使用matlab，利用CNN算法实现对蒲公英、玫瑰花、百合花、牵牛花的识别代码

以下是一个简单的基于CNN算法对花朵进行分类的matlab代码，可以根据需要进行修改和优化：

首先，需要准备好花朵的数据集，将不同种类的花朵图片分别放入对应的文件夹中，并将这些文件夹放在同一个父文件夹下，命名为“FlowerDataset”。使用ImageDatastore函数加载数据集。

imds = imageDatastore('FlowerDataset',...
    'IncludeSubfolders',true,...
    'LabelSource','foldernames');

然后，需要将数据集划分为训练集和测试集，一般选择70%的数据作为训练集，30%的数据作为测试集。使用splitEachLabel函数划分数据集。

[imdsTrain,imdsTest] = splitEachLabel(imds,0.7,'randomized');

使用augmentedImageDatastore函数进行数据增强，增加数据集的多样性，提高模型的鲁棒性。

imageSize = [224 224 3];
augmenter = imageDataAugmenter('RandRotation',[-30 30],...
    'RandXTranslation',[-3 3],'RandYTranslation',[-3 3]);
augimdsTrain = augmentedImageDatastore(imageSize,imdsTrain,...
    'DataAugmentation',augmenter);
augimdsTest = augmentedImageDatastore(imageSize,imdsTest);

选择一个预训练的网络作为基础模型，可以选择AlexNet、VGG16、ResNet等。使用trainNetwork函数进行训练，其中网络层数可以根据需要进行修改，例如在VGG16的基础上增加几层全连接层。

net = vgg16;
inputSize = net.Layers(1).InputSize;
layersTransfer = net.Layers(1:end-3);
numClasses = numel(categories(imdsTrain.Labels));
layers = [
    layersTransfer
    fullyConnectedLayer(numClasses,'WeightLearnRateFactor',20,'BiasLearnRateFactor',20)
    softmaxLayer
    classificationLayer];

options = trainingOptions('sgdm',...
    'MiniBatchSize',32,...
    'MaxEpochs',6,...
    'InitialLearnRate',1e-4,...
    'Shuffle','every-epoch',...
    'ValidationData',augimdsTest,...
    'ValidationFrequency',30,...
    'Verbose',false,...
    'Plots','training-progress');

netTransfer = trainNetwork(augimdsTrain,layers,options);

训练完成后，可以使用classify函数对测试集进行分类，并计算准确率。

YPred = classify(netTransfer,augimdsTest);
YTest = imdsTest.Labels;
accuracy = mean(YPred == YTest);
fprintf("Accuracy = %.2f%%\n",accuracy*100);

完整代码如下：

imds = imageDatastore('FlowerDataset',...
    'IncludeSubfolders',true,...
    'LabelSource','foldernames');

[imdsTrain,imdsTest] = splitEachLabel(imds,0.7,'randomized');

imageSize = [224 224 3];
augmenter = imageDataAugmenter('RandRotation',[-30 30],...
    'RandXTranslation',[-3 3],'RandYTranslation',[-3 3]);
augimdsTrain = augmentedImageDatastore(imageSize,imdsTrain,...
    'DataAugmentation',augmenter);
augimdsTest = augmentedImageDatastore(imageSize,imdsTest);

net = vgg16;
inputSize = net.Layers(1).InputSize;
layersTransfer = net.Layers(1:end-3);
numClasses = numel(categories(imdsTrain.Labels));
layers = [
    layersTransfer
    fullyConnectedLayer(numClasses,'WeightLearnRateFactor',20,'BiasLearnRateFactor',20)
    softmaxLayer
    classificationLayer];

options = trainingOptions('sgdm',...
    'MiniBatchSize',32,...
    'MaxEpochs',6,...
    'InitialLearnRate',1e-4,...
    'Shuffle','every-epoch',...
    'ValidationData',augimdsTest,...
    'ValidationFrequency',30,...
    'Verbose',false,...
    'Plots','training-progress');

netTransfer = trainNetwork(augimdsTrain,layers,options);

YPred = classify(netTransfer,augimdsTest);
YTest = imdsTest.Labels;
accuracy = mean(YPred == YTest);
fprintf("Accuracy = %.2f%%\n",accuracy*100);