改变训练图像训练神经网络

Question

我目前正试图制定一个程序来区分腐烂的橙子和可食用的橙子，仅仅根据它们的外观。为了做到这一点，我计划使用卷积神经网络来训练腐烂的橙子和普通的橙子。经过一些搜索，我只能找到一个大约一个数据库。150个腐烂的桔子和150个黑色背景的普通橙子(http://www.cofilab.com/downloads/)。显然，机器学习模型至少需要几千个桔子才能达到90 %以上的精度。但是，我能以某种方式改变这150个橙子以产生更多的橙子照片吗？我的意思是在柑橘类水果上添加不同颜色的橘子，使其变成“不同的橘子”。这会是训练神经网络的有效方法吗？

Answer 1

这是一个很好的方式来增加你的约会次数。你要做什么取决于你的数据。例如，如果您正在对从传感器获取的数据进行培训，则可能需要向培训数据中添加一些噪声，以便可以增加数据集。毕竟，你可以期待一些噪音来自传感器稍后。

假设您将在映像上对其进行培训，下面是一个非常好的github存储库，它提供了使用这些技术的方法。这个python库帮助您增强机器学习项目的映像。它将一组输入图像转换成一组新的、大得多的略有更改的图像集。链接：https://github.com/aleju/imgaug

功能：

• 大多数标准的增强技术可用。
• 技术可以应用于图像和图像上的关键点/地标。在实验开始时定义一次你的增强序列，然后多次应用它。
• 为每一个增强定义灵活的随机范围，例如“将每个图像旋转一个值在-45到45度之间”或“用从正态分布N(0，5.0)取样的值旋转每个图像”。
• 容易地将所有随机范围转换为确定性值，以完全相同的方式增加不同批次的图像(例如图像及其热图)。

​

​

Answer 2

数据增强是您正在寻找的。在你的情况下，你可以做不同的事情：

1. 应用过滤器得到稍微不同的图像，正如已经说过的，你可以使用高斯模糊。
2. 把橘子切成不同的背景。
3. 用不同的尺度因子对桔子进行刻度。
4. 旋转图像。
5. 创造出人造腐烂的橙子。
6. 混合前面提到的所有不同的组合。有了这种增强，你可以很容易地创造出上千种不同的橙子。

我用12.000张图像的数据集做了类似的事情，我可以创建630.000个样本。

Answer 3

这确实是增加数据集的一个好方法。例如，您可以将高斯模糊应用于图像。他们会变得模糊，但与原来不同。你也可以倒置图像。或者，在最后一种情况下，寻找新的图像并应用所引用的技术。