论文部分内容阅读
随着食品安全追溯、无人超市、自主购物的兴起,蔬菜等农产品在流通和销售等环节的自动识别技术已成为急需解决的问题。在图像识别技术的研究过程中,蔬菜图像识别技术的研究主要经历了基于传统图像处理与深度学习技术的两个阶段,基于传统图像处理的蔬菜识别方法依靠人为定义蔬菜特征,如颜色特征、纹理特征、形状特征等,存在对蔬菜不同流通环节的图像采集与处理过程复杂、识别算法及平台要求高,蔬菜识别和分级率低,功能扩展困难等缺点;基于深度学习的蔬菜识别技术多采用卷积神经网络及其改进算法,该技术可以提取高维抽象的图像特征,大大提高了蔬菜识别的准确度和鲁棒性,因此本文基于深度学习卷积神经网络模型对蔬菜识别技术进行相关研究并进行以下工作。(1)构建基于色彩及纹理特征的蔬菜数据集。首先以国家蔬菜分类标准为基本分类依据,在本文的研究背景下,构建基于色彩与纹理特征蔬菜数据集;然后根据图像建立过程中图像预处理的基本步骤,对图像进行视觉质量优化与图像样本数量扩增,最后为方便图像识别过程中的读取与加载,对图像的标签进行设计,主要考虑包装、蔬菜新鲜程度等因素。(2)基于卷积神经网络的蔬菜识别研究。首先介绍卷积神经网络各层的工作原理及参数训练方法;然后对卷积神经网络数据输入的差异性研究,提出一种浅层卷积参数迁移为初始化数据进行训练,深层卷积参数重新初始化进行训练的参数迁移机制,最后对Alex Net、VGG-16模型及其参数迁移模型进行蔬菜识别的仿真,对识别错误结果的蔬菜进行统计并绘制混淆矩阵。(3)基于双线性卷积神经网络的易误识别蔬菜识别研究。本章节首先介绍了双线性卷积神经网络的模型架构及学习机制,然后针对双线性卷积神经网络的输入,提出一种基于谱聚类的簇约束算法,该算法对混淆矩阵中的蔬菜类别聚类的簇的上下限进行约束,利用轮廓曲线确定最优簇值,加载簇内的蔬菜样本输入到双线性卷积神经网络模型进一步训练识别,最后针对提出方法进行实验仿真,实验结果表明,该方法能够有效提高易误识别蔬菜的识别率。(4)基于X6818蔬菜识别的平台设计。本章主要设计了基于X6818的蔬菜识别系统,首先介绍了X6818的硬件结构、外围模块,结合树莓派广角摄像头搭建了蔬菜图像采集及识别的硬件体系结构;其次搭建嵌入式运行环境,深度学习的软件体系及其软件应用环境,实现了对蔬菜图像采集及识别,设计QT界面利用五种蔬菜对蔬菜识别系统进行测试,测试结果表明,平台能够对蔬菜进行在线识别。