前言
这是识别螺丝的级联分类第二篇，上一篇中笔者虽然成功训练出来了一个识别螺丝的级联分类器，但准确率太低了，所以笔者对其做了进一步优化。
优化主要体现在两方面：
一个是算法上，笔者又补充了几个python脚本方便自动化处理图像，节省时间。
二是数据准备上，笔者不仅增加了样本数量，还提高了样本质量。
具体见下
一、算法优化
笔者总共写了四个函数，分别用来处理不同功能，极大地节省了时间。
def rename(path1,num):
'''
对文件夹中文件进行批量重命名，文件名为1.jpg，2.jpg。。。。。。这种形式。
参数解释，
path1:以绝对路径传入文件路径
num：代表文件名从哪个数开始计数，如num = 200，则第一个文件名为200.jpg
'''
filename = os.listdir(path1)
print(len(filename))
for i,name in enumerate(filename):
i+=num
st = str(i)+'.jpg'
os.renames(os.path.join(path1,name),os.path.join(path1,st))
def cut(loadpath,size1,size2,savepath):
'''
将文件夹中的图片进行批量灰度化并且改变尺寸
参数说明，
loadpath：图片所在文件夹的绝对地址
size1：图片尺寸变化后的长
size2：图片尺寸变化后的宽
savepath：处理后图片的保存路径（绝对地址）
'''
filename = os.listdir(loadpath)
for i,name in enumerate(filename):
i+= 1
i = str(i)
imgpath = loadpath + '\\' + name
o = cv2.imread(imgpath)
o = cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)
img = cv2.resize(o,(size1,size2))
cv2.imwrite(savepath + '\\' + i +'.jpg' ,img)
def name(loadpath,savepath,strname):
'''
该函数功能为生成一个带有规律的文件名TXT文件，比如每个图片文件都是pos\1.jpg,pos\2.jpg
这样的命名格式。参数说明，
loadpath：需要生成TXT文件的图片文件夹绝对地址
savepath：TXT文件的保存路径（不需要新建相应文件夹，没有会自动创建
strname：想要生成的文件名格式，如neg/%s.jpg\n，%s是占位符，从1开始计数，\n是换行
注意！！！生成的TXT文件最后会有一个空行，需要手动把该空行删除
'''
filename = os.listdir(loadpath)
n = len(filename)
with open(savepath,'a+') as f:
for i in range(n):
i+=1
f.write(strname % str(i))
def create_img(path,num):
'''
对每一张图片进行翻转，旋转，仿射变换，具体执行哪种操作是随机的，以此来增大样本数量
参数解释，
path：需要加载的图片绝对地址
num：每一张图片生成几张样本图片，如num = 5，则对每一张图片对会再随机生成五张样本图片
'''
filename = os.listdir(path)
for i,name in enumerate(filename):
i+=1
imgpath = path + '\\' + name
img = cv2.imread(imgpath)
h,w,c= img.shape
for j in range(num):
j+=1
a = random.randint(1,5)
if a == 1:
# 将图片绕x轴翻转
img = cv2.flip(img,0)
cv2.imwrite(path + '\\' + str(i) + '_' + str(j) + '.jpg',img)
elif a == 2:
# 将图片绕y轴翻转
img =cv2.flip(img,1)
cv2.imwrite(path + '\\' + str(i) + '_' + str(j) + '.jpg',img)
elif a == 3:
# 将图片绕x，y轴翻转
img = cv2.flip(img,-1)
cv2.imwrite(path + '\\' + str(i) + '_' + str(j) + '.jpg',img)
elif a == 4:
# 将图片绕图片中心旋转，旋转角度在（-180,180）随机
m = cv2.getRotationMatrix2D((w/2,h/2),random.randint(-180,180),1)
img = cv2.warpAffine(img,m,(w,h))
cv2.imwrite(path + '\\' + str(i) + '_' + str(j) + '.jpg',img)
# elif a == 5:
# 将图片进行仿射变换，该功能笔者舍弃没用了，需要的取消注释即可
# # p1 = np.float32([[0,0],[w-1,0],[0,h-1]])
# # p2 = np.float32([[0,h*0.33],[w*0.85,h*0.25],[w*0.15,h*0.7]])
# m = cv2.getAffineTransform(p1,p2)
# img = cv2.warpAffine(img,m,(w,h))
# cv2.imwrite(path + '\\' + str(i) + '_' + str(j) + '.jpg',img)
二、数据处理优化
笔者此次将正样本数量增加到了217张，其中约一半左右正样本背景是纯白色，另一半背景还是纯棕色的桌子，在正样本中，有一半左右是通过翻转，旋转，仿射变换生成的样本。
每一张样本尺寸也调整为40X40。
负样本数量笔者也增加到了1000，其中还包括几十张张正样本的背景图片，比如纯白色图片还有纯棕色的桌子。
级联环节数量仍然是10个
三、结果
此次结果比上次有所进步，有螺丝在的图片基本都识别到了螺丝，但没有螺丝的地方也被识别了，这说明识别器的误报率变高了，把不是螺丝的物体也识别为螺丝了。
四、总结
该检测器仍然需要改进。笔者仔细思考了下，后面打算从以下几方面改进
一、去除正样本中带旋转的图片，因为带旋转的图片有很大一部分是黑色的，这会让检测器误以为黑色也是我们的检测目标之一
二、去除样本中竖着的螺丝图片，躺着和竖着是螺丝的两种不同姿态，混在一起训练可能会影响效果，笔者准备将其分开训练，生成两个分类器。
三、继续增加正样本数量和负样本数量，并且在负样本中增加大量识别场景中将要出现的物体。