Microbial-identification

前言

Graduation project

本人博客：https://paniford.com/2020/05/09/%E5%9F%BA%E4%BA%8ESSD%E7%9B%AE%E6%A0%87%E6%A3%80%E6%B5%8B%E7%BD%91%E7%BB%9C%E7%9A%84%E6%A0%91%E8%8E%93%E6%B4%BE%E6%8E%A7%E5%88%B6%E7%B3%BB%E7%BB%9F%EF%BC%88%E4%B8%80%EF%BC%89/#more

本项目主要使用arduino+Raspberry Pi 3B+deep learning（SSD网络）+python3 实现微生物图像识别。

项目结构

使用框架及工具包：

• python 3.7.3 （64bit 一定要64位，不然无法安装pytorch）
• torch==1.4.0
• PyQt5==5.14.2
• numpy==1.18.1
• distributed==2.1.0
• Pillow==7.1.2
• opencv_python==4.2.0.32
• pyserial==3.4 (arduino通信)
• matplotlib==3.1.3
• labalimg

使用说明

运行

• 安装环境

在项目目录下安装所需包（首先需要有python3）

pip install -r requirements.txt

安装wheel

pip install wheel

安装 pytorch

pip install torch==1.4.0+cpu torchvision==0.5.0+cpu -f https://download.pytorch.org/whl/torch_stable.html

• 打开cmd 进入项目目录 运行主程序Microbial-identification\src\run.py

python3 run.py

准备条件

1）补充 model_data 目录下的迁移模型，具体看文件夹内 Readme

2）准备数据集并放置与 VOCdevkit/VOC2007/JPEGImages 文件夹下

3） 使用labimg生成与VOCdevkit/VOC2007/JPEGImages内图片对应的标签文件并存放于VOCdevkit/VOC2007/Annotations内

4） 启动run.py 在模型训练页面设置参数以及标签名称，一定要与标签文件内标注名称对应，多个标签空格隔开

5）训练完成后在output中产生的模型可以用于预测

注意事项

• 网络层报错检查类别文件，输入参数一定要和类别文件neural_network/model_data/voc_classes.txt中类别一一对应
• 项目删除目前无法使用cuda加速(虽然中间一部分加速的代码没有删除)，因为我的AMD不YES了，如果有机会换intel的显卡我回考虑一下改代码，博主原版代码中也是有cuda加速部分，可以参考增加

目前进展

• 使用PyQt5进行了外观初步构建,由arduino控制界面，模型训练界面，图片预测界面构成

• 目前已实现功能主要分为三大部分

  • 摄像头控制部分

    • 检测并连接摄像头

  • arduino通讯检测及步进电机控制

    • opencv拉普拉斯算子计算清晰度

  

  • 模型训练部分
    • SSD目标检测网络
      • 参数更改
      • 网络中间层参数数量信息打印
    • 数据集校验，生成索引文件
    • 多线程开始/中止训练

  

  • 模型预测部分
    • 选择训练完成模型进行预测标注
    • 结果打印

  

  

• 目前可以进行模型的参数设定，训练以及识别，权重模型和数据集需要下载，详情看文件内Readme