在 Java 项目中集成和使用 dl4j 实现通过扫描图片识别快递单信息

使用DL4J（DeepLearning4J）搭建一个简单的图像识别模型，并将其集成到Spring Boot后端中。我们将使用MNIST数据集来训练一个简单的卷积神经网络（CNN），然后将其部署到Spring Boot应用中。

1. 设置Spring Boot项目

首先，创建一个新的Spring Boot项目。你可以使用Spring Initializr（https://start.spring.io/）来快速生成项目结构。选择以下依赖：

  • Spring Web
  • Spring Boot DevTools
  • Lombok（可选，用于简化代码）

2. 添加DL4J依赖

在你的pom.xml文件中添加DL4J和相关依赖：

xml

<dependencies><!-- Spring Boot Web --><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-web</artifactId></dependency><!-- DL4J --><dependency><groupId>org.deeplearning4j</groupId><artifactId>deeplearning4j-core</artifactId><version>1.0.0-beta7</version></dependency><dependency><groupId>org.deeplearning4j</groupId><artifactId>deeplearning4j-nn</artifactId><version>1.0.0-beta7</version></dependency><dependency><groupId>org.deeplearning4j</groupId><artifactId>deeplearning4j-ui</artifactId><version>1.0.0-beta7</version></dependency><dependency><groupId>org.nd4j</groupId><artifactId>nd4j-native-platform</artifactId><version>1.0.0-beta7</version></dependency><!-- File Upload --><dependency><groupId>commons-fileupload</groupId><artifactId>commons-fileupload</artifactId><version>1.4</version></dependency><dependency><groupId>commons-io</groupId><artifactId>commons-io</artifactId><version>2.11.0</version></dependency><!-- Lombok (optional) --><dependency><groupId>org.projectlombok</groupId><artifactId>lombok</artifactId><optional>true</optional></dependency>
</dependencies>

3. 训练DL4J模型

我们将使用MNIST数据集来训练一个简单的卷积神经网络（CNN）。创建一个新的Java类MnistModelTrainer.java来训练模型：

java

package com.example.scanapp;import org.deeplearning4j.datasets.iterator.impl.MnistDataSetIterator;
import org.deeplearning4j.nn.conf.MultiLayerConfiguration;
import org.deeplearning4j.nn.conf.NeuralNetConfiguration;
import org.deeplearning4j.nn.conf.layers.ConvolutionLayer;
import org.deeplearning4j.nn.conf.layers.DenseLayer;
import org.deeplearning4j.nn.conf.layers.OutputLayer;
import org.deeplearning4j.nn.conf.layers.SubsamplingLayer;
import org.deeplearning4j.nn.conf.layers.objdetect.YoloOutputLayer;
import org.deeplearning4j.nn.multilayer.MultiLayerNetwork;
import org.deeplearning4j.optimize.listeners.ScoreIterationListener;
import org.nd4j.linalg.activations.Activation;
import org.nd4j.linalg.dataset.api.iterator.DataSetIterator;
import org.nd4j.linalg.dataset.api.preprocessor.ImagePreProcessingScaler;
import org.nd4j.linalg.lossfunctions.LossFunctions;
import org.nd4j.linalg.learning.config.Adam;import java.io.File;
import java.io.IOException;public class MnistModelTrainer {public static void main(String[] args) throws IOException {int numEpochs = 10;int batchSize = 64;int numLabels = 10;int numRows = 28;int numColumns = 28;int numChannels = 1;// Load MNIST dataDataSetIterator mnistTrain = new MnistDataSetIterator(batchSize, true, 12345);DataSetIterator mnistTest = new MnistDataSetIterator(batchSize, false, 12345);// Preprocess dataImagePreProcessingScaler scaler = new ImagePreProcessingScaler(0, 1);mnistTrain.setPreProcessor(scaler);mnistTest.setPreProcessor(scaler);// Define the network architectureMultiLayerConfiguration conf = new NeuralNetConfiguration.Builder().seed(12345).updater(new Adam(0.001)).list().layer(0, new ConvolutionLayer.Builder(5, 5).nIn(numChannels).nOut(20).stride(1, 1).activation(Activation.RELU).build()).layer(1, new SubsamplingLayer.Builder(SubsamplingLayer.PoolingType.MAX).kernelSize(2, 2).stride(2, 2).build()).layer(2, new ConvolutionLayer.Builder(5, 5).nOut(50).stride(1, 1).activation(Activation.RELU).build()).layer(3, new SubsamplingLayer.Builder(SubsamplingLayer.PoolingType.MAX).kernelSize(2, 2).stride(2, 2).build()).layer(4, new DenseLayer.Builder().activation(Activation.RELU).nOut(500).build()).layer(5, new OutputLayer.Builder(LossFunctions.LossFunction.NEGATIVELOGLIKELIHOOD).nOut(numLabels).activation(Activation.SOFTMAX).build()).build();// Initialize the networkMultiLayerNetwork model = new MultiLayerNetwork(conf);model.init();model.setListeners(new ScoreIterationListener(10));// Train the networkfor (int i = 0; i < numEpochs; i++) {model.fit(mnistTrain);}// Save the modelFile locationToSave = new File("mnist-model.zip");boolean saveUpdater = true; // Save the updaterModelSerializer.writeModel(model, locationToSave, saveUpdater);}
}

运行MnistModelTrainer类来训练模型并保存到mnist-model.zip文件中。

4. 创建Spring Boot Controller

创建一个新的Controller来处理图片上传和图像识别：

java

package com.example.scanapp.controller;import org.deeplearning4j.nn.multilayer.MultiLayerNetwork;
import org.deeplearning4j.util.ModelSerializer;
import org.nd4j.linalg.api.ndarray.INDArray;
import org.nd4j.linalg.dataset.api.preprocessor.ImagePreProcessingScaler;
import org.nd4j.linalg.factory.Nd4j;
import org.springframework.web.bind.annotation.PostMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;
import org.springframework.web.multipart.MultipartFile;import javax.imageio.ImageIO;
import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;@RestController
public class ImageController {private static final String MODEL_PATH = "mnist-model.zip"; // 替换为你的模型路径private MultiLayerNetwork model;private ImagePreProcessingScaler scaler;public ImageController() throws IOException {this.model = ModelSerializer.restoreMultiLayerNetwork(new File(MODEL_PATH));this.scaler = new ImagePreProcessingScaler(0, 1);}@PostMapping("/recognize")public String recognize(@RequestParam("image") MultipartFile file) {try {BufferedImage image = ImageIO.read(file.getInputStream());INDArray imageArray = Nd4j.create(new int[]{1, 1, 28, 28});for (int i = 0; i < 28; i++) {for (int j = 0; j < 28; j++) {int rgb = image.getRGB(j, i);int gray = (rgb >> 16) & 0xFF; // Convert to grayscaleimageArray.putScalar(0, 0, i, j, gray / 255.0);}}scaler.transform(imageArray);INDArray output = model.output(imageArray);int predictedClass = output.argMax(1).getInt(0);return "Predicted class: " + predictedClass;} catch (IOException e) {e.printStackTrace();return "Error processing image";}}
}

5. 测试API

你可以使用Postman或其他工具来测试你的API。发送一个POST请求到/recognize端点，并附带一个MNIST格式的图片文件（28x28像素的灰度图像）。

6. 运行Spring Boot应用

确保你的Spring Boot应用能够正常启动。你可以通过以下命令运行应用：

bash

mvn spring-boot:run

7. 前端集成（可选）

如果你有一个前端应用（例如Vue.js），你可以创建一个简单的表单来上传图片并调用后端API。以下是一个简单的Vue.js组件示例：

vue

<template><div><h1>Image Recognition</h1><input type="file" @change="onFileChange" accept="image/*" /><button @click="uploadImage">Upload</button><p v-if="result">{{ result }}</p></div>
</template><script>
export default {data() {return {file: null,result: ''};},methods: {onFileChange(e) {this.file = e.target.files[0];},async uploadImage() {const formData = new FormData();formData.append('image', this.file);try {const response = await fetch('http://localhost:8080/recognize', {method: 'POST',body: formData});const data = await response.text();this.result = data;} catch (error) {console.error('Error uploading image:', error);}}}
};
</script>

将上述Vue.js组件添加到你的Vue项目中，然后运行前端应用来测试整个流程。

通过以上步骤，你应该能够成功搭建一个使用DL4J模型的Spring Boot后端服务，并通过前端应用进行图像识别。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.rhkb.cn/news/495357.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

vulnhub靶场-matrix-breakout-2-morpheus攻略（截止至获取shell）

vulnhub靶场-matrix-breakout-2-morpheus攻略（截止至获取shell）

扫描出ip为192.168.121.161 访问该ip&#xff0c;发现只是一个静态页面什么也没有 使用dir dirsearch 御剑都只能扫描到/robots.txt /server-status 两个页面&#xff0c;前者提示我们什么也没有&#xff0c;后面两个没有权限访问 扫描端口&#xff0c;存在81端口 访问&#x…
阅读更多...
探索多模态大语言模型（MLLMs）的推理能力

探索多模态大语言模型（MLLMs）的推理能力

探索多模态大语言模型&#xff08;MLLMs&#xff09;的推理能力 Multimodal Large Language Models (MLLMs) flyfish 原文&#xff1a;Exploring the Reasoning Abilities of Multimodal Large Language Models (MLLMs): A Comprehensive Survey on Emerging Trends in Mult…
阅读更多...
C++之红黑树模拟实现

C++之红黑树模拟实现

目录 红黑树的概念 红黑树的性质 红黑树的查找效率 红黑树的实现 红黑树的定义 红黑树节点的插入 红黑树的平衡调整 判断红黑树是否平衡 红黑树整体代码 测试代码 上期我们学习了AVL树的模拟实现&#xff0c;在此基础上&#xff0c;我们本期将学习另一个数据结构-…
阅读更多...
SDMTSP：粒子群优化算法PSO求解单仓库多旅行商问题，可以更改数据集和起点（MATLAB代码）

SDMTSP：粒子群优化算法PSO求解单仓库多旅行商问题，可以更改数据集和起点（MATLAB代码）

一、单仓库多旅行商问题 单仓库多旅行商问题&#xff08;Single-Depot Multiple Travelling Salesman Problem, SD-MTSP&#xff09;&#xff1a;&#x1d45a;个推销员从同一座中心城市出发&#xff0c;访问其中一定数量的城市并且每座城市只能被某一个推销员访问一次&#x…
阅读更多...
【Yonghong 企业日常问题 06】上传的文件不在白名单，修改allow.jar.digest属性添加允许上传的文件SH256值？

【Yonghong 企业日常问题 06】上传的文件不在白名单，修改allow.jar.digest属性添加允许上传的文件SH256值？

文章目录 前言问题描述问题分析问题解决1.允许所有用户上传驱动文件2.如果是想只上传白名单的驱动 前言 该方法适合永洪BI系列产品&#xff0c;包括不限于vividime desktop&#xff0c;vividime z-suit&#xff0c;vividime x-suit产品。 问题描述 当我们连接数据源的时候&a…
阅读更多...
决策树（理论知识3）

决策树（理论知识3）

目录 评选算法信息增益&#xff08; ID3 算法选用的评估标准&#xff09;信息增益率&#xff08; C4.5 算法选用的评估标准&#xff09;基尼系数&#xff08; CART 算法选用的评估标准&#xff09;基尼增益基尼增益率 评选算法 决策树学习的关键在于&#xff1a;如何选择最优划…
阅读更多...
Echarts连接数据库，实时绘制图表详解

Echarts连接数据库，实时绘制图表详解

文章目录 Echarts连接数据库&#xff0c;实时绘制图表详解一、引言二、步骤一&#xff1a;环境准备与数据库连接1、环境搭建2、数据库连接 三、步骤二&#xff1a;数据获取与处理1、查询数据库2、数据处理 四、步骤三&#xff1a;ECharts图表配置与渲染1、配置ECharts选项2、动…
阅读更多...
Odoo 免费开源 ERP：通过 JavaScript 创建对话框窗口的技术实践分享

Odoo 免费开源 ERP：通过 JavaScript 创建对话框窗口的技术实践分享

作者 | 老杨 出品 | 上海开源智造软件有限公司&#xff08;OSCG&#xff09; 概述 在本文中&#xff0c;我们将深入研讨如何于 Odoo 18 中构建 JavaScript&#xff08;JS&#xff09;对话框或弹出窗口。对话框乃是展现重要讯息、确认用户操作以及警示用户留意警告或错误的行…
阅读更多...
flask-admin的modelview 实现list列表视图中扩展修改状态按钮

flask-admin的modelview 实现list列表视图中扩展修改状态按钮

背景&#xff1a; 在flask-admin的模型视图&#xff08;modelview 及其子类&#xff09;中如果不想重构UI视图&#xff0c;那么就不可避免的出现默认视图无法很好满足需求的情况&#xff0c;如默认视图中只有“新增”&#xff0c;“编辑”&#xff0c;“选中的”三个按钮。 材…
阅读更多...
低空经济的地理信息支撑：构建安全、高效的飞行管理体系

低空经济的地理信息支撑：构建安全、高效的飞行管理体系

随着无人机等低空飞行器的广泛应用&#xff0c;低空空域管理的重要性日益凸显。地理信息技术作为低空空域管理的重要支撑&#xff0c;对于保障低空经济的健康发展具有不可替代的作用。 地理信息技术在低空空域管理中的作用 地理信息技术在低空空域管理中扮演着关键角色&#x…
阅读更多...
圣诞节文化交流会在洛杉矶成功举办

圣诞节文化交流会在洛杉矶成功举办

洛杉矶——12月21日&#xff0c;备受期待的“圣诞节文化交流会&#xff08;Christmas Art and Cultural Exchange Fair&#xff09;”在尔湾成功举办。本次活动由M.A.D, ACSDA Youth Committee, GlowStar Art Foundation共同举办&#xff0c;此次活动以文化交流为主题&#xff…
阅读更多...
007-spring-bean的相关配置（重要）

007-spring-bean的相关配置（重要）

spring-bean的相关配置
阅读更多...
什么样的LabVIEW控制算自动控制？

什么样的LabVIEW控制算自动控制？

自动控制是指系统通过预先设计的算法和逻辑&#xff0c;在无人工干预的情况下对被控对象的状态进行实时监测、决策和调整&#xff0c;达到预期目标的过程。LabVIEW作为一种图形化编程工具&#xff0c;非常适合开发自动控制系统。那么&#xff0c;什么样的LabVIEW控制算作“自动…
阅读更多...
打造独特的博客封面：动态封面设置指南

打造独特的博客封面：动态封面设置指南

如何设置你的专属封面 1先找到一个好的壁纸 以下是好用的壁纸网站 花瓣网 千图网 包图网 WallHere 壁纸 浏览器搜索可画 可画 或者是下载可画的PC端软件 我这里使用的是可画的PC端软件 我们选择这个 单图海报(横板 - 1200 * 726 像素) 这是我们进入的页面 我们点击…
阅读更多...
快速解决oracle 11g中exp无法导出空表的问题

快速解决oracle 11g中exp无法导出空表的问题

在一些生产系统中&#xff0c;有些时候我们为了进行oracle数据库部分数据的备份和迁移&#xff0c;会使用exp进行数据的导出。但在实际导出的时候&#xff0c;我们发现导出的时候&#xff0c;发现很多空表未进行导出。今天我们给出一个快速解决该问题的办法。 一、问题复现 我…
阅读更多...
机器人加装电主轴【铣削、钻孔、打磨、去毛刺】更高效

机器人加装电主轴【铣削、钻孔、打磨、去毛刺】更高效

机器人加装电主轴进行铣削、钻孔、打磨、去毛刺等作业&#xff0c;展现出显著的优势&#xff0c;并能实现高效加工。 1. 高精度与高效率 电主轴特点&#xff1a;高速电主轴德国SycoTec的产品&#xff0c;转速可达100000rpm&#xff0c;功率范围广&#xff0c;精度≤1μm&#…
阅读更多...
详细介绍如何使用rapidjson读取json文件

详细介绍如何使用rapidjson读取json文件

本文主要详细介绍如何使用rapidjson库来实现.json文件的读取&#xff0c;分为相关基础介绍、结合简单示例进行基础介绍、结合复杂示例进行详细的函数实现介绍等三部分。 一、相关基础 1、Json文件中的{} 和 [] 在 JSON 文件中&#xff0c;{} 和 [] 分别表示不同的数据结构&…
阅读更多...
TGRS | 可变形傅里叶卷积用于遥感道路分割

TGRS | 可变形傅里叶卷积用于遥感道路分割

题目&#xff1a;Fourier-Deformable Convolution Network for Road Segmentation From Remote Sensing Images 期刊&#xff1a;IEEE Transactions on Geoscience and Remote Sensing 论文&#xff1a;https://ieeexplore.ieee.org/document/10707598/ 代码&#xff1a;htt…
阅读更多...
Linux复习4——shell与文本处理

Linux复习4——shell与文本处理

认识vim编辑器 #基本语法格式&#xff1a; vim 文件名 •如果文件存在&#xff0c;进入编辑状态对其进行编辑 •如果文件不存在&#xff0c;创建文件并进入编辑状态 例&#xff1a; [rootlocalhosttest]# vim practice.txt #Vim 编辑器三种模式&#xff1a; 命令模式&a…
阅读更多...
GIT与github的链接（同步本地与远程仓库）

GIT与github的链接（同步本地与远程仓库）

1.官网下载GIT Git - 安装 Git 2.GIT生成密钥 2.1 打开gitbash配置邮箱与用户名&#xff08;非初次使用GIT跳过这一步&#xff09; git config --global user.name "你的用户名" git config --global user.email "你的邮箱" 2.2 生成ssh密匙 1&#xff0…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023