尽管食品工业包括各种类型的企业如农业、食品加工和营销等，目前对食品的评价仍旧由人工进行，现在人工评估的使用由训练有素的工人来进行。此外，人工评估是主观的，容易出现人为错误，其固有的成本过高。这就导致了利用 现有技术的重要性，这些技术不仅将提高效率，而且还将提高评价的质量。图像处理技术和模式识别为解决该问题提供了可能。深度学习技术被广泛应用于食品检测的自动化领域。
在这个项目中，我们创建了一个基于flask的应用程序来对上传的杏仁图像进行分类。首先，我们训练了卷积神经网络(CNN)并保存了模型参数，用于图像的结果预测。为了简单起见，最初为杏仁类型创建了正常和破损两种数据。
如上所述，这个项目是对杏仁分为两类，即正常的或破碎的，因此二元交叉熵将被用作损失函数。二值交叉熵是一种用于二值分类任务的损失函数。这些任务回答问题，只有两 个选择，给出是或否。
图1损失函数方程
当观察属于第1类时，公式的第一部分变得活跃，第二部分消失，反之亦然。
数据集展示
数据预处理：所有图像都被调整到宽度为150，高度为150。然后数据增强应用于所训练、测试和验证的数据集上，数据增强应用了翻转、缩放和旋转等操作。由于图像的RGB系数在0-255系数之间，这对模型来说是很高的，因此必须通过重新缩放1来调整0到1之间的目标值。
由于模型是对 (150,150,3) 的输入形状进行训练的，因此必须将上传的图像进行变换和调整大小，然后再使用自定义函数实现预测。
实现过程:使用Keras框架，创建的模型由2个卷积层组成，卷积的激活函数是ReLU激活函数，池化采样最大池化。此外，在卷积层的顶部还添加了一个完全连接层。
应用程序开发：训练好的模型被保存并加载到一个flask应用程序的后端。然后创建一个会话来使用该模型预测上传的图像,上传的图像将保存在SQLlite数据库中，并将预测结果文件保存在指定的文件中。当图像在后端被分类后，图像预测结果精度将被发送到一个前端网页，在那里结果将与预测结果一起显示。
完整代码联系：QQ525894654
结果如下：