tensorflow & 基于opencv的焊件缺陷检测

前言

因为学习python的opencv刚好接触了tensorflow，学一下顺便记录一下

网络架构构建

整体架构

区别于pytorch框架，tensorflow好像没有forward函数，因此每一层的连接靠的是上一次函数输出作为输入，同时其应该要再模型函数开始时定义input和结束时定义model

开始时定义input：

 inputs = tf.keras.layers.Input(shape=(h,w,3))
1

结束时定义model并返回：

 model = tf.keras.models.Model(inputs=inputs, outputs=conv7)

    return model

1
2
3
4

卷积层函数

tf.keras.layers.Conv2D()

tf.keras.layers.Conv2D(
    filters,
    kernel_size,
    strides=(1, 1),
    padding='valid',
    data_format=None,
    dilation_rate=(1, 1),
    groups=1,
    activation=None,
    use_bias=True,
    kernel_initializer='glorot_uniform',
    bias_initializer='zeros',
    kernel_regularizer=None,
    bias_regularizer=None,
    activity_regularizer=None,
    kernel_constraint=None,
    bias_constraint=None,
    **kwargs
)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

其实和pytorch还是很相似的，但是一些比较只管的区别就是
①pytorch的输入在传入参数中，和其它参数写在一块，但是在tensorflow中独立了出来

 conv1 = tf.keras.layers.Conv2D(16,(3,3),activation='relu',padding='same')(inputs)
1

②pytorch的输出用的是output channels，tensorflow感觉有点像是kernel_size出来的

最大池化

tf.keras.layers.MaxPool2D

tf.keras.layers.MaxPool2D(
    pool_size=(2, 2),
    strides=None,
    padding='valid',
    data_format=None,
    **kwargs
)
1
2
3
4
5
6
7

上采样

tf.keras.layers.UpSampling2D(
    size=(2, 2), data_format=None, interpolation='nearest', **kwargs
)
1
2
3

优化器，loss FN & 训练

在opencv中使用了compile为模型配置了optimizer，loss，metrics

model.compile(optimizer='adam', loss='binary_crossentropy',metrics=['accuracy'])
1

训练

model.fit(images,labels,epochs=100,batch_size=10)
1

以上代码基于焊件缺陷检测

np.reshape
这一步操作估计是函数predict的input有shape上的要求