基于深度学习的蔬菜检测算法研究和实现

发布时间：2021-03-12 03:03

　　近年来,人工智能技术推动了社会快速发展。越来越多智能化产品给人们的生活带来巨大的便利,其中就包括大型超市中一系列智能化服务设备,提高了顾客的购物体验,同时也为超市带来一定的收益。然而,超市中智能化设备仍然不够健全,例如给散装蔬菜称重的电子秤,依然需要人工手动输入蔬菜的单价,导致效率较低。因此,为了提高超市的运行效率和改善顾客的购物体验,智能化称重设备显得至关重要。超市散装蔬菜智能化称重设备需要准确地对蔬菜目标进行检测,同时完成称重和计价功能,从而给顾客带来较大的便利,解决排队烦恼。其中,智能化称重设备的蔬菜检测功能是最重要的部分。当前的目标检测算法主要包括传统的机器学习方法和深度学习方法。与传统的机器学习方法相比,深度学习方法在计算机视觉方面表现尤为突出,因此本文基于深度学习的目标检测方法实现对蔬菜快速检测。本文主要包括以下内容:由于国内外公开的蔬菜数据集还不存在,所以需要自己从超市和互联网中收集蔬菜图片,并从大量的蔬菜图片中筛选出有效的数据。在本文中蔬菜图片总计7632张,共有20个类别,并且都是超市内常见的蔬菜。然后,使用标注工具将蔬菜图片标注成PASCAL VOC数据格式用于模型... 

【文章来源】：郑州大学河南省 211工程院校

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

人工蔬菜称重设备

1绪论2显得非常重要。通过调查发现，超市的散装蔬菜区域通常会专门安排2位职员进行蔬菜称重计价，但是较低的称重效率将导致该区域经常出现排队情况，使得顾客购买欲下降，给超市造成一定的损失，如图1.1所示为人工蔬菜称重设备。虽然超市也使用一些自助称重设备如图1.2所示，但操作较为复杂仍然难以解决该问题，因此智能化电子称重设备非常需要。在研发智能化散装蔬菜称重打码设备过程中面临的首要问题就是如何准确地检测蔬菜目标。目前依靠传统的图像处理算法实现蔬菜目标检测会导致鲁棒性较低，难以部署到实际应用中。随着深度学习在计算机视觉领域的快速发展，其在医疗[4]、安防[5]、交通[6]等领域均得到广泛应用。因此，基于深度学习方法设计出精准、高效的蔬菜目标检测算法具有较大的研究意义。本文主要是对超市中常见的蔬菜类别进行检测算法研究，并设计出智能称重系统用于取代传统的人工称重设备，该设备只需顾客将选购的蔬菜放置称重台，就可以迅速地进行检测、称重和打印条形码。图1.1人工蔬菜称重设备图1.2自助称重设备1.2研究现状1.2.1传统图像处理的目标检测算法利用传统图像处理算法完成图像识别或者目标检测，其思想首先通过某种特征提取算法获取图像特征，然后利用合适的分类器实现分类。目前众多学者为适应于不同场景，针对传统的特征提取和分类算法进行不断地优化和创新，从而应用于实际生活中。

信息获取目标的特征。NavneetDala[7]最先利用HOG特征与SVM分类器实现行人检测，并且检测效果较好。将HOG特征应用到行人检测主要是因为行人在运动过程中产生的形变较小，该方法可以较好地捕获到行人的轮廓信息。如果目标发生遮挡、姿势幅度过大以及方向改变，那么检测目标的效果将会受到影响。为了解决以上问题，Felzenszwalb[11]等人提出可形变部件模型方法(DeformablePartModel，DPM)，该方法利用图结构的部件模型策略和多组件策略分别解决目标的形变问题和多视角问题。DPM算法被提出后就成为目标检测算法中的重要方法。如图1.3所示，使用HOG方法可以较好地提取蔬菜的轮廓信息。在1999年DavidLowe提出SIFT特征，该方法是一种尺度不变性和光照不变性的特征描述子，其主要思想是在不同的尺度空间上搜索特征点，并分析计算特征点的方向。SIFT特征与HOG特征相比，它对旋转和尺度缩放保持不变性同时具有抗遮挡的优点，而HOG特征通常用于刚性物体的特征提龋图1.3蔬菜图像与提取的HOG特征在1996年T.Ojala等人提出局部二值模式特征，该算法可以提取图像的局部

【参考文献】：
期刊论文
[1]改进YOLO v3算法及其在安全帽检测中的应用[J]. 王兵,李文璟,唐欢.  计算机工程与应用. 2020(09)
[2]基于类加权YOLO网络的水下目标检测[J]. 朱世伟,杭仁龙,刘青山.  南京师大学报(自然科学版). 2020(01)
[3]基于3D卷积神经网络的脑肿瘤医学图像分割优化[J]. 曹祺炜,王峰,牛锦.  现代电子技术. 2020(03)
[4]无人超市识别技术及其应用进展[J]. 舒渤予.  科技与创新. 2020(01)
[5]基于深度学习的行人和车辆检测[J]. 徐谦,李颖,王刚.  吉林大学学报(工学版). 2019(05)
[6]基于迁移学习的蔬菜图像识别方法[J]. 赖佩霞,王晓东,章联军.  宁波大学学报(理工版). 2019(05)
[7]基于轻量化SSD的车辆及行人检测网络[J]. 郑冬,李向群,许新征.  南京师大学报(自然科学版). 2019(01)
[8]基于颜色及纹理特征的果蔬种类识别方法[J]. 陶华伟,赵力,奚吉,虞玲,王彤.  农业工程学报. 2014(16)

硕士论文
[1]基于深度学习的目标识别及安防应用研究[D]. 石栋.北京工业大学 2019
[2]基于卷积神经网络的蔬菜识别及应用研究[D]. 韩朋朋.安徽大学 2018
[3]基于RFID与机器学习的智能超市管理系统研究、设计与实现[D]. 岳世彬.广西大学 2017
[4]物联网环境下智能超市相关问题的研究[D]. 钱进.燕山大学 2016
[5]蔬菜识别算法研究[D]. 倪舟.东南大学 2015



本文编号：3077567