- 综合排序
- 最热优先
- 最新优先
- 来自专栏Python项目
蔬菜识别系统Python+TensorFlow+Django网页界面+卷积网络算法+深度学习模型
一、介绍蔬菜识别系统，使用Python作为主要开发语言，基于深度学习TensorFlow框架，搭建卷积神经网络算法。并通过对数据集进行训练，最后得到一个识别精度较高的模型。 并基于Django框架，开发网页端操作平台，实现用户上传一张图片识别其名称。 在进行图像识别分类之前，我们需要准备训练数据。通常情况下，我们需要一个包含训练图像和对应标签的数据集。TensorFlow提供了一些便捷的工具来加载和处理图像数据。 在TensorFlow中，我们可以使用Keras API来构建图像识别分类模型。Keras提供了一系列方便易用的层和模型，可以帮助我们快速构建深度学习模型。 本文介绍了TensorFlow在图像识别分类中的应用，并通过相关代码进行了讲解。通过TensorFlow提供的工具和库，我们可以方便地构建、训练和评估图像识别分类模型。
81721编辑于 2023-07-13 - 来自专栏算法工程师的学习日志
车牌识别（2）-搭建车牌识别模型
上一期分享了模拟生成车牌的方法，今天分享一下搭建要给简单的车牌识别模型，模拟生成车牌的方法参看：车牌识别（1）-车牌数据集生成 生成的车牌如下图 准备数据集，图片放在path下面，同时把图片名称和图片的车牌号对应关系写入到 y_train是长度为7的列表，其中每个都是shape为(n, # )的ndarray，分别对应n张图片的第一个字符，第二个字符....第七个字符 因为车牌是固定长度，所以有个想法，就是既然我们知道识别七次 ，那就可以用七个模型按照顺序识别。 ，识别成功 chars = '' for arg in np.argmax(lic_pred, axis=1): # 取每行中概率值最大的arg,将其转为字符 Lic_pred.append(chars) # 将车牌和识别结果一并存入Lic_pred return Lic_pred
3.4K30编辑于 2022-07-27 - 来自专栏Node开发
NodeJS人脸识别(2)
上一篇介绍了NodeJS实现人脸识别中的人脸注册，搜索，检测功能。可以看到其实抛开用户量不说，其实任何想要实现的功能最终用NodeJS都是可以实现的。 今天我们来看下SDK文档关于人脸识别其他的接口，我们可以来看看整套人脸识别具体有什么功能，我们可以怎么在实际应用中去进行应用呢？ frr_1e-4：万分之一误识率的阈值；frr_1e-3：千分之一误识率的阈值；frr_1e-2：百分之一误识率的阈值。 ；质量检测：返回模糊、光照等质量检测信息，用于辅助判断图片是否符合识别要求； ? 我们先看下测试结果： ? 到这里其实SDK关于人脸识别的所有接口都介绍完毕了。其实还有几个接口，必须账户进行企业实名认证才有权限调用，在这里我就不介绍了。本篇内容到这里差不多结束了。
2.4K40发布于 2019-06-03 - 来自专栏Node开发
图片文字识别(2)
上篇文章主要对百度AI文字识别接口最基础的通用文字以及手写文字图片进行了接入识别，本篇文章我们来接着看几个实用性比较强的文字识别接口。百度AI接口对接挺容易的，签名加密都没有涉及到。 2.如果图片需要进行保存，可以前端将图片转化为binary格式，后端先将图 片上传到服务器或者直接传到对象存储oss，然后获得图片路径，使用现 在的方法加载缓冲数据，进行BASE64编码最后调用接口解析图片文字信息 首先我们先来看看第一个实用性接口：银行卡照片识别。 银行卡照片识别 这个接口的用处看接口名就可以知道了：识别银行卡并返回卡号、有效期、发卡行和卡片类型。首先我们先看看文档对于接口的具体说明： ? 营业执照识别 顾名思义这个接口就是识别营业执照的照片：可以识别营业执照，并返回关键字段的值，包括单位名称、类型、法人、地址、有效期、证件编号、社会信用代码等。首先一样直接贴下文档请求参数的说明： ? 但是我这里就不准备一一介绍了，有兴趣可以自行查看百度AI文字识别文档： https://ai.baidu.com/docs#/OCR-API/87932804 其实业务开发过程如果适当的引入人脸识别，文字识别等
54.4K30发布于 2019-07-01 - 来自专栏自然语言处理
实体识别(2) -命名实体识别实践CRF
线性链条件随机场可以用于序列标注等问题，需要解决的命名实体识别(NER)任务正好可通过序列标注方法解决。 训练时，利用训练数据 集通过极大似然估计或正则化的极大似然估计得到条件概率模型p(Y|X)； 预测时，对于给定的输入序列x，求出条件概率p(y|x)最大的输出序列y 利用线性链CRF来做实体识别的时候， 该库兼容sklearn的算法，因此可以结合sklearn库的算法设计实体识别系统。sklearn-crfsuite不仅提供了条件随机场的训练和预测方法还提供了评测方法。 sorted_labels, digits=3 )) 参考资料 参考资料 条件随机场CRF及CRF++安装与使用 https://www.biaodianfu.com/crf.html 使用CRF++实现命名实体识别 (NER) https://www.cnblogs.com/jclian91/p/10795413.html 利用crf++进行实体识别 https://www.jianshu.com/p/f5868fdd96d2
2K20编辑于 2022-03-30 - 来自专栏生信修炼手册
mirdeep2识别novel miRNA
得益于NGS测序技术和生物信息学的发展，我们可以通过NGS测序数据识别新的miRNA，大大加快了miRNA的研究进程。 mirdeep2这个软件不仅可以对miRNA进行定量，也可以用于识别新的miRNA, 只需要有small RNA文库的测序reads和参考基因组的序列即可，步骤如下 1. 2. 根据reads和基因组比对的结果，预测novel miRNA 基本用法如下 miRDeep2.pl reads.fa genome_fasta reads_vs_genome.arf 软件的操作相当简单 ，代码如下 miRDeep2_core_algorithm.pl dir_tmp/signature.arf dir_tmp/precursors.str -v -50 -l longest_id 执行
1.7K31发布于 2020-05-08 - 来自专栏风口上的猪的文章
机器学习（2） - KNN识别MNIST
} } Console.WriteLine("准确率: " + accuracy); 对KNN的改进 本文只是对KNN识别 大家可以试着将算法进行改进，例如取K=2或者其他数，或者计算L2距离等。L2距离的结果比L1好一些，可以达到93-94%的正确率。
73520发布于 2018-09-14 - 来自专栏四楼没电梯
java验证码识别--2
java验证码识别--1 http://blog.csdn.net/problc/article/details/5794460 java验证码识别--2 http://blog.csdn.net/problc /article/details/5797507 java验证码识别--3 http://blog.csdn.net/problc/article/details/5800093 java验证码识别-- /details/5983276 (本文仅用于学习研究图像匹配识别原理，不得用于其他用途。) 识别 因为固定大小，识别跟 验证码识别--1 里面一样，像素比较就可以了。 识别结果如下，识别率100%： 源码： public class ImagePreProcess2 { private static Map<BufferedImage, String> trainMap
37710编辑于 2024-10-12 - 来自专栏Python编程 pyqt matplotlib
基于VGG16迁移学习给蔬菜水果分类
人类并不是通过从头分析成千上万个相似的图像来识别新的图形。 VGG16模型是在ImageNet竞赛中获得成功的最早的算法之一，它比较简单，本篇用它来介绍迁移学习和用来训练我们的蔬菜水果图像分类器。 它所有的算法参数都是调整好的，可以识别1000个类别。 1, 1), padding=(1, 1)) (3): ReLU(inplace=True) (4): MaxPool2d(kernel_size=2, stride=2, padding =(1, 1)) (8): ReLU(inplace=True) (9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation= 当然，最后一层的out_features 得由1000改为36，因为我们的蔬菜水果数据集仅含有36个类别。
1.4K10编辑于 2022-06-07 - 来自专栏生信修炼手册
使用CIRCexplorer2识别环状RNA
CIRCexplorer是一款环状RNA预测软件，专门用于预测exonic circRNA，网址如下 https://github.com/YangLab/CIRCexplorer2 环状RNA的识别包含了序列比对和环状 在v1版本中只支持tophat-fusion和STAR两款软件进行序列比对来识别junction reads,在v2版本中，扩展到了以下5种软件 Tophat-Fusion STAR BWA MapSplice bzip2-devel python2 python2-pip python-devel xz xz-devel unzip which ncurses-devel ncurses # CIRCexplorer2 用于将序列比对到参考基因组上;Parse用于从比对结果中挑选junction reads;Annotate用于预测环状RNA;Assemble用于组装环状RNA的转录本序列；Denovo根据序列组装结果，识别新的环状 . annotation 这一步就是根据已知的线性转录本信息，识别环状RNA，所以需要提供参考基因组对应的注释文件，官方也提供了脚本来帮助我们下载，用法如下 fetch_ucsc.py hg19 ref
1.4K20发布于 2019-12-19 - 来自专栏杨熹的专栏
TensorFlow -2: 用 CNN 识别数字
本文结构： CNN 建立模型 code 昨天只是用了简单的 softmax 做数字识别，准确率为 92%，这个太低了，今天用 CNN 来提高一下准确率。 ='SAME') # 定义 pooling 图层 def max_pool_2x2(x): # stride [1, x_movement, y_movement, 1] # 用pooling对付跨步大丢失信息问题 return tf.nn.max_pool(x, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME' = bias_variable([64]) # 构建第二个convolutional层 h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2) # output size 14x14x64 # 经过pooling后，长宽缩小为7x7 h_pool2 = max_pool_2x2(h_conv2)
2.8K01发布于 2017-07-31 - 来自专栏【Educoder实训】头歌实践教学平台
【CSS——页面布局】新鲜的蔬菜（蓝桥杯真题-2439）【合集】
背景介绍 厨房里新到一批蔬菜，被凌乱地堆放在一起，现在我们给蔬菜分下类，把相同的蔬菜放到同一个菜板上，拿给厨师烹饪美味佳肴吧。 2; } #box2 .item:nth-child(2){ grid-area: 3/3; } #box3 .item:nth-child(2){ grid-area:2/2; } #box3 edge" /> <meta name="viewport" content="width=device-width, initial-scale=1.0" /> <title>新鲜的蔬菜 每个 box 元素内包含若干个 元素，每个 item 元素中又包含一个
标签，用于显示蔬菜图标。 在这个过程中，会识别出
作为整体容器，以及内部的三个元素和它们包含的 及 <99100编辑于 2025-03-07来自专栏机器学习/数据可视化神策大数据2-用户识别
神策大数据2-如何正确标识用户 神策分析使用神策ID，即events表中的user_id和users表中的id，来对每个产品的用户进行标识，即神策ID等价于这两个用户名 神策ID是基于distinct_id 方案2-关联设备ID和登陆ID（一对一，神策默认方式） 大部分情况下，一个用户一台设备，因此一个用户只会有一个设备ID和一个登录ID 适用场景 满足如下条件，建议考虑ID关联： 需要贯通用户在一个设备上的注册前后行为 直接使用 BatchImporter / LogAgent / FormatImporter 等工具进行导入 案例 X：设备ID A：登陆ID（会和X产生关联） B：X和A已经关联，神策分配用户ID 2 来识别新用户，将登录ID B同时写入users.first_id 、users.second_id 1、2：神策ID B与X关联失败，因为X和A已经关联；所以重新分配了一个神策ID（2） 当用户更换设备为 局限性 一个设备ID只能和一个登陆ID关联，实际上一台设备很可能有多个用户使用 一个设备ID和一个登录ID一旦关联，就不能解除（自动解除），实际上设备ID和登录ID应该是动态关联更合理 实施 实施同方案2，
1.8K10发布于 2021-03-01来自专栏杨熹的专栏TensorFlow-2: 用 CNN 识别数字
---- 本文结构： CNN 建立模型 code ---- 昨天只是用了简单的 softmax 做数字识别，准确率为 92%，这个太低了，今天用 CNN 来提高一下准确率。 ='SAME') # 定义 pooling 图层 def max_pool_2x2(x): # stride [1, x_movement, y_movement, 1] # 用pooling对付跨步大丢失信息问题 return tf.nn.max_pool(x, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME') = bias_variable([64]) # 构建第二个convolutional层 h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2) # output size 14x14x64 # 经过pooling后，长宽缩小为7x7 h_pool2 = max_pool_2x2(h_conv2)
67250发布于 2018-04-03来自专栏嵌入式项目开发基于STM32的蔬菜大棚温湿度智能控制系统设计
一、前言 随着人们对健康和可持续生活方式的关注不断增加，蔬菜大棚成为了现代农业中的重要组成部分。蔬菜大棚提供了一个受控的环境，使得农民能够在任何季节种植蔬菜，并根据需要进行调节。 为了实现最佳的蔬菜生长和产量，对温度和湿度等环境条件的精确控制至关重要。 传统的蔬菜大棚管理通常依赖于人工监测和调节。 这种方法存在一些问题，例如人工监测容易出现误差和延迟，而且对于大规模的蔬菜大棚来说，人工调节工作量巨大。所以开发一种基于智能控制系统的蔬菜大棚温湿度管理方案变得非常重要。 项目的目标是提高蔬菜大棚的生产效率和质量，降低能源消耗，并减少人力投入。通过智能控制系统的应用，农民能够实现更加可持续和高效的农业生产，为社会提供更多健康的蔬菜产品。 蔬菜大棚温湿度智能控制系统利用STM32微控制器和各种传感器实现了对环境参数的监测和控制，提高了蔬菜大棚的自动化程度和生产效率。
2.6K51编辑于 2023-09-27水果蔬菜检测数据集VOC+YOLO格式9637张94类别
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)
66020编辑于 2025-07-17来自专栏菠萝上市没有使用CV2 识别CheckBox勾选符号
安装cv2 pip install opencv-python 选择匹配模板 temp.png 图片 3. 使用cv2匹配 import cv2 import numpy as np from matplotlib import pyplot as plt # 待匹配 img = cv2.imread('1 .png', 0) # 匹配模板 template = cv2.imread('temp.png', 0) h, w = template.shape res = cv2.matchTemplate = (33, 33, 0) thickness = 2 for pt in zip(*loc[::-1]): cv2.rectangle(img, pt, (pt[0] + w, pt[1] + h), color, thickness) cv2.imshow('thresh', img) cv2.waitKey()
1.3K30编辑于 2023-03-17验证码识别服务2Captcha框架
2Captcha是一个自动验证码识别服务，主要用于解决各种互联网服务中的验证码问题。在许多网站注册账户或进行敏感操作时，为了验证用户是真实的而不是自动化程序，会出现验证码。 这些打码员是人工操作，而不是机器，他们能够快速有效地识别验证码，确保客户能够顺利通过验证码验证，继续使用所需的功能。 同时，打码员作为核心资源，确保了验证码的高准确性和实时性，使得2Captcha成为一个可信赖的自动验证码识别服务。图片什么是2Captcha框架？ 2Captcha 是一种验证码识别服务，可以实时解决验证码（以区分计算机和人类）。它还提供由人类智能驱动的图像识别服务。2captcha可以识别不同类型的验证码，其API可用于大多数编程语言。 2.第二步，我们需要安装两个库，安装axios和2captcha的库。axios用于处理所有API调用，2captcha 用于解决验证码。
1.8K40编辑于 2023-07-22来自专栏编程百度指数之图像数字识别（2）
上次发了篇运用selenium自动截取百度指数并识别的文章，点这里《抓取百度指数引发的图像数字识别》，其实感觉也是有些投机取巧的意思在里面，而且正如大家所知，用selenium比较吃内存，而且因为要渲染网页 ，那么我们看下这个文件： 这里同样需要res、res2，头疼！！！ 各位观众老爷，我对不住你们，我翻看了网页上很多js脚本，没能破解出这个res、res2，这里先当我欠你们的，以后一定还，好不好。 这里随便找张图片看看： 裁剪 拼接 最后一部分就是图像识别了，和之前一样，我们还是使用pytesseract识别。 我们先把图像放大2倍，再识别，并对识别结果容易发生错误的部分进行了修正，一起来看看最后的结果图吧。
1.9K60发布于 2018-01-12来自专栏AIUAICaffe2 - (九)MNIST 手写字体识别
Caffe2 - MNIST 手写字体识别 LeNet - CNN 网络训练; 采用 ReLUs 激活函数代替 Sigmoid. model helper import matplotlib.pyplot # 可以将 --caffe2_log_level=0 变为 --caffe2_log_level=-1 core.GlobalInit(['caffe2', '--caffe2_log_level=0 Caffe2 提供了 LevelDB 数据集的工具 - make_mnist_db，caffe2/build/caffe2/binaries 或 /usr/local/bin/make_mnist_db stride=2) # Image size: 12 x 12 -> 8 x 8 conv2 = brew.conv(model, pool1, 'conv2', dim_in=20, dim_out=50, kernel=5) # Image size: 8 x 8 -> 4 x 4 pool2 = brew.max_pool(model, conv2, 'pool2
3.2K50发布于 2019-02-18
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号