OpenCV 3.4.1 Java DNN加载TensorFlow LeNet模型失败：输入层未找到

这个问题我之前帮朋友排查过，本质是Keras导出的PB模型层命名规则和OpenCV默认自动推断的逻辑不匹配导致的——报错里的convolution2d_1_b_1根本不是输入层，而是模型里的偏置层，说明OpenCV找错了输入入口。下面给你一步步解决的方案：

先复现你的问题场景 #

我在Java中使用OpenCV 3.4.1的DNN模块加载一个通过Python Keras+TensorFlow训练得到的LeNet冻结PB模型（.pb格式），代码如下：

Dnn cvDnn = new org.opencv.dnn.Dnn();
Net net = cvDnn.readNetFromTensorflow("C:\\Users\\kr\\Desktop\\Plate_Recognition_frozen.pb");

但运行时出现错误：

OpenCV(3.4.1) Error: Unspecified error (Input layer not found: convolution2d_1_b_1) in cv::dnn::experimental_dnn_v4...

步骤1：搞清楚PB模型的真实输入层名称 #

Keras在训练时会自动给层加命名后缀，导出成PB模型后，输入层名称通常是input_1、conv2d_1_input这类，而非OpenCV误判的偏置层。你可以用Python写几行代码查看模型的真实输入输出层：

import tensorflow as tf
from tensorflow.python.platform import gfile

with tf.Session() as sess:
    model_path = 'Plate_Recognition_frozen.pb'
    with gfile.FastGFile(model_path, 'rb') as f:
        graph_def = tf.GraphDef()
        graph_def.ParseFromString(f.read())
        sess.graph.as_default()
        tf.import_graph_def(graph_def, name='')
        
        # 打印所有输入Placeholder（即模型的输入层）
        print("模型输入层名称：")
        for op in sess.graph.get_operations():
            if op.type == 'Placeholder':
                print(op.name)
        
        # 顺便打印可能的输出层（后续推理会用到）
        print("\n模型可能的输出层名称：")
        for op in sess.graph.get_operations():
            # 关键词可根据你的LeNet结构调整，比如dense、output、predict
            if 'dense' in op.name or 'output' in op.name:
                print(op.name)

运行后你会得到类似input_1的输入层名称，记下来备用。

步骤2：修改Java代码，手动指定输入输出层 #

OpenCV的readNetFromTensorflow提供了重载方法，可以直接指定输入输出层，或者加载后手动设置输入。两种方式选其一即可：

方式一：加载时直接指定 #

// 替换成你查到的真实输入、输出层名称
String inputLayer = "input_1";
String outputLayer = "dense_2/Softmax";

Dnn cvDnn = new org.opencv.dnn.Dnn();
// 第二个参数传空字符串，因为你没有单独的pbtxt文件
Net net = cvDnn.readNetFromTensorflow(
    "C:\\Users\\kr\\Desktop\\Plate_Recognition_frozen.pb",
    "",
    inputLayer,
    outputLayer
);

方式二：加载后手动设置输入输出 #

Dnn cvDnn = new org.opencv.dnn.Dnn();
Net net = cvDnn.readNetFromTensorflow("C:\\Users\\kr\\Desktop\\Plate_Recognition_frozen.pb");

// 先将输入图像处理成blob（参数需和模型训练时的预处理规则一致）
Mat inputImage = Imgcodecs.imread("your_input_image_path.jpg");
Mat inputBlob = cvDnn.blobFromImage(
    inputImage,
    1.0/255.0, // 归一化系数
    new Size(28,28), // LeNet的输入尺寸，按需调整
    new Scalar(0,0,0), // 均值
    true, // 是否交换RB通道（OpenCV默认BGR，TensorFlow若用RGB需设为true）
    false // 是否裁剪
);

// 手动指定输入层名称
net.setInput(inputBlob, "input_1");
// 手动指定输出层名称进行推理
Mat outputResult = net.forward("dense_2/Softmax");

额外注意事项 #

• OpenCV 3.4.1对TensorFlow PB模型的兼容性一般，建议升级到OpenCV 3.4.5+或者4.x版本，能减少很多奇怪的兼容性问题。
• 确认你导出PB模型的流程是正确的：先将Keras模型转换成TensorFlow计算图，再冻结所有变量，不要直接把Keras的.h5模型转成PB，容易出现层命名混乱。

内容的提问来源于stack exchange，提问作者HMaster