基于TensorFlow的卷积神经网络的岩石图像分类识别（简易实践案例）

题目简述

今有砾岩(Conglomerate)、安山岩(Andesite)、石灰岩(Limestone)、石英岩(Quartzite)和花岗岩(Granite)5种岩石图片，每张图片的大小不一。试建立卷积神经模型，利用训练数据集进行训练，并对测试集进行分类识别。
数据集 CSDN 下载.
如果资源失效可以再我的发布资源里找对应链接

个人项目运行环境

• PyCharm 2017.1
• Python 3.8.6
• numpy 1.19.5
• TensorFlow 2.5.0
• scikit-learn 0.24.2

导入模块

import os
import numpy as np
from PIL import Image
from tensorflow.keras import layers,models
from sklearn.model_selection import train_test_split

数据处理

这里我们构造卷积神经网络模型所需要的输入数据和输出数据，其中输入数据为所有彩图数据。我所展示的样例共有300张图片，统一取图像中心点100×100像素，共有R、G、B三个通道，并对每个通道像素值归一化，彩色图片有3个通道（也可以使用OpenCV的函数查看自己使用图片的通道数），故所有彩图数据可以用一个四维数组来存储，其形态为 (300,100,100,3)。记为X。输出数据为岩石类型，依次为砾岩、安山岩、石灰岩、石英岩和花岗岩（不确定顺序，我也不能分清具体岩石是哪个类，按照图片的类别来分不同岩石），类型编号为0、1、2、3、4，记为Y。代码如下:

# 数据处理
def DataDispose(X,Y,ImgList):
    for i in range(len(ImgList)):
        # 读取第一张图片，img有R、G、B(三色)三个通道
        img = Image.open(ImgPath + "\\" +ImgList[i])
        # 分离R、G、B通道
        sep = img.split()
        # R 通道
        R = np.array(sep[0])
        # 注意中心点
        row_1 = int(R.shape[0]/2) - 50
        row_2 = int(R.shape[0]/2) + 50
        con_1 = int(R.shape[1]/2) - 50
        con_2 = int(R.shape[1]/2) + 50
        R = R[row_1:row_2,con_1:con_2]
        # G 通道
        G = np.array(sep[1])
        G = G[row_1:row_2,con_1:con_2]
        # B 通道
        B = np.array(sep[2])
        B = B[row_1:row_2,con_1:con_2]
        # 获取R、G、B通道即可，并归一化
        X[i,:,:,0] = R/255
        X[i,:,:,1] = G/255
        X[i,:,:,2] = B/255
        # 构造输出数据，岩石类别编号
        S = ImgList[i]
        I = S.find('_',0,