随着经济社会不断进步,人们饮食文化日益多样化,食品卫生与安全成为备受关注的热门话题,人们在超市等处购买果蔬等食品时,往往期望能够了解到果蔬产品的食品产地,生产状况,检验检疫等信息,针对上述情况,科学家们开发出了溯源秤来解决上述状况。利用溯源秤作为销售终端机,实现食品信息录入、传递、记录食品安全信息、交易信息,并向消费者打印质量溯源凭证(追溯码)。传统的溯源秤是采用二维码来实现果蔬产品的识别,但由于果蔬产品往往要经过包装后才能贴上二维码标签,这消耗了大量的人力物力。此外由于果蔬品种繁多,不同果蔬的价格不同,各种价格主要依靠人工记忆,这大大增加了超市培训人员的经济、时间成本。基于此,本文开展了基于计算机视觉的溯源秤果蔬识别的算法研究。针对果蔬图像特征提取,本文采用Gabor小波变换提取果蔬图像的细节特征;考虑到Gabor小波变换特征维数较高,本文采用使用二维PCA方法进行降维;在分类识别阶段,本文分别采用稀疏表征识别分类器和GMM模型与深度神经网络相融合分类器进行分类,并且进行交叉验证,分析识别率。实验结果表明可以取得较好的识别效果。本文主要做了以下几点工作:(1)着重讨论Gabor小波变换以及不同Gabor内核窗大小对识别率的影响。实验证明,使用Gabor小波变换提取特征具有较好的空间域、频率域局部性,以及多方向选择性。(2)本文在主成分分析PCA降维的理论基础上,采用了 2D-PCA对Gabor特征值进行降维。实验证明,使用2D-PCA降维较PCA方法大大提高了运算效率。(3)结合深度学习理论基础,将GMM模型与深度神经网络相融合分类器应用于果蔬识别实验。实验证明,相比GMM、稀疏识别表示算法,取得较优的识别结果。(4)比较Gabor+2D-PCA与下采样+2D-PCA方法,结果显示,使用Gabor方法提取特征的识别效果可达到94%-95%的识别率,远远高于后者。本文通过对具体算法讨论以及实验结果分析得出结论:使用Gabor+2D-PCA方法提取特征并降维,结合GMM模型与深度神经网络相融合分类器进行分类可以得到一个很好的果蔬识别率。