基于深度学习的蔬菜识别研究

发布时间：2021-03-23 00:38

　　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... 

【文章来源】：福建工程学院福建省

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

蔬菜图像数据集的统一命名格式

福建工程学院硕士学位论文12图2-4ImageNet图像中的(a)豌豆(b)土豆(c)生菜(d)胡萝卜2)现场采集图像采集的目的是为了获取符合后续图像分析高质量图像样本。不同的图像采集设备适用于不同的图像识别任务，CCD图像采集设备易受光照影响且成本较高因此不宜采用。数码相机和手机摄像头图像分辨率较高、操作方便而备受青睐，因此本文采用分辨率为1920*1080的数码相机，具体的参数如表一所示，拍摄不同个数、不同环境（光照、包装等）、不同新鲜程度的蔬菜。表2-2相机的主要规格和具体参数产品类型数码相机传感器类型CMOS传感器图像分辨率(18M)4608*3456,(2MHD)视频分辨率1280*720HD,640*480VGA,320*240QVGA曝光EV-3---EV+3对焦方式8倍数码变焦白平衡自动、日光、阴天、钨丝灯场景自动、液晶图像、夜景、人像、风景、海滩ISO自动、100、200、400自拍2、5或10秒延迟外置存储SD存储卡文件格式JPEG格式（静止图像）/AVI格式2.4.2图像样本的预处理过程图像采集是为了得到图像样本，识别算法的设计及其识别精度与图像样本的质量相关性很大，因此在图像识别过程中，需要首先对图像进行预处理，过滤图像中的无用信息，增强有用信息的可识别性，进行图像预处理是图像分析的前提，其中图像分析主要包括特征提娶图像分割等，通过对大量文献阅读总结图像预处理的一般流程如图2-3所示：主要为灰度化、几何变换、图像增强等，由于本文建立的蔬菜图像是彩色的因此不用灰度化。

基于深度学习的蔬菜识别研究15表2-3蔬菜数据集各类蔬菜总量蔬菜类别根菜类白菜类绿叶蔬菜葱蒜类茄果类瓜果类鲜豆类薯芋类芽苗菜类海底蔬菜水生蔬菜食用菌类数量1218230913151675100714157671190471116012252275数据集对比：ImageNet数据集含有1400万张图片，细分有2万多个类别，其中蔬菜类别有：西蓝花、花椰菜、结球甘蓝、绿皮密生西葫芦、南瓜、小青南瓜、黄瓜、蘑菇、朝鲜蓟、刺荆棘等，如图2-9左所示，蔬菜种类、场景太过复杂且不具有代表性，部分类别蔬菜图像数目较少，少数类别的图像数目为0，VEG-54数据库中每类图像的图片分布较为均匀，且最小数目为120张，蔬菜种类尽可能包含了用于购买的蔬菜类别。表2-4ImageNet、VEG-54蔬菜数据规模对比表图2-9IMAGENET蔬菜数据集与VEG-54数据集图像对比2.5本章小结本章主要讲述了如何构建融合蔬菜及纹理特征的蔬菜图像数据集，以蔬菜流通与智慧销售为背景，涉及图像采集、图像类别划分、图像命名等重要环节。图像采集环节主要涉及采集设备即相机、光源、镜头等的选取；图像类别的划分中国蔬菜分类标准，蔬菜色彩与纹理特征，对蔬菜进行层次类别划分。蔬菜图像数据集的命名主要考虑类别标签号、数据类型、新鲜程度、图片序列号等，方便图像的读龋项目类别数子类别数均值最小值最大值<200ImageNet蔬菜251757643150027VEG-54蔬菜12542001204001


本文编号：3094787