一、项目简介
本系统基于MATLAB平台，利用卷积神经网络（CNN）与GUI界面，实现8种不同树叶种类的自动图像识别。训练模块中，系统通过imageDatastore自动加载dbx文件夹中的图像并按子文件夹命名标注标签，按8:2随机划分为训练集与测试集。自定义CNN网络输入层为227×227×3的RGB图像，包含4个卷积层（卷积核从3×3到5×5，通道数从32→16→16→32）、批归一化层、ReLU激活层及步长为2的最大池化层，最终经全连接层（输出8维）、Softmax层和分类层完成分类。采用SGDM优化器，训练25轮，小批量大小20，并实时绘制训练进度曲线。GUI模块基于GUIDE设计，支持JPG图像选取、模型载入、单张识别（结果弹窗显示）及测试集总体准确率评估，操作直观便捷，适用于植物学教学与智能农业等场景。
二、部分源码
function pushbutton1_Callback(hObject, eventdata, handles) % 选取图像
fn,pn,\~=uigetfile('*.jpg','请选择所要识别的图像');
I = imread(pn fn);
axes(handles.axes1);
imshow(I,\[\]);
title('所选图像');
handles.I = I;
guidata(gcbo,handles);
% --- Executes on button press in pushbutton2.
function pushbutton2_Callback(hObject, eventdata, handles) % 进行识别
load("CNNnet.mat");
y_pred = classify(CNNnet,handles.I);
% disp(y_pred);
set(handles.edit1,'string',y_pred);
result=strcat('树叶种类：',string(y_pred),'');
msgbox(result,'识别结果','warn')
function edit1_Callback(hObject, eventdata, handles)
% --- Executes during object creation, after setting all properties.
function edit1_CreateFcn(hObject, eventdata, handles)
if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
% --- Executes on button press in pushbutton3.
function pushbutton3_Callback(hObject, eventdata, handles) % 显示整个测试集的结果
allImages = imageDatastore('dbx', ...
'LabelSource' , 'foldernames' );% 图像加载为图像数据存储
% imageDatastore函数会根据文件夹名称自动标记图像
% 划分训练集(80%)和测试集(20%)
imgsTrain,imgsTest = splitEachLabel(allImages,0.8,'randomized');
load("CNNnet.mat");
y_pred = classify(CNNnet,imgsTest); % 使用训练好的网络测试
accuracy = mean(y_pred == imgsTest.Labels);% 计算准确率
set(handles.text2,'string','总体准确率: ',num2str(100\*accuracy),'%','FontSize',12);
function edit2_Callback(hObject, eventdata, handles)
% --- Executes during object creation, after setting all properties.
function edit2_CreateFcn(hObject, eventdata, handles)
dColor'), get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
% --- Executes during object creation, after setting all properties.
function text1_CreateFcn(hObject, eventdata, handles)
% --- Executes on button press in pushbutton4.
function pushbutton4_Callback(hObject, eventdata, handles)
load("CNNnet.mat");
msgbox('网络模型已加载！','提示')
三、运行结果
四、总结
系统测试集总体准确率达86.54%，表明自定义CNN能有效提取叶片的形状、纹理和颜色等关键特征，验证了深度学习在树叶分类中的可行性。GUI界面友好，用户无需编程即可完成识别全流程，兼具实用与教学价值。但系统仍存在不足：网络结构较浅（仅4层卷积），对姿态变化和复杂背景的泛化能力有限；仅支持JPG格式，未覆盖PNG等常用格式；未显示各类别准确率和混淆矩阵，难以定位易误判类别；训练过程缺乏数据增强，限制模型多样性适应能力。后续可通过迁移学习（如ResNet）、数据增强（旋转、缩放）、多格式支持及可视化分析进一步提升性能与鲁棒性。
五、代码获取
接matlab程序定制和论文设计，方向如下：
图像处理｜语音识别｜图像识别｜目标检测｜深度学习｜神经网络｜强化学习｜机器学习｜通信系统｜信号处理｜时频分析｜小波降噪｜路径规划｜优化算法｜智能算法｜数据处理｜数学建模｜文献复现｜算法复现｜模型复现等
程序包运行成功，零基础的可以远程帮你运行，赠送安装包。
作为初学者，遇见不会的问题是非常正常的事情，具体代码仿真可通过主页 私信博主。