【摘要】：隨著科技的發(fā)展,商品交易越來(lái)越方便,自動(dòng)化滲入到交易的每一個(gè)環(huán)節(jié)。但在農(nóng)產(chǎn)品產(chǎn)銷(xiāo)過(guò)程中,針對(duì)蔬果的自動(dòng)分類(lèi)識(shí)別技術(shù)并不成熟,例如在交易階段,對(duì)蔬果的分類(lèi)更多還是通過(guò)人工分揀完成,既為經(jīng)銷(xiāo)商增加了人力成本,又為消費(fèi)者帶來(lái)了不便的購(gòu)物體驗(yàn)。隨著計(jì)算機(jī)視覺(jué)技術(shù)被廣泛應(yīng)用于農(nóng)產(chǎn)品蔬果的分類(lèi)識(shí)別和品質(zhì)檢測(cè),這為解決這一問(wèn)題提供可能。然而,當(dāng)前蔬果圖像自動(dòng)識(shí)別的研究更多集中于單一的、沒(méi)有背景環(huán)境的蔬果圖像上,且更多通過(guò)對(duì)紋理、顏色等特征進(jìn)行提取,利用淺層學(xué)習(xí)技術(shù),實(shí)現(xiàn)對(duì)蔬果圖像的識(shí)別。在方法上并不能滿足多種蔬果的分類(lèi)識(shí)別。針對(duì)以上背景,本研究集中考慮蔬果交易環(huán)境下的圖像識(shí)別研究,采用深度學(xué)習(xí)方法來(lái)提高蔬果圖像的識(shí)別率,通過(guò)卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建模型并實(shí)現(xiàn)分類(lèi)和識(shí)別。主要工作內(nèi)容如下:1)采集15類(lèi)蔬果圖像,共111309張樣本數(shù)據(jù),經(jīng)過(guò)二進(jìn)制轉(zhuǎn)換,形成用以構(gòu)成研究訓(xùn)練集、驗(yàn)證集和評(píng)估集的蔬果農(nóng)產(chǎn)品圖像庫(kù)。2)設(shè)計(jì)針對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型LeNet-5應(yīng)用于蔬果圖像識(shí)別的結(jié)構(gòu)優(yōu)化實(shí)驗(yàn),通過(guò)對(duì)比分類(lèi)結(jié)果,得出增加卷積層和卷積核數(shù)量,較少卷積核和池化范圍大小,能夠提升分類(lèi)效果的結(jié)論。由結(jié)論對(duì)模型進(jìn)行優(yōu)化,同時(shí)為防止過(guò)擬合,引入Dropout技術(shù),最終形成應(yīng)用于復(fù)雜背景環(huán)境下蔬果圖像識(shí)別的模型DCNN-V。3)基于模型DCNN-V,分別選擇不同光照強(qiáng)度、背景環(huán)境和識(shí)別蔬果數(shù)量的圖像作為驗(yàn)證和評(píng)估集用以評(píng)估模型的識(shí)別效果。并將識(shí)別效果與其它方法做比較。研究結(jié)果表明,通過(guò)對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行合理的參數(shù)調(diào)整和方法選擇,可以應(yīng)用于對(duì)復(fù)雜背景環(huán)境下蔬果圖像的識(shí)別。其對(duì)不同光照強(qiáng)度下以報(bào)紙、鋁制托盤(pán)、購(gòu)物袋作為背景的蔬果圖像識(shí)別效果為96.7%~98.4%。模型在解決傳統(tǒng)識(shí)別技術(shù)預(yù)處理步驟繁瑣且泛化能力差等問(wèn)題的同時(shí),提升圖像識(shí)別精度,具有一定的研究意義和實(shí)用價(jià)值。
【圖文】：

慮自然環(huán)境下蔬果農(nóng)產(chǎn)品交易環(huán)節(jié)環(huán)境因素，對(duì)算法相關(guān)參數(shù)，，旨在達(dá)到對(duì)多種蔬果農(nóng)產(chǎn)品的分類(lèi)識(shí)別的的概述及其應(yīng)用于圖像識(shí)別的研究現(xiàn)狀習(xí)的概述習(xí)的研究，是在對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行研究的過(guò)程中逐特殊的神經(jīng)網(wǎng)絡(luò)，是一種模擬人腦的網(wǎng)絡(luò)結(jié)構(gòu)。正如學(xué)習(xí)的基本思想是通過(guò)模擬具有豐富層次結(jié)構(gòu)的腦神結(jié)構(gòu)組織，通過(guò)對(duì)輸入信息進(jìn)行多層的篩選、抽樣，成更為抽象的高層表示（屬性類(lèi)別或特征）。其中，型的網(wǎng)絡(luò)層數(shù)來(lái)決定。一般的，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型由淺層學(xué)習(xí)方法，而隱藏層多超過(guò) 2 層則稱為深度學(xué)習(xí)

網(wǎng)絡(luò)是以現(xiàn)代神經(jīng)生物學(xué)的研究作為基礎(chǔ)，用結(jié)構(gòu)。其是對(duì)人腦的神經(jīng)系統(tǒng)進(jìn)行抽象，觸是神經(jīng)網(wǎng)絡(luò)最為基本的器件。因此，模。而在人工神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元作為基本絡(luò)的角度出發(fā)，有時(shí)會(huì)把它稱為“節(jié)點(diǎn)”。其述，是用數(shù)學(xué)語(yǔ)言對(duì)生物神經(jīng)元的信息處物神經(jīng)元的結(jié)構(gòu)及功能的模擬，實(shí)現(xiàn)基于元模型模型結(jié)構(gòu)的說(shuō)明，考慮到神經(jīng)元是構(gòu)成模神經(jīng)元進(jìn)行介紹和說(shuō)明。圖 2.1 即為一個(gè)體輸入輸出關(guān)系，是一個(gè)多輸入單輸出的
【學(xué)位授予單位】：浙江農(nóng)林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TP391.41;TP183

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 何江萍;馬彥;李強(qiáng);;基于視覺(jué)特征的水果蔬菜自動(dòng)分類(lèi)方法[J];重慶師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2016年03期

2 朱明;田爽;周鋒;王如剛;;基于圖像處理的果蔬溯源秤系統(tǒng)設(shè)計(jì)與開(kāi)發(fā)[J];電子器件;2016年02期

3 ;中共中央國(guó)務(wù)院關(guān)于落實(shí)發(fā)展新理念加快農(nóng)業(yè)現(xiàn)代化實(shí)現(xiàn)全面小康目標(biāo)的若干意見(jiàn)(摘編)[J];農(nóng)業(yè)工程技術(shù);2016年02期

4 程榮花;馬飛;梁亞紅;;形狀相似水果自動(dòng)化識(shí)別研究[J];山東農(nóng)業(yè)科學(xué);2015年08期

5 張寧;朱金福;;基于深度自動(dòng)編碼器的機(jī)場(chǎng)安檢人臉識(shí)別系統(tǒng)設(shè)計(jì)[J];計(jì)算機(jī)測(cè)量與控制;2015年02期

6 尹寶才;王文通;王立春;;深度學(xué)習(xí)研究綜述[J];北京工業(yè)大學(xué)學(xué)報(bào);2015年01期

7 陶華偉;趙力;奚吉;虞玲;王彤;;基于顏色及紋理特征的果蔬種類(lèi)識(shí)別方法[J];農(nóng)業(yè)工程學(xué)報(bào);2014年16期

8 劉建偉;劉媛;羅雄麟;;深度學(xué)習(xí)研究進(jìn)展[J];計(jì)算機(jī)應(yīng)用研究;2014年07期

9 徐珂;;計(jì)算機(jī)圖像處理技術(shù)的探析[J];電腦知識(shí)與技術(shù);2014年11期

10 黃曉琳;薛月菊;涂淑琴;李鴻生;何金輝;;基于壓縮感知理論的RGB-D圖像分類(lèi)方法[J];計(jì)算機(jī)應(yīng)用與軟件;2014年03期

相關(guān)重要報(bào)紙文章 前1條

1 關(guān)健;;開(kāi)疆拓土 阿里巴巴靠15件頂尖武器[N];第一財(cái)經(jīng)日?qǐng)?bào);2015年

相關(guān)碩士學(xué)位論文 前1條

1 陽(yáng)江平;基于計(jì)算機(jī)視覺(jué)的果蔬識(shí)別方法研究[D];大連理工大學(xué);2011年

本文編號(hào)：2547682