基于深度学习的食用水果图像识别应用研究
发布时间：2021-01-22 15:49
食用农产品批发市场涉及众多食用水果经营商户,这些商户经营的水果种类繁多而且交易量也巨大。但目前商户在食用水果的交易过程中仍采用传统人工操作的方式,尤其批发销售时需要通过人工判断识别水果种类后,才能输入相应的价格数据进而计算交易的总金额。这种操作方式不仅没有充分利用先进的互联网+和当前人工智能技术的优势,而且消耗人力、增加劳动强度、影响经营成本等。因此,研发一套食用水果图像识别系统用于辅助水果经营商户自动高效识别水果图像的种类后便能完成水果交易中的涉及的费用计算是有意义的和应用价值的。本文所研究的内容旨在基于先进的深度学习技术构建一个食用水果图像识别模型,并基于该模型研发面向批发市场食用水果商户交易需要的食用水果图像识别系统。本文的主要研究内容及工作如下:（1）研究分析了基于传统机器学习和基于深度学习的水果图像识别相关技术。对传统机器学习中的特征提取算法、分类算法进行了研究分析,着重研究分析了卷积神经网络技术,尤其是较深入研究分析了 AlexNet、MobileNet以及MobileNetV2的网络架构特点和主要应用。（2）采集和整理进行模型训练需要的食用水果图像数据集。本文在基于真实的...
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：93 页
【学位级别】：硕士
【部分图文】：
图２．１传统图像识别流程图??
?第２章相关理论及技术介绍???Ｔ等人［１６】在１９９４年提出，以提取图像的局部纹理特征作为判别依据。ＬＢＰ特征??具有灰度不变性、计算简单且特征提取效果良好等显著优点，所以被广泛应用??于计算机视觉和图像识别等多个领域。??传统ＬＢＰ定义在３＊３区域内，用最中间像素的灰度值作阈值，将周围８个??像素点的灰度值与其比较。若大于或等于该阈值，则被记为１。若小于该阈值，??则被记为０。通过上述计算，３＊３区域将生成一个８位二进制数，将其转换为十??进制数，即得该中心像素点的ＬＢＰ码。它反映了以该区域像素点的纹理信息。??ＬＢＰ编码过程如图２．２所示。??ｒｒｎｎ?ｒｒ＾??＿ｍ＿ｇ。?１?＾?ｓ（ｇｃ－ｇｏ）?（〇ｉｉｉ〇ｈ〇）２＝（１１８）１〇??６?１０?１?１?１?０??原始图像?二值图像?ＬＢＰ特征值??图２．２?ＬＢＰ算法示意图??计算窗口区域中心像素点的ＬＢＰ编码值如公式２．１、公式２．２所示：??ＬＢＰ（ｘｃ，ｙｃ）＝＾２Ｐｓ（ｉｐ－ｉｃ）??＾?（２．１）??ｓ｛ｘ）?＝?／１??｜＾０?ｅｋｅ??（２．２）??公式２．１中ｈ）是中心像素值，（是灰度值，是相邻像素的灰度值。??公式２．２公式表不为一个符号函数。??２．１．２?ＬＢＰ旋转不变模式??由２．１．１中ＬＢＰ的定义得出，ＬＢＰ具备灰度不变性，但不同旋转角度会得到??不同ＬＢＰ值，不具备旋转不变的特点。??因此，Ｍａｅｎｐａａ［１７］等人将传统ＬＢＰ算子进行改变，将３＊３邻域旋转得８个??７??
?第２章相关理论及技术介绍???ＬＢＰ值，取其中的最小值作该邻域的ＬＢＰ值。??图２．３是求旋转不变ＬＢＰ值的算法示意图，可见最后得到具有旋转不变性??的ＬＢＰ值为１５。??〇°〇??。｜?〇．．／２２Ｓ??？?〇????〇?°?０?？?°?０?？?＃?〇?？?＃?？?？？馨?〇?＃?？?０〇?鲁??參?〇？?〇?＃?〇?馨?〇〇?參?〇?？０?？??＊?？?？?？?？?°?？?〇?°?°?〇?°?０〇０?°?〇？?°?？??＞４０?１２０?６Ｕ?３０?１５?１３５?１９５??ＩＳ??图２．３?ＬＢＰ旋转不变模式算法示意图??计算窗口区域中心像素点的旋转不变ＬＢＰ算子编码值如公式２．３所示：??ＬＢＰ；［ｒ?＝?ｍｉｎ｛ＲＯＲ（ＬＢＰＰＲ，ｉ?｜?ｉ?＝?０，１，．．．，?Ｐ－１｝?（２．３）??表示旋转不变ＬＢＰ算子的编码值，（ｘｊ＿）函数为旋转函数，表示??将ｘ循环右移ｚ？位。??２．?１．３?ＬＢＰ等价模式??由２．１．１中定义可得，半径为Ｒ的圆形区域ＬＢＰ包含Ｐ个采样点，会产生２〃??种二进制模式。可见，传统ＬＢＰ产生过多二进制模式，对纹理特征的提娶识??别、分类等操作造成不便。违背了特征提取算法简洁迅速的初衷，故综合存储??空间、计算速度等要求，需对原始的ＬＢＰ算子进行降维。??为了解决上述问题，Ｏｊａｌａ［１８］等人提出一种“等价模式”：当ＬＢＰ的二进制码??在０与１之间存在２次以下跳转时，该ＬＢＰ二进制码称为等价模式类，跳转次数??大于２则归为混合模式类。与原始ＬＢＰ相比，ＬＢＰ等价模式中在保证所需提取??信息完整的前提下，将模式数量由初始的减少为Ｐ
【参考文献】：
期刊论文
[1]基于深度学习的水果识别技术研究[J]. 林云森,范文强,姜佳良. 光电技术应用. 2019(06)
[2]基于MobileNet V2-ELM的肝硬化识别[J]. 刘梦伦,赵希梅,魏宾. 青岛大学学报(自然科学版). 2019(04)
[3]基于迁移学习的自然环境下香梨目标识别研究[J]. 孟欣欣,阿里甫·库尔班,吕情深,周雷. 新疆大学学报(自然科学版). 2019(04)
[4]面向移动端的轻量化卷积神经网络结构[J]. 毕鹏程,罗健欣,陈卫卫,邓益侬,刘祯. 信息技术与网络安全. 2019(09)
[5]基于轻量级CNN的植物病害识别方法及移动端应用[J]. 刘洋,冯全,王书志. 农业工程学报. 2019(17)
[6]一种移动卷积神经网络的FPGA实现[J]. 李炳辰,黄鲁. 微电子学与计算机. 2019(09)
[7]基于多颜色和局部纹理的水果识别算法研究[J]. 陈雪鑫,卜庆凯. 青岛大学学报(工程技术版). 2019(03)
[8]基于深度迁移学习的图像分类研究[J]. 栾庆磊. 黄山学院学报. 2019(03)
[9]基于深度学习和迁移学习的水果图像分类[J]. 廉小亲,成开元,安飒,吴叶兰,关文洋. 测控技术. 2019(06)
[10]基于MobileNet的移动端城管案件目标识别算法[J]. 杨辉华,张天宇,李灵巧,潘细朋. 计算机应用. 2019(08)
博士论文
[1]面向图像语义分割的新型卷积神经网络及其应用研究[D]. Robail Yasrab.中国科学技术大学 2017
[2]基于卷积神经网络的医学图像癌变识别研究[D]. 薛迪秀.中国科学技术大学 2017
硕士论文
[1]基于深度学习的五金件图像检索方法及其应用研究[D]. 何智海.南昌大学 2019
[2]基于卷积神经网络和迁移学习的农作物病害和杂草图像识别研究[D]. 王敬贤.中国科学技术大学 2019
[3]基于深度学习的图像识别与文字推荐系统的设计与实现[D]. 王雨辰.北京交通大学 2017
[4]基于深度学习的图像识别方法研究与应用[D]. 文馗.华中师范大学 2017
[5]基于CNN的交通标志识别方法研究[D]. 杨振杰.天津工业大学 2017
[6]基于深度学习的水果图像识别算法研究[D]. 王前程.河北大学 2016
[7]基于稀疏表示和卷积神经网络的水果图像分类与实现[D]. 吕伟.华南农业大学 2016
[8]果蔬图像的混合粒度分类研究[D]. 冯语姗.中国科学技术大学 2016
[9]基于CNN的工件缺陷检测方法研究及系统设计[D]. 乔丽.华中师范大学 2016
[10]基于深度学习的图像识别应用研究[D]. 周凯龙.北京工业大学 2016
本文编号：2993498
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：93 页
【学位级别】：硕士
【部分图文】：
图２．１传统图像识别流程图??
?第２章相关理论及技术介绍???Ｔ等人［１６】在１９９４年提出，以提取图像的局部纹理特征作为判别依据。ＬＢＰ特征??具有灰度不变性、计算简单且特征提取效果良好等显著优点，所以被广泛应用??于计算机视觉和图像识别等多个领域。??传统ＬＢＰ定义在３＊３区域内，用最中间像素的灰度值作阈值，将周围８个??像素点的灰度值与其比较。若大于或等于该阈值，则被记为１。若小于该阈值，??则被记为０。通过上述计算，３＊３区域将生成一个８位二进制数，将其转换为十??进制数，即得该中心像素点的ＬＢＰ码。它反映了以该区域像素点的纹理信息。??ＬＢＰ编码过程如图２．２所示。??ｒｒｎｎ?ｒｒ＾??＿ｍ＿ｇ。?１?＾?ｓ（ｇｃ－ｇｏ）?（〇ｉｉｉ〇ｈ〇）２＝（１１８）１〇??６?１０?１?１?１?０??原始图像?二值图像?ＬＢＰ特征值??图２．２?ＬＢＰ算法示意图??计算窗口区域中心像素点的ＬＢＰ编码值如公式２．１、公式２．２所示：??ＬＢＰ（ｘｃ，ｙｃ）＝＾２Ｐｓ（ｉｐ－ｉｃ）??＾?（２．１）??ｓ｛ｘ）?＝?／１??｜＾０?ｅｋｅ??（２．２）??公式２．１中ｈ）是中心像素值，（是灰度值，是相邻像素的灰度值。??公式２．２公式表不为一个符号函数。??２．１．２?ＬＢＰ旋转不变模式??由２．１．１中ＬＢＰ的定义得出，ＬＢＰ具备灰度不变性，但不同旋转角度会得到??不同ＬＢＰ值，不具备旋转不变的特点。??因此，Ｍａｅｎｐａａ［１７］等人将传统ＬＢＰ算子进行改变，将３＊３邻域旋转得８个??７??
?第２章相关理论及技术介绍???ＬＢＰ值，取其中的最小值作该邻域的ＬＢＰ值。??图２．３是求旋转不变ＬＢＰ值的算法示意图，可见最后得到具有旋转不变性??的ＬＢＰ值为１５。??〇°〇??。｜?〇．．／２２Ｓ??？?〇????〇?°?０?？?°?０?？?＃?〇?？?＃?？?？？馨?〇?＃?？?０〇?鲁??參?〇？?〇?＃?〇?馨?〇〇?參?〇?？０?？??＊?？?？?？?？?°?？?〇?°?°?〇?°?０〇０?°?〇？?°?？??＞４０?１２０?６Ｕ?３０?１５?１３５?１９５??ＩＳ??图２．３?ＬＢＰ旋转不变模式算法示意图??计算窗口区域中心像素点的旋转不变ＬＢＰ算子编码值如公式２．３所示：??ＬＢＰ；［ｒ?＝?ｍｉｎ｛ＲＯＲ（ＬＢＰＰＲ，ｉ?｜?ｉ?＝?０，１，．．．，?Ｐ－１｝?（２．３）??表示旋转不变ＬＢＰ算子的编码值，（ｘｊ＿）函数为旋转函数，表示??将ｘ循环右移ｚ？位。??２．?１．３?ＬＢＰ等价模式??由２．１．１中定义可得，半径为Ｒ的圆形区域ＬＢＰ包含Ｐ个采样点，会产生２〃??种二进制模式。可见，传统ＬＢＰ产生过多二进制模式，对纹理特征的提娶识??别、分类等操作造成不便。违背了特征提取算法简洁迅速的初衷，故综合存储??空间、计算速度等要求，需对原始的ＬＢＰ算子进行降维。??为了解决上述问题，Ｏｊａｌａ［１８］等人提出一种“等价模式”：当ＬＢＰ的二进制码??在０与１之间存在２次以下跳转时，该ＬＢＰ二进制码称为等价模式类，跳转次数??大于２则归为混合模式类。与原始ＬＢＰ相比，ＬＢＰ等价模式中在保证所需提取??信息完整的前提下，将模式数量由初始的减少为Ｐ
【参考文献】：
期刊论文
[1]基于深度学习的水果识别技术研究[J]. 林云森,范文强,姜佳良. 光电技术应用. 2019(06)
[2]基于MobileNet V2-ELM的肝硬化识别[J]. 刘梦伦,赵希梅,魏宾. 青岛大学学报(自然科学版). 2019(04)
[3]基于迁移学习的自然环境下香梨目标识别研究[J]. 孟欣欣,阿里甫·库尔班,吕情深,周雷. 新疆大学学报(自然科学版). 2019(04)
[4]面向移动端的轻量化卷积神经网络结构[J]. 毕鹏程,罗健欣,陈卫卫,邓益侬,刘祯. 信息技术与网络安全. 2019(09)
[5]基于轻量级CNN的植物病害识别方法及移动端应用[J]. 刘洋,冯全,王书志. 农业工程学报. 2019(17)
[6]一种移动卷积神经网络的FPGA实现[J]. 李炳辰,黄鲁. 微电子学与计算机. 2019(09)
[7]基于多颜色和局部纹理的水果识别算法研究[J]. 陈雪鑫,卜庆凯. 青岛大学学报(工程技术版). 2019(03)
[8]基于深度迁移学习的图像分类研究[J]. 栾庆磊. 黄山学院学报. 2019(03)
[9]基于深度学习和迁移学习的水果图像分类[J]. 廉小亲,成开元,安飒,吴叶兰,关文洋. 测控技术. 2019(06)
[10]基于MobileNet的移动端城管案件目标识别算法[J]. 杨辉华,张天宇,李灵巧,潘细朋. 计算机应用. 2019(08)
博士论文
[1]面向图像语义分割的新型卷积神经网络及其应用研究[D]. Robail Yasrab.中国科学技术大学 2017
[2]基于卷积神经网络的医学图像癌变识别研究[D]. 薛迪秀.中国科学技术大学 2017
硕士论文
[1]基于深度学习的五金件图像检索方法及其应用研究[D]. 何智海.南昌大学 2019
[2]基于卷积神经网络和迁移学习的农作物病害和杂草图像识别研究[D]. 王敬贤.中国科学技术大学 2019
[3]基于深度学习的图像识别与文字推荐系统的设计与实现[D]. 王雨辰.北京交通大学 2017
[4]基于深度学习的图像识别方法研究与应用[D]. 文馗.华中师范大学 2017
[5]基于CNN的交通标志识别方法研究[D]. 杨振杰.天津工业大学 2017
[6]基于深度学习的水果图像识别算法研究[D]. 王前程.河北大学 2016
[7]基于稀疏表示和卷积神经网络的水果图像分类与实现[D]. 吕伟.华南农业大学 2016
[8]果蔬图像的混合粒度分类研究[D]. 冯语姗.中国科学技术大学 2016
[9]基于CNN的工件缺陷检测方法研究及系统设计[D]. 乔丽.华中师范大学 2016
[10]基于深度学习的图像识别应用研究[D]. 周凯龙.北京工业大学 2016
本文编号：2993498
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2993498.html
