阵（confusion_matrix.png）

• 归一化混淆矩阵：展示模型在各类别上的分类性能

  • 横轴：预测标签（Predicted Label）
  • 纵轴：真实标签（True Label）
  • 颜色深浅：表示分类正确的比例，颜色越深表示该类别分类效果越好
  • 对角线元素：表示正确分类的样本比例
  • 非对角线元素：表示误分类的情况

• 绝对数值混淆矩阵（confusion_matrix_absolute.png）：展示各类别的实际分类样本数量

3. 训练日志（training_log.txt）

记录每个epoch的详细训练信息：

• 训练损失和准确率
• 验证损失和准确率
• 当前学习率
• 模型保存信息

系统功能

1. 单张图像识别：上传单张花卉图像进行识别，显示识别结果、置信度、类别编号等详细信息
2. 视频识别：支持视频文件导入，逐帧识别花卉种类
3. 摄像头实时识别：通过摄像头实时采集图像并进行识别
4. 历史记录查询：自动保存所有识别记录，支持查看历史识别结果
5. 数据导出：识别结果可导出为CSV文件，方便后续分析
6. 花卉详细信息：展示识别花卉的详细信息和特征描述

项目技术栈

• 前端框架: PyQt6
• 深度学习框架: PyTorch
• 计算机视觉库: OpenCV、PIL
• 模型架构: torchvision.models（MobileNet V2）
• 数据处理: NumPy、SciPy
• 可视化: Matplotlib、Seaborn
• 其他工具: tqdm（进度条）、scikit-learn（评估指标）

系统运行流程

1. 启动系统：运行主程序，加载训练好的模型权重
2. 选择识别模式 ：
   • 图片识别：选择单张图片文件进行识别
   • 视频识别：选择视频文件，系统逐帧识别
   • 摄像头识别：打开摄像头，实时识别画面中的花卉
3. 查看识别结果：系统显示识别出的花卉名称、置信度、类别编号等信息
4. 查看历史记录：在历史记录页面查看所有识别记录，包括识别时间、来源、结果等
5. 导出数据：将识别结果导出为CSV文件，便于数据分析和统计

系统目录结构

flower_recognition/
├── main.py                     # 主程序入口，包含UI界面和识别功能
├── train.py                    # MobileNet V2模型训练脚本
├── train_densenet121.py        # DenseNet121模型训练脚本
├── augment_dataset.py          # 数据增强脚本
├── download_weights.py         # 预训练权重下载脚本
├── create_label_mapping.py     # 标签映射创建脚本
├── compare_models.py           # 模型对比脚本
├── history.json                # 历史记录数据文件
├── requirements_ui.txt         # 依赖包列表
├── oxford_flower_102_name.csv  # 花卉类别名称映射文件（102种花卉中文名称）
├── imagelabels.mat             # 图片标签文件（MATLAB格式）
├── checkpoint/                 # 预训练权重目录
│   └── mobilenet_v2-b0353104.pth
├── data/                       # 数据集目录（Oxford 102 Flowers Dataset）
│   ├── image_00001.jpg         # 图片文件（共8,189张）
│   ├── image_00002.jpg
│   ├── ...
│   └── image_08189.jpg
├── logs_mobilenetV2/           # MobileNet V2训练日志目录
│   ├── training_log.txt        # 训练日志文本
│   ├── training_curves.png     # 训练曲线图
│   ├── confusion_matrix.png    # 混淆矩阵图
│   ├── confusion_matrix_absolute.png  # 绝对数值混淆矩阵
│   ├── mobilenet_flowers102_best.pth  # 最佳模型权重
│   └── model_info.json         # 模型信息
└── logs_densenet121/           # DenseNet121训练日志目录
    ├── training_log.txt
    ├── training_curves.png
    ├── confusion_matrix.png
    ├── confusion_matrix_absolute.png
    ├── densenet121_flowers102_best.pth
    └── model_info.json

环境配置

依赖安装

pip install -r requirements_ui.txt

主要依赖包

• PyQt6
• torch
• torchvision
• opencv-python
• Pillow
• numpy
• scipy
• matplotlib
• seaborn
• scikit-learn
• tqdm

【交付内容】

完整源代码、训练脚本和可视化脚本、项目说明文档（README.md）、数据集配置文件示例、使用说明和安装指南

项目为个人原创，有需要定制功能（界面定制/模型定制/指标训练定制/文档/部署等）可按需求加，根据工作量和复杂度评估费用。

---