春暖花开，万物复苏，正是踏青好时候。周末，阿珍组织班级里的小朋友去公园踏青，程序员阿强，作为护花使者也一同前往。

阿强本以为，可以肆意在林间草地自由地奔跑，回忆一下逝去的童真时光，没想到却成了小朋友们的“植物识别器”，整个踏青之旅变成大型科普现场。面对大自然，小朋友们满脑子都是“这啥花这啥草”，配以崇拜的小眼神真诚发问，让阿强即使手忙脚乱地偷偷上网搜索，也要给出正确答案。

但其实，植物科普不必这般费力，平时对大自然的了解甚少，也有办法轻松hold住小朋友稀奇古怪的发问。执行力满满的阿强，开发出一款拍照识花App，只需拿起手机拍摄一张完整花朵的照片，即可快速识别花卉种类，在App的协助下，秒变植物专家。

Demo示例

Python植物识别的图片 植物拍图识别_图片分类

 

实现原理

拍照识花功能用到了华为机器学习服务的图片分类能力，通过对图片中的实体对象进行分类并添加标注信息，帮助定义图片题材和适用场景等。图片分类支持端侧识别和云测识别，端侧识别支持超过400个类别，云测识别支持12000个分类，同时，该服务提供了自定义模型能力，支持用户自定义图片分类模型。

开发准备

1、在华为开发者联盟网站创建应用并配置签名证书

2、配置华为 Maven仓地址，在应用级的“build.gradle”文件中添加编译SDK依赖

dependencies{
  // 引入基础SDK
  implementation 'com.huawei.hms:ml-computer-vision-classification:2.0.1.300'
  // 引入图片分类模型包
  implementation 'com.huawei.hms:ml-computer-vision-image-classification-model:2.0.1.300'
 }

3、设置自动更新机器学习模型

添加如下语句到AndroidManifest.xml文件中，用户从华为应用市场安装您的应用后，将自动更新机器学习模型到设备：

<manifest
    ...
    <meta-data
        android:name="com.huawei.hms.ml.DEPENDENCY"
        android:value= "label"/>
    ...
</manifest>

4、配置混淆脚本

上述步骤具体可参考开发者网站中的开发准备介绍

5、在AndroidManifest.xml文件里面声明系统权限

为了可以通过相机和相册进行图片的获取，需要在Manifest文件中申请相关的权限：

<uses-permission android:name="android.permission.CAMERA" />
    <uses-permission android:name="android.permission.INTERNET" />
    <uses-permission android:name="android.permission.ACCESS_NETWORK_STATE" />
    <uses-permission android:name="android.permission.WRITE_EXTERNAL_STORAGE" />
    <uses-permission android:name="android.permission.READ_EXTERNAL_STORAGE" />
    <uses-feature android:name="android.hardware.camera" />
<uses-feature android:name="android.hardware.camera.autofocus" />

开发步骤

1.创建并配置云端图片分类分析器

创建图片分类分析器类

public class RemoteImageClassificationTransactor extends BaseTransactor<List<MLImageClassification>>

之后在该类中，通过图像分类自定义类MLRemoteClassificationAnalyzerSetting创建分析器，并设置对应的参数配置，同时配置Handler

private final MLImageClassificationAnalyzer detector;
private Handler handler;
MLRemoteClassificationAnalyzerSetting options = new MLRemoteClassificationAnalyzerSetting.Factory().setMinAcceptablePossibility(0f).create();
this.detector = MLAnalyzerFactory.getInstance().getRemoteImageClassificationAnalyzer(options);
this.handler = handler;

2.调用asyncAnalyseFrame方法进行图像处理

使用异步处理方式，对传入的MLFrame对象进行分类处理

@Override
protected Task<List<MLImageClassification>> detectInImage(MLFrame image) {
    return this.detector.asyncAnalyseFrame(image);
}

3.获取分类成功后的结果

在RemoteImageClassificationTransactor中重写onSuccess()方法，将识别到的物体名称显示到图片中

@Override
protected void onSuccess(
        Bitmap originalCameraImage,
        List<MLImageClassification> classifications,
        FrameMetadata frameMetadata,
        GraphicOverlay graphicOverlay) {
    graphicOverlay.clear();
    this.handler.sendEmptyMessage(Constant.GET_DATA_SUCCESS);
    List<String> classificationList = new ArrayList<>();
    for (int i = 0; i < classifications.size(); ++i) {
        MLImageClassification classification = classifications.get(i);
        if (classification.getName() != null) {
            classificationList.add(classification.getName());
        }
    }
    RemoteImageClassificationGraphic remoteImageClassificationGraphic =
            new RemoteImageClassificationGraphic(graphicOverlay, this.mContext, classificationList);
    graphicOverlay.addGraphic(remoteImageClassificationGraphic);
    graphicOverlay.postInvalidate();
}

如果错误的话，进行对应的错误处理和Log显示

@Override
protected void onFailure(Exception e) {
    this.handler.sendEmptyMessage(Constant.GET_DATA_FAILED);
    Log.e(RemoteImageClassificationTransactor.TAG, "Remote image classification detection failed: " + e.getMessage());
}

4.识别完成释放资源

识别完成后，需要将原有的分析器停止，并释放检测资源，在RemoteImageClassificationTransactor中重写stop()方法

@Override
public void stop() {
    super.stop();
    try {
        this.detector.stop();
    } catch (IOException e) {
        Log.e(RemoteImageClassificationTransactor.TAG,
                "Exception thrown while trying to close remote image classification transactor" + e.getMessage());
    }
}