### Python 实现水果识别的代码及详细教程 以下内容涵盖了基于机器学习和深度学习两种方式实现水果识别的方法，并提供了详细的代码示例。 --- ### 方法一：基于 OpenCV 和传统机器学习的水果识别 这种方法利用颜色特征提取和分类器完成水果识别任务。具体流程如下： #### 1. 导入库并读取图像 ```python import cv2 import numpy as np from sklearn.model_selection import train_test_split from sklearn.svm import SVC from sklearn.metrics import accuracy_score ``` #### 2. 数据预处理 假设已有若干水果图片，每种水果存放在单独的文件夹中。使用 OpenCV 读取图片并提取 HSV 特征。 ```python def extract_features(image_paths): features = [] labels = [] for label, path in enumerate(image_paths): img = cv2.imread(path) hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) hist = cv2.calcHist([hsv], [0, 1], None, [180, 256], [0, 180, 0, 256]) hist = cv2.normalize(hist, hist).flatten() features.append(hist) labels.append(label) return np.array(features), np.array(labels) ``` #### 3. 构建 SVM 分类器 将数据分为训练集和测试集，并训练支持向量机 (SVM) 模型。 ```python X_train, X_test, y_train, y_test = train_test_split(features, labels, test_size=0.2, random_state=42) svm_classifier = SVC(kernel='linear', probability=True) svm_classifier.fit(X_train, y_train) predictions = svm_classifier.predict(X_test) print(f"Accuracy: {accuracy_score(y_test, predictions)}") ``` --- ### 方法二：基于 TensorFlow/Keras 的深度学习水果识别 该方法采用卷积神经网络 (CNN)，通过迁移学习提高效率。 #### 1. 导入库 ```python import tensorflow as tf from tensorflow.keras.preprocessing.image import ImageDataGenerator from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout ``` #### 2. 数据增强与生成器 创建 `ImageDataGenerator` 对象以加载和增强训练数据。 ```python train_datagen = ImageDataGenerator( rescale=1./255, shear_range=0.2, zoom_range=0.2, horizontal_flip=True, validation_split=0.2 ) train_generator = train_datagen.flow_from_directory( './fruits_dataset/', target_size=(100, 100), batch_size=32, class_mode='categorical', subset='training' ) validation_generator = train_datagen.flow_from_directory( './fruits_dataset/', target_size=(100, 100), batch_size=32, class_mode='categorical', subset='validation' ) ``` #### 3. 构建 CNN 模型 构建一个简单的卷积神经网络结构。 ```python model = Sequential([ Conv2D(32, (3, 3), activation='relu', input_shape=(100, 100, 3)), MaxPooling2D(pool_size=(2, 2)), Conv2D(64, (3, 3), activation='relu'), MaxPooling2D(pool_size=(2, 2)), Conv2D(128, (3, 3), activation='relu'), MaxPooling2D(pool_size=(2, 2)), Flatten(), Dense(512, activation='relu'), Dropout(0.5), Dense(len(train_generator.class_indices), activation='softmax') ]) model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) ``` #### 4. 训练模型 使用生成器拟合模型。 ```python history = model.fit( train_generator, epochs=20, validation_data=validation_generator ) ``` #### 5. 测试模型 加载一张新图片并预测其类别。 ```python img = tf.keras.utils.load_img('./Test/Apricot/test.jpg', target_size=(100, 100)) array_image = tf.keras.utils.img_to_array(img) / 255. input_arr = np.expand_dims(array_image, axis=0) predictions = model.predict(input_arr) predicted_class = list(train_generator.class_indices.keys())[np.argmax(predictions)] print(f"Predicted Class: {predicted_class}") ``` --- ### 方法三：基于 YOLOv5 的实时水果检测 YOLO 是一种高效的物体检测框架，特别适合实时应用场景。 #### 1. 安装依赖 ```bash pip install torch torchvision opencv-python-headless matplotlib git clone https://github.com/ultralytics/yolov5.git cd yolov5 pip install -r requirements.txt ``` #### 2. 准备数据 按照 YOLO 格式标注数据集，并编写 `data.yaml` 文件。 ```yaml train: ./datasets/train/images/ val: ./datasets/valid/images/ nc: 10 names: ['apple', 'banana', 'cherry', 'date', 'elderberry', 'fig', 'grape', 'honeydew', 'kiwi', 'lemon'] ``` #### 3. 训练模型 执行以下命令启动训练过程。 ```bash python train.py --img 640 --batch 16 --epochs 50 --data data.yaml --weights yolov5s.pt ``` #### 4. 推理代码 加载训练好的模型并对视频流进行实时检测。 ```python import cv2 from ultralytics import YOLO model = YOLO('runs/detect/train/weights/best.pt') cap = cv2.VideoCapture(0) while True: ret, frame = cap.read() if not ret: break results = model(frame)[0] annotated_frame = results.plot() cv2.imshow("Fruit Detection", annotated_frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() ``` --- ### 结论 上述三种方法分别代表了不同的技术路线。对于初学者来说，OpenCV 和传统机器学习可能更容易理解；而对于更复杂的应用场景，建议优先考虑深度学习解决方案[^1]。