修改最简说明文档

README.md

@@ -81,7 +81,7 @@
    //返回此图片的分类ID
    int an = operation.toSee(a);
 ```
-### 单物体图像识别服务启动初始化API 说明:
+### 物体图像识别服务启动初始化API 说明:
 ``` java
  //创建一个静态单例配置模板类
  static TempleConfig templeConfig = new TempleConfig();
@@ -98,9 +98,9 @@
 ``` java
         //创建模板读取类
         TemplateReader templateReader = new TemplateReader();
-        //读取语言模版，第一个参数是模版地址，第二个参数是编码方式，第三个参数是是否是WIN系统
+        //读取语言模版，第一个参数是模版地址，第二个参数是文本编码方式
         //同时也是学习过程
-        templateReader.read("/Users/lidapeng/Desktop/myDocment/a1.txt", "UTF-8", IOConst.NOT_WIN);
+        templateReader.read("/Users/lidapeng/Desktop/myDocment/a1.txt", "UTF-8");
         //学习结束获取模型参数
         //WordModel wordModel = WordTemple.get().getModel();
         //不用学习注入模型参数
@@ -155,10 +155,100 @@
         //插入特征数据，森林对该数据的最终分类结果进行判断
         randomForest.forest(Object objcet);
 ```
+### 如何提升精准度
+*  将模板类设置为不忽略精度
+``` java
+ TempleConfig templeConfig = new TempleConfig(false, true);
+```
+>使用TempleConfig()有参构造，第一个参数目前依然固定传false(因为有功能还没完成)，第二个参数是一个布尔值是否忽略精度。  
+众所周知JAVA计算浮点是有精度损失的，如果选择true则使用大数计算类即无精度损失（默认为FALSE），但是这是以速度变慢十倍以上为代价的。  
+忽略精度和使用精度准确度上差距，平均在5-6个百分点之间，所以用户按照自己的需求来判断是否使用精度计算。
+>>优点：准确度提升5-6个百分点，配合DNN分类器可达99%以上的准确率
+>>>缺点：运算速度变慢十倍以上，从百毫秒变为一至两秒
+* 根据业务情景选择使用分类器
+``` java
+ TempleConfig templeConfig = new TempleConfig(false, true);
+ templeConfig.setClassifier(Classifier.DNN);
+```
+>在TempleConfig类调用init()方法前选择使用的分类器setClassifier()
+``` java
+public class Classifier {//分类器
+    public static final int LVQ = 1;//LVQ分类
+    public static final int DNN = 2; //使用DNN分类
+    public static final int VAvg = 3;//使用特征向量均值分类
+}
+```
+>目前easyAi提供三种分类器,即用户选择一种参数设置进配置模板类 
+>> 这三种分类器的特点
+>> 1. LVQ:若用户训练图片量较少，比如一个种类只有一两百张图片，则使用此分类器达到当前条件下最大识别成功率
+>> 2. VAvg:若用户训练图片较少，同时分类数量也很少，比如只训练两三种物体识别，则VAvg达到当前最大识别成功率
+>> 3. DNN:若用户训练图片较多，每种分类1500张训练图片，则使用此分类器，准确率98%+。
+>> 4. 若不设置分类器，则框架默认使用VAvg分类器
+>>>使用DNN的话，API略有区别
+``` java
+ //创建图片解析类
+ Picture picture = new Picture();
+ //创建一个静态单例配置模板
+ static TempleConfig templeConfig = new TempleConfig();
+ //第三个参数和第四个参数分别是训练图片的宽和高，为保证训练的稳定性请保证训练图片大小的一致性
+ templeConfig.init(StudyPattern.Accuracy_Pattern, true, 640, 640, 2);
+ //将配置模板类作为构造塞入计算类
+ Operation operation = new Operation(templeConfig);
+ //一阶段 循环读取不同的图片
+ for (int i = 1; i < 1900; i++) {
+ //读取本地URL地址图片,并转化成矩阵
+ Matrix a = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/picture/a" + i + ".jpg");
+ Matrix c = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/picture/c" + i + ".jpg");
+ //矩阵塞入运算类进行学习，第一个参数是图片矩阵，第二个参数是图片分类标注ID，第三个参数是第一次学习固定false
+ operation.learning(a, 1, false);
+ operation.learning(c, 2, false);
+ }
+ for (int i = 1; i < 1900; i++) {
+ Matrix a = picture.getImageMatrixByLocal("D:\\share\\picture/a" + i + ".jpg");
+ Matrix c = picture.getImageMatrixByLocal("D:\\share\\picture/c" + i + ".jpg");
+ operation.normalization(a, templeConfig.getConvolutionNerveManager());
+ operation.normalization(c, templeConfig.getConvolutionNerveManager());
+ }
+ templeConfig.getNormalization().avg();
+ for (int i = 1; i < 1900; i++) {
+ //读取本地URL地址图片,并转化成矩阵
+ Matrix a = picture.getImageMatrixByLocal("D:\\share\\picture/a" + i + ".jpg");
+ Matrix c = picture.getImageMatrixByLocal("D:\\share\\picture/c" + i + ".jpg");
+ //将图像矩阵和标注加入进行学习，Accuracy_Pattern 模式 进行第二次学习
+ //第二次学习的时候，第三个参数必须是 true
+ operation.learning(a, 1, true);
+ operation.learning(c, 2, true);
+ }
+```
+>大家可以看到如果使用DNN,在一阶段学习和二阶段学习之间多了一段代码即：
+``` java
+for (int i = 1; i < 1900; i++) {
+ Matrix a = picture.getImageMatrixByLocal("D:\\share\\picture/a" + i + ".jpg");
+ Matrix c = picture.getImageMatrixByLocal("D:\\share\\picture/c" + i + ".jpg");
+ operation.normalization(a, templeConfig.getConvolutionNerveManager());
+ operation.normalization(c, templeConfig.getConvolutionNerveManager());
+ }
+ templeConfig.getNormalization().avg();
+```
+* 增加DNN神经网络深度
+``` java
+templeConfig.setDeep(int deep);
+```
+>若不设置默认深度为2，设置的深度越深则意味着准确率也越高，但同时也意味着你需要更多的训练图片去训练  
+>增加一层深度，训练图片的数量至少乘以3，否则准确度不仅不会增加，反而会下降
+>>优点：更深的深度准确率可以无限接近100%，我们只要训练量足够大，我们就可以更深，越深越无敌
+>>>缺点：增加深度意味着成几何倍数提升的训练量，同时也意味着过拟合的风险
+### 什么样的图片会严重影响准确率
+* 训练图片或者识别图片有，比较大片的遮盖，暗光，阴影，或者使图片模糊的情况，识别和训练都会有严重的干扰
+* 训练图片要求会比较高，要求若物体无背景则扣干净，有背景的话使用统一背景不要变动，不要一个训练一个物体有很多种背景
+* 训练物体图片若有背景最好垫张白纸，纯白和纯色的背景干扰度最小，纯白最优
+* 识别图片的拍摄设备最好有补光灯，不要让拍摄物体有大片阴暗。除非你同时也训练阴暗图片，当然那样的话训练量太大不推荐，也没必要
+* 若使用定位与多物体识别功能，请将训练物体的图片背景扣干净,或保证RGB纯白色号背景即0XFFFFFF
+* 某两种物体的图片太过相似即长的几乎一模一样,区别点特别小或者微弱,识别不出来，就好比同卵双胞胎你也很难做出区分
 ### 常见抛错
 * error:Wrong size setting of image in templateConfig
 * 原因是模版配置类图片宽高设置相差太大
-> templeConfig.init(StudyPattern.Accuracy_Pattern, true, width, height, 1);
+` templeConfig.init(StudyPattern.Accuracy_Pattern, true, width, height, 1);`
 ##### 最终说明
 * TempleConfig()：配置模版类，一定要静态在内存中长期持有，检测的时候不要每次都NEW，
 一直就使用一个配置类就可以了。
@@ -180,4 +270,4 @@
 * 速度模式是使用固定的边缘算子进行多次卷积核，然后使用BP的多层神经网络进行强行拟合给出的结果（它之所以学习快，就是因为速度模式学习的是
 全连接层的权重及阈值，而没有对卷积核进行学习）
 * 本包检测使用的是灰度单通道，即对RGB进行降纬变成灰度图像来进行检测（RGB三通道都算的话，CPU有些吃不住）。
-* 若使用本包还有疑问可自行看测试包内的HelloWorld测试案例类，或者联系作者Q：794757862
+* 若使用本包还有疑问可自行看测试包内的HelloWorld测试案例类，或者进群交流：561433236,提出问题

src/main/java/org/wlld/nerveEntity/OutNerve.java

@@ -71,10 +71,10 @@ public class OutNerve extends Nerve {
         Matrix myMatrix = dynamicNerve(matrix, eventId, isKernelStudy);
         if (isKernelStudy) {//回传
             Matrix matrix1 = matrixMapE.get(E);
-            if (isShowLog) {
+//            if (isShowLog) {
-                System.out.println("E================" + E);
+//                System.out.println("E================" + E);
-                System.out.println(myMatrix.getString());
+//                System.out.println(myMatrix.getString());
-            }
+//            }
             if (matrix1.getX() <= myMatrix.getX() && matrix1.getY() <= myMatrix.getY()) {
                 double g = getGradient(myMatrix, matrix1);
                 backMatrix(g, eventId);

src/test/java/org/wlld/HelloWorld.java

@@ -125,8 +125,8 @@ public class HelloWorld {
 //        frame.setLengthWidth(640);
 //        templeConfig.setFrame(frame);
         templeConfig.setClassifier(Classifier.DNN);
-        //templeConfig.isShowLog(true);
+        templeConfig.isShowLog(true);
-        templeConfig.init(StudyPattern.Accuracy_Pattern, true, 640, 640, 2);
+        templeConfig.init(StudyPattern.Accuracy_Pattern, true, 640, 640, 4);
 //        ModelParameter modelParameter2 = JSON.parseObject(ModelData.DATA2, ModelParameter.class);
 //        templeConfig.insertModel(modelParameter2);
         Operation operation = new Operation(templeConfig);
@@ -136,18 +136,16 @@ public class HelloWorld {
             for (int i = 1; i < 1900; i++) {//一阶段
                 System.out.println("study1===================" + i);
                 //读取本地URL地址图片,并转化成矩阵
-                Matrix a = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/picture/a" + i + ".jpg");
+                Matrix a = picture.getImageMatrixByLocal("D:\\share\\picture/a" + i + ".jpg");
-                //Matrix b = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/picture/b" + i + ".jpg");
+                Matrix b = picture.getImageMatrixByLocal("D:\\share\\picture/b" + i + ".jpg");
-                Matrix c = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/picture/c" + i + ".jpg");
+                Matrix c = picture.getImageMatrixByLocal("D:\\share\\picture/c" + i + ".jpg");
-                //Matrix d = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/picture/d" + i + ".jpg");
+                Matrix d = picture.getImageMatrixByLocal("D:\\share\\picture/d" + i + ".jpg");
-                //Matrix f = picture.getImageMatrixByLocal("D:\\share\\picture/f" + i + ".png");
                 //将图像矩阵和标注加入进行学习，Accuracy_Pattern 模式 进行第二次学习
                 //第二次学习的时候，第三个参数必须是 true
-                // operation.learning(f, 0, false);
                 operation.learning(a, 1, false);
-                // operation.learning(b, 2, false);
+                operation.learning(b, 2, false);
-                operation.learning(c, 2, false);
+                operation.learning(c, 3, false);
-                //operation.learning(d, 4, false);
+                operation.learning(d, 4, false);
             }
         }
 
@@ -155,14 +153,13 @@ public class HelloWorld {
         for (int i = 1; i < 1900; i++) {
             System.out.println("avg==" + i);
             Matrix a = picture.getImageMatrixByLocal("D:\\share\\picture/a" + i + ".jpg");
-            //Matrix b = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/picture/b" + i + ".jpg");
+            Matrix b = picture.getImageMatrixByLocal("D:\\share\\picture/b" + i + ".jpg");
             Matrix c = picture.getImageMatrixByLocal("D:\\share\\picture/c" + i + ".jpg");
-            //Matrix d = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/picture/d" + i + ".jpg");
+            Matrix d = picture.getImageMatrixByLocal("D:\\share\\picture/d" + i + ".jpg");
-
             operation.normalization(a, templeConfig.getConvolutionNerveManager());
-            //operation.normalization(b, templeConfig.getConvolutionNerveManager());
+            operation.normalization(b, templeConfig.getConvolutionNerveManager());
             operation.normalization(c, templeConfig.getConvolutionNerveManager());
-            //operation.normalization(d, templeConfig.getConvolutionNerveManager());
+            operation.normalization(d, templeConfig.getConvolutionNerveManager());
         }
         templeConfig.getNormalization().avg();
         for (int j = 0; j < 1; j++) {
@@ -170,19 +167,15 @@ public class HelloWorld {
                 System.out.println("study2==================" + i);
                 //读取本地URL地址图片,并转化成矩阵
                 Matrix a = picture.getImageMatrixByLocal("D:\\share\\picture/a" + i + ".jpg");
-                //Matrix b = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/picture/b" + i + ".jpg");
+                Matrix b = picture.getImageMatrixByLocal("D:\\share\\picture/b" + i + ".jpg");
                 Matrix c = picture.getImageMatrixByLocal("D:\\share\\picture/c" + i + ".jpg");
-                //Matrix d = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/picture/d" + i + ".jpg");
+                Matrix d = picture.getImageMatrixByLocal("D:\\share\\picture/d" + i + ".jpg");
-                //Matrix f = picture.getImageMatrixByLocal("D:\\share\\picture/f" + i + ".png");
                 //将图像矩阵和标注加入进行学习，Accuracy_Pattern 模式 进行第二次学习
                 //第二次学习的时候，第三个参数必须是 true
-                // operation.learning(f, 0, true);
-                //System.out.println("1===============");
                 operation.learning(a, 1, true);
-                //System.out.println("2===============");
+                operation.learning(b, 2, true);
-                //operation.learning(b, 2, true);
+                operation.learning(c, 3, true);
-                operation.learning(c, 2, true);
+                operation.learning(d, 4, true);
-                //operation.learning(d, 4, true);
             }
         }
 
@@ -198,22 +191,29 @@ public class HelloWorld {
         // Operation operation2 = new Operation(templeConfig2);
         int wrong = 0;
         int allNub = 0;
-        for (int i = 1900; i <= 2000; i++) {
+        for (int i = 1900; i <= 1998; i++) {
             //读取本地URL地址图片,并转化成矩阵
             Matrix a = picture.getImageMatrixByLocal("D:\\share\\picture/a" + i + ".jpg");
-            //Matrix b = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/picture/b" + i + ".jpg");
+            Matrix b = picture.getImageMatrixByLocal("D:\\share\\picture/b" + i + ".jpg");
             Matrix c = picture.getImageMatrixByLocal("D:\\share\\picture/c" + i + ".jpg");
-            //Matrix d = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/picture/d" + i + ".jpg");
+            Matrix d = picture.getImageMatrixByLocal("D:\\share\\picture/d" + i + ".jpg");
             //将图像矩阵和标注加入进行学习，Accuracy_Pattern 模式 进行第二次学习
             //第二次学习的时候，第三个参数必须是 true
-            allNub += 2;
+            allNub += 4;
             int an = operation.toSee(a);
+            int bn = operation.toSee(b);
             int cn = operation.toSee(c);
+            int dn = operation.toSee(d);
             if (an != 1) {
                 wrong++;
-            } else {
             }
-            if (cn != 2) {
+            if (bn != 2) {
+                wrong++;
+            }
+            if (cn != 3) {
+                wrong++;
+            }
+            if (dn != 4) {
                 wrong++;
             }
         }