matlab辣椒识别

### 使用 MATLAB 进行辣椒图像识别的方法实例

对于图像识别任务，MATLAB 提供了一系列强大的工具箱来处理和分析图像。下面是一个基于卷积神经网络 (CNN) 的简单例子，用于训练模型以区分不同类型的辣椒。

#### 准备工作环境
首先安装必要的支持包并加载所需的数据集：

% 安装计算机视觉工具箱的支持包
if ~license('test', 'Computer_Vision_Toolbox')
    weblink('https://www.mathworks.com/matlabcentral/fileexchange/74981-deep-learning-toolbox-models-for-cnn');
end

#### 加载数据集
假设有一个包含多种类别辣椒图片的数据文件夹 `peppers_dataset` ，其中每种类别的子目录下存放着对应的样本图像。

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

#### 数据预处理
对原始图像进行标准化尺寸调整以及增强操作以便更好地适应后续学习过程。

augmentedImds = augmentedImageDatastore([227 227], imds);

这里将所有输入图像重置为固定大小 \(227 \times 227\) 像素，并应用随机变换如旋转和平移等增加多样性[^1]。

#### 构建 CNN 模型架构
定义一个简单的三层卷积层加全连接层结构作为分类器的基础框架。

layers = [
    imageInputLayer([227 227 3])
    
    convolution2dLayer(5, 20, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    
    maxPooling2dLayer(2,'Stride',2)
    
    fullyConnectedLayer(numel(categories(imds.Labels)))
    softmaxLayer
    classificationLayer];

此部分创建了一个小型的卷积神经网络，它接受彩色 (\(RGB\)) 图像作为输入，并通过一系列特征提取步骤最终输出预测标签的概率分布。

#### 训练选项设置
配置优化参数和其他超参数控制整个训练流程。

options = trainingOptions('sgdm', ...
                          'MiniBatchSize', 64,...
                          'MaxEpochs', 10,...
                          'InitialLearnRate', 1e-4,...
                          'Shuffle', 'every-epoch',...
                          'ValidationData', splitEachLabel(augmentedImds, 0.3),...
                          'Plots', 'training-progress',...
                          'Verbose', false);

上述代码片段设置了批量梯度下降法的学习率、最大迭代次数以及其他辅助功能，比如绘制损失曲线图帮助监控收敛情况。

#### 开始训练
调用 `trainNetwork()` 函数启动实际训练程序。

net = trainNetwork(augmentedImds, layers, options);

完成以上步骤之后就可以得到经过充分训练后的深度学习模型 net 来执行新的未知样品上的推断任务了。

#### 测试与评估性能
利用测试集中未见过的新颖样本来验证所构建系统的准确性。

YPred = classify(net, holdoutImages); % 对保留下来的独立测试集合做预测
accuracy = mean(YPred == holdoutLabels); % 计算准确率
disp(['Accuracy of the model is ', num2str(round(accuracy*100)), '%']);

这段脚本会计算出该模型在整个测试集上达到的整体精度百分比。