基于卷积神经网络技术的蔬果种类识别方法＊
薄琪苇1，彭 俊1，夏 凯1,2
【摘 要】摘 要：为了降低蔬果种类的分类成本，实现蔬果智能化的识别与分拣，以9种蔬果为实验对象，运用卷积神经网络技术，建立一个图像识别模型。针对蔬果种类的特点，优化并调整模型的结构。相比其他识别网络，卷积神经网络特有的卷积层能对图像自动进行特征提取，并且由于其参数的权值共享，可以有效缩短学习时间，进一步提升识别率。所构建的识别模型能够实现相对复杂背景下的蔬果图像识别，可为日常生活中的蔬果识别提供一种切实有效的方法，具有一定的现实意义。 【期刊名称】计算机时代 【年(卷),期】2018(000)004 【总页数】4
【关键词】信息处理；蔬果识别；卷积神经网络；图像识别；识别模型
0 引言
最早的蔬果智能识别系统是由IBM公司的BOLLE等[1]于1995年为超市设计的，系统只能提取简单的图像颜色、形状、纹理等特征参数，利用简单的最小紧邻法对多种蔬果进行分类。ZHANG等[2]运用Unser、RGB颜色直方图等作为识别特征，再采用多类支持向量机(SVM)对蔬果进行识别，取得了较好的识别效果。国内对图像识别技术应用于蔬果识别的研究起步较晚且较少。罗承成等[3]针对超市环境中的果蔬农产品进行分类识别，利用改进的邻域特征提取算法，但特征提取时间较长，适用的范围相对有限。黄晓琳等人[4]引入压缩感知机方法，对提取的特征信息进行融合后实现分类。但在研究对象选择上，多数
研究仅是对单一蔬果图像进行识别。综合国内外研究现状可以看出，当前研究较多集中于理论上的算法优化和论证，而实际应用进展不大。其他的分类识别技术，一般需要较多的人工预处理、图像分割等操作，数据运算量较大。鉴于此，本研究尝试将深度学习的卷积神经网络技术应用于蔬果农产品的自动分类中，研究侧重于实际的应用场景，以期为基于图像识别技术的蔬果智能化研究提供一定的参考。
1 材料与方法
1.1 图像来源
所用的蔬菜水果均由农贸市场随机购买，采集的种类主要有：桃子Amygdalus persica，红枣Ziziphus jujuba，苹果Malus pumila，番茄Lycopersicon esculentum，香蕉Musa nana，西兰花Brassica oleracea var.italic，荷兰豆Pisum sativum，土豆Solanum tuberosum，秋葵Abelmoschus esculentus等9种蔬菜水果。在日常生活中，环境复杂，不可控因素很多。为了尽量模拟蔬果在日常生活中的情形，分别将不同数量的蔬果静置于不同的背景中，例如报纸、塑料袋、电子秤托盘等，然后通过数码相机进行拍摄，以此来获取实验图像。以番茄为例，在自然光照下，不同背景所拍摄到的示例如图1所示。
从拍摄的9种不同种类的蔬果图像中，随机选取一部分作为训练集，剩余另一部分不重复的作为验证集，具体拍摄数量，统计结果见表1。 1.2 卷积神经网络概述
卷积神经网络(convolutional neuron networks，CNN)是以多层感知机作为基础，受生物视觉系统“局部感知”影响而设计完成的一种深层神经网络。卷
积神经网络主要由卷积层和降采样层构成，而在最顶层则是由普通神经网络的全连接层，其结构见图2。
卷积层用来实现对输入数据的卷积操作，其由多个卷积核构成，用于构建不同的特征图像。通过不同的卷积核函数，将前一层数据的所有特征在后一层进行表述。
降采样层根据图像局部相关性原理，通过对卷积层进行子抽样，在保证特征不变的情况下，减少图像分辨率，从而减少计算量。一般的，其置于2个卷积层之间，每一卷积层对应于1个降采样层。当前典型的降采样方法主要有均值、最大值和随机降采样3种[5-6]。
2 分析与讨论
2.1 蔬果识别模型
相比于LeNet-5模型，本实验改进后的蔬果识别模型增加了1个S6降采样层，进一步降低图像大小，使得拥有3对成对的卷积降采样层。而在其后新增的Dropout层，则是为了避免过拟合的问题，加强模型的特征表达能力，其结构示意图如图3所示。
构建好识别模型之后，就需要通过蔬果图像来训练模型，以此来获取特征值。 从拍摄的9种蔬果图片中，每个种类随机挑选一部分图片作为训练集，用来训练模型。将压缩后的训练集图片转换成二进制文件，输入到模型中，训练模型，获得训练结果。
在自然光下，以白色为背景的单体蔬果图片为例，设定训练迭代次数10000次，对模型训练后，可用TensorFlow自带的可视化工具TensorBoard来显示训练过程。如图4所示：在迭代次数达6000次时，总的缺失值(交叉熵和权重衰减
基于卷积神经网络技术的蔬果种类识别方法
