CN111401442A - 一种基于深度学习的水果识别方法 - Google Patents

一种基于深度学习的水果识别方法 Download PDF

Info

Publication number
CN111401442A
CN111401442A CN202010181484.XA CN202010181484A CN111401442A CN 111401442 A CN111401442 A CN 111401442A CN 202010181484 A CN202010181484 A CN 202010181484A CN 111401442 A CN111401442 A CN 111401442A
Authority
CN
China
Prior art keywords
deep learning
layer
training
method based
fruit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010181484.XA
Other languages
English (en)
Inventor
吕本学
赵军
田春阳
孙克思
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Science And Technology Beijing Co ltd
Original Assignee
China Science And Technology Beijing Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Science And Technology Beijing Co ltd filed Critical China Science And Technology Beijing Co ltd
Priority to CN202010181484.XA priority Critical patent/CN111401442A/zh
Publication of CN111401442A publication Critical patent/CN111401442A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的水果识别方法，包括提取特征、训练深度学习模型、利用所述深度学习模型分类包含水果的RGB图像步骤。本发明能够快速的完成对商品识别网络的模型训练，准确识别出相应商品；相比传统的深度学习模型，不仅能得到更高的图像识别准确性，还能提高模型的训练速度。

Description

一种基于深度学习的水果识别方法
技术领域
本发明涉及一种水果识别方法，尤其涉及一种基于深度学习的水果识别方法，属于人工智能技术领域。
背景技术
现有的水果识别方法通过果实和叶子对电磁光谱反射率检测。电磁光谱反射率检测通过收集照射在植物上的反射光谱的综合参数指标进行辨别，不同的反射光谱关联着植物的叶绿素，胡萝卜素，营养元素，叶绿素荧光从而辨别出不同水果，训练速度较慢。
发明内容
本发明要解决的技术问题是提供一种基于深度学习的水果识别方法。
为解决上述技术问题，本发明采用的技术方案是：
一种基于深度学习的水果识别方法，包括以下步骤：
步骤1：读取训练图像：深度学习模型包括输入层，所述输入层读入包含水果的RGB图像；
步骤2：训练深度学习模型：所述深度学习模型还包括1个以上结构相同的的训练识别单元、特征整合器、全连接层和输出层；所述训练识别单元输入层、1层以上的并行卷积层和1层以上的并行池化层组成；所述卷积层和池化层的层数相同；输入层的输出同时输入至各训练识别单元；各训练识别单元分别将输入层读取的图像依次并行经卷积层及其对应的和并行池化层处理后输出至特征整合器；特征整合器将各训练识别单元输入的数据综合处理后经全连接层输出至输出层。
步骤3：识别水果：利用所述深度学习模型分类包含水果的RGB图像。
进一步，训练深度学习模型的特征包括颜色矩、颜色统计直方图和方向梯度直方图。
进一步，所述训练识别单元由16层的并行卷积层和16层的并行池化层组成；
进一步，采用SVM支持向量机算法训练深度学习模型。
更进一步，颜色矩FCOLOR为：
FCOLOR＝[μR,σR,SR,μG,σG,SG,μB,σB,SB] (1)
Figure BDA0002412721920000021
Figure BDA0002412721920000022
Figure BDA0002412721920000023
(2)-(4)式中，Pi,j表示彩色图像第j个像素的第i颜色分量，N表示图像中的像素个数。
更进一步，方向梯度直方图计算包括图像灰度化、图像Gamma校正、梯度计算和梯度直方图统计步骤。
再进一步，图像Gamma校正采用平方根法。
采用上述技术方案所取得的技术效果在于：
本发明能够快速的完成对商品识别网络的模型训练，准确识别出相应商品；相比传统的深度学习模型，不仅能得到更高的图像识别准确性，还能提高模型的训练速度。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明的流程图；
图2是本发明的深度学习模型结构图。
具体实施方式
实施例1：
一种基于深度学习的水果识别方法，包括以下步骤：
步骤1：读取训练图像：深度学习模型包括输入层，所述输入层读入包含水果的RGB图像；
步骤2：训练深度学习模型：所述深度学习模型还包括1个以上结构相同的的训练识别单元、特征整合器、全连接层和输出层；所述训练识别单元由输入层、1层以上的并行卷积层和1层以上的并行池化层组成；所述卷积层和池化层的层数相同；输入层的输出同时输入至各训练识别单元；各训练识别单元分别将输入层读取的图像依次经并行卷积层及其对应的和并行池化层处理后输出至特征整合器；特征整合器将各训练识别单元输入的数据综合处理后经全连接层输出至输出层。这种设计对训练速度的提高、识别准确率的提高具有明显的效果。
步骤3：识别水果：利用所述深度学习模型分类包含水果的RGB图像。
训练深度学习模型的特征包括颜色矩、颜色统计直方图和方向梯度直方图。
所述训练识别单元由16层的并行卷积层和16层的并行池化层组成；
每个特征都会形成一个权值，最后在特征整合器中进行最终的特征计算，从而得出最后识别出水果的种类的概率进行输出。
采用SVM支持向量机算法训练深度学习模型。
颜色矩FCOLOR为：
FCOLOR＝[μR,σR,SR,μG,σG,SG,μB,σB,SB] (1)
Figure BDA0002412721920000031
Figure BDA0002412721920000032
Figure BDA0002412721920000033
(2)-(4)式中，Pi,j表示彩色图像第j个像素的第i颜色分量，N表示图像中的像素个数。
方向梯度直方图计算包括图像灰度化、图像Gamma校正、梯度计算和梯度直方图统计步骤。
图像Gamma校正采用平方根法。
本实施例中，各并行卷积层的卷积核的大小均为3×3。各并行池化层的区域均为3x3，均采用最大池化。卷积神经网络的任何一个卷积层来说，其里面均包含若干个由一些矩形排列的神经元组成的特征平面，拥有同一特征平面的神经元权值共享，而卷积核就是这里所说的共享的权值。并行卷积层的输入来源于输入层或者并行池化层，在并行卷积层中，各层的每个神经元与上其它层的的神经元仅仅只是部分连接的。权值共享带来的直接好处是减少了网络中各层之间的连接，从而使得权值数量变得更少，大大减小了计算量，同时又降低了过拟合的风险。同时采取的是并发技术，使得多个卷积层可以同时运转大大提高识别训练效果。每个卷积层由多个特征图组合而成，而每个特征图中包含许多相互独立的神经元。
池化层是对并行卷积层的特征图进行下采样处理，代表着对统计信息的提取过程。则池化层中某个特征图的计算表达式如下：
Figure BDA0002412721920000041
式中，down表示池化操作,
Figure BDA0002412721920000042
表示任何一个特征图都有属于自己的乘性基,
Figure BDA0002412721920000043
表示加性基。
特征整合器将各个训练识别单元训练的特征提取并整合再经过一层卷积训练过滤，达到接收并行接收图像特征后对图片特征的快速筛选分类从而快速的输出识别结果。
全连接层包括两个修正线性激活函数,激活函数均采用relu函数。
输出层为对输入数据进行线性变换，输出概率值。输出层包括Softmax回归分类器和Sigmoid输出单元以及径向基(RBF)函数输出单元。Softmax回归分类器用于解决多分类问题，用于水果多分类识别任务,Softmax回归分类器将上一层的输出通过Softmax函数作用后，输出值就转变成了[0，1]范围的值，而这些值满足概率的性质，累加在一起的结果为1，可以将它理解成为概率值，最后选取概率值最大的节点作为输出节点。Softmax函数的计算公式为：
Figure BDA0002412721920000044
式中:z表示所有输出节点的组合，zj表示所有组合中的第j个输出节点，σ(z)j表示第j个输出节点在所有组合中的占有概率值大小。

Claims (7)

1.一种基于深度学习的水果识别方法，其特征在于：包括以下步骤：
步骤1：读取训练图像：深度学习模型包括输入层，所述输入层读入包含水果的RGB图像；
步骤2：训练深度学习模型：所述深度学习模型还包括1个以上结构相同的的训练识别单元、特征整合器、全连接层和输出层；所述训练识别单元由输入层、1层以上的并行卷积层和1层以上的并行池化层组成；所述卷积层和池化层的层数相同；输入层的输出同时输入至各训练识别单元；各训练识别单元分别将输入层读取的图像依次并行经卷积层及其对应的和并行池化层处理后输出至特征整合器；特征整合器将各训练识别单元输入的数据综合处理后经全连接层输出至输出层。
步骤3：识别水果：利用所述深度学习模型分类包含水果的RGB图像。
2.一种采用权利要求1所述的基于深度学习的水果识别方法，其特征在于：训练深度学习模型的特征包括颜色矩、颜色统计直方图和方向梯度直方图。
3.一种采用权利要求1所述的基于深度学习的水果识别方法，其特征在于：进一步，所述训练识别单元由16层的并行卷积层和16层的并行池化层组成。
4.一种采用权利要求1所述的基于深度学习的水果识别方法，其特征在于：采用SVM支持向量机算法训练深度学习模型。
5.一种采用权利要求2所述的基于深度学习的水果识别方法，其特征在于：颜色矩FCOLOR为：
FCOLOR＝[μR,σR,SR,μG,σG,SG,μB,σB,SB] (1)
Figure FDA0002412721910000011
Figure FDA0002412721910000012
Figure FDA0002412721910000013
(2)-(4)式中，Pi,j表示彩色图像第j个像素的第i颜色分量，N表示图像中的像素个数。
6.一种采用权利要求2所述的基于深度学习的水果识别方法，其特征在于：更进一步，方向梯度直方图计算包括图像灰度化、图像Gamma校正、梯度计算和梯度直方图统计步骤。
7.一种采用权利要求6所述的基于深度学***方根法。
CN202010181484.XA 2020-03-16 2020-03-16 一种基于深度学习的水果识别方法 Pending CN111401442A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010181484.XA CN111401442A (zh) 2020-03-16 2020-03-16 一种基于深度学习的水果识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010181484.XA CN111401442A (zh) 2020-03-16 2020-03-16 一种基于深度学习的水果识别方法

Publications (1)

Publication Number Publication Date
CN111401442A true CN111401442A (zh) 2020-07-10

Family

ID=71432734

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010181484.XA Pending CN111401442A (zh) 2020-03-16 2020-03-16 一种基于深度学习的水果识别方法

Country Status (1)

Country Link
CN (1) CN111401442A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381028A (zh) * 2020-11-23 2021-02-19 苏州极目机器人科技有限公司 目标物的特征检测方法和装置
CN112668608A (zh) * 2020-12-04 2021-04-16 北京达佳互联信息技术有限公司 一种图像识别方法、装置、电子设备及存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101034440A (zh) * 2007-01-12 2007-09-12 浙江工业大学 一种类球形果蔬的识别方法
CN103164695A (zh) * 2013-02-26 2013-06-19 中国农业大学 一种基于多源图像信息融合的果实识别方法
JP2013240299A (ja) * 2012-05-21 2013-12-05 Tokyo Univ Of Agriculture & Technology 収穫装置と収穫方法
CN103530611A (zh) * 2013-09-30 2014-01-22 南京林业大学 一种物体识别***及其识别方法
WO2015121809A1 (es) * 2014-02-12 2015-08-20 Federacion Nacional De Cafeteros De Colombia Equipo portátil para la cosecha selectivacon identificación de frutos por color
US20160307329A1 (en) * 2015-04-16 2016-10-20 Regents Of The University Of Minnesota Robotic surveying of fruit plants
CN107491726A (zh) * 2017-07-04 2017-12-19 重庆邮电大学 一种基于多通道并行卷积神经网络的实时表情识别方法
CN107886165A (zh) * 2017-12-30 2018-04-06 北京工业大学 一种基于计算机模式识别的并行卷积神经网络方法
CN108319894A (zh) * 2017-12-28 2018-07-24 杭州乔戈里科技有限公司 基于深度学习的水果识别方法及装置
CN108615010A (zh) * 2018-04-24 2018-10-02 重庆邮电大学 基于平行卷积神经网络特征图融合的人脸表情识别方法
CN109410209A (zh) * 2018-11-19 2019-03-01 浙江大学 一种基于深度学习分类的坚果外源性异物检测方法
CN109543697A (zh) * 2018-11-16 2019-03-29 西北工业大学 一种基于深度学习的rgbd图像目标识别方法
CN109740627A (zh) * 2018-11-27 2019-05-10 南京邮电大学 一种基于并行卷积神经网络的昆虫图像识别***及其方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101034440A (zh) * 2007-01-12 2007-09-12 浙江工业大学 一种类球形果蔬的识别方法
JP2013240299A (ja) * 2012-05-21 2013-12-05 Tokyo Univ Of Agriculture & Technology 収穫装置と収穫方法
CN103164695A (zh) * 2013-02-26 2013-06-19 中国农业大学 一种基于多源图像信息融合的果实识别方法
CN103530611A (zh) * 2013-09-30 2014-01-22 南京林业大学 一种物体识别***及其识别方法
WO2015121809A1 (es) * 2014-02-12 2015-08-20 Federacion Nacional De Cafeteros De Colombia Equipo portátil para la cosecha selectivacon identificación de frutos por color
US20160307329A1 (en) * 2015-04-16 2016-10-20 Regents Of The University Of Minnesota Robotic surveying of fruit plants
CN107491726A (zh) * 2017-07-04 2017-12-19 重庆邮电大学 一种基于多通道并行卷积神经网络的实时表情识别方法
CN108319894A (zh) * 2017-12-28 2018-07-24 杭州乔戈里科技有限公司 基于深度学习的水果识别方法及装置
CN107886165A (zh) * 2017-12-30 2018-04-06 北京工业大学 一种基于计算机模式识别的并行卷积神经网络方法
CN108615010A (zh) * 2018-04-24 2018-10-02 重庆邮电大学 基于平行卷积神经网络特征图融合的人脸表情识别方法
CN109543697A (zh) * 2018-11-16 2019-03-29 西北工业大学 一种基于深度学习的rgbd图像目标识别方法
CN109410209A (zh) * 2018-11-19 2019-03-01 浙江大学 一种基于深度学习分类的坚果外源性异物检测方法
CN109740627A (zh) * 2018-11-27 2019-05-10 南京邮电大学 一种基于并行卷积神经网络的昆虫图像识别***及其方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LEI HOU等: "Fruit Recognition Based On Convolution Neural Network" *
SANG-SOO PARK等: "Modified Convolution Neural Network for Highly Effective Parallel Processing" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381028A (zh) * 2020-11-23 2021-02-19 苏州极目机器人科技有限公司 目标物的特征检测方法和装置
CN112668608A (zh) * 2020-12-04 2021-04-16 北京达佳互联信息技术有限公司 一种图像识别方法、装置、电子设备及存储介质
CN112668608B (zh) * 2020-12-04 2024-03-15 北京达佳互联信息技术有限公司 一种图像识别方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Saito et al. Multiple object extraction from aerial imagery with convolutional neural networks
Doh et al. Automatic citrus fruit disease detection by phenotyping using machine learning
CN111699494A (zh) 使用通过主成分分析和重复频谱聚类进行训练的卷积神经网络的对象识别
Iniyan et al. Plant disease identification and detection using support vector machines and artificial neural networks
CN107016405A (zh) 一种基于分级预测卷积神经网络的害虫图像分类方法
CN110717553A (zh) 一种基于自衰减权重和多局部约束的交通违禁品识别方法
Huang et al. Grape leaf disease detection and classification using machine learning
Su et al. LodgeNet: Improved rice lodging recognition using semantic segmentation of UAV high-resolution remote sensing images
CN110084194A (zh) 一种基于高光谱成像与深度学习的籽棉地膜在线识别算法
CN111401442A (zh) 一种基于深度学习的水果识别方法
CN114492634B (zh) 一种细粒度装备图片分类识别方法及***
Firdous et al. Deep convolutional neural network-based framework for apple leaves disease detection
CN109934835B (zh) 基于深度强化网络邻接连接的轮廓检测方法
Al-Akkam et al. Plants leaf diseases detection using deep learning
Shastry et al. Classification of medicinal leaves using support vector machine, convolutional neural network and you only look once
Song et al. Using dual-channel CNN to classify hyperspectral image based on spatial-spectral information
Bhadur et al. Agricultural crops disease identification and classification through leaf images using machine learning and deep learning technique: a review
Patil et al. Sensitive crop leaf disease prediction based on computer vision techniques with handcrafted features
CN115019215B (zh) 一种基于高光谱图像的大豆病虫害识别方法和装置
Wang et al. Boosting-like deep learning for pedestrian detection
Fitter Strawberry detection under various harvestation stages
CN112990333A (zh) 一种基于深度学习的天气多分类识别方法
CN112487909A (zh) 一种基于并联卷积神经网络的水果品种识别方法
Sequeira et al. Agricare: To detect and prevent paddy crop diseases using machine learning
Thaib et al. Radial basis function neural network in identifying the types of mangoes

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
AD01 Patent right deemed abandoned

Effective date of abandoning: 20240322

AD01 Patent right deemed abandoned