CN110197115A - 一种农贸产品种类的图像识别方法 - Google Patents
一种农贸产品种类的图像识别方法 Download PDFInfo
- Publication number
- CN110197115A CN110197115A CN201910280853.8A CN201910280853A CN110197115A CN 110197115 A CN110197115 A CN 110197115A CN 201910280853 A CN201910280853 A CN 201910280853A CN 110197115 A CN110197115 A CN 110197115A
- Authority
- CN
- China
- Prior art keywords
- characteristic pattern
- image
- agricultural trade
- trade products
- obtains
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 230000002708 enhancing effect Effects 0.000 claims abstract description 6
- 230000000153 supplemental effect Effects 0.000 claims abstract description 4
- 230000004913 activation Effects 0.000 claims description 27
- 210000002569 neuron Anatomy 0.000 claims description 6
- 235000013311 vegetables Nutrition 0.000 claims description 6
- 239000006002 Pepper Substances 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims 1
- 239000000463 material Substances 0.000 abstract description 5
- 238000013461 design Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Abstract
本发明公开了一种农贸产品种类的图像识别方法,包括如下步骤:S1、获取农贸产品的图像数据集;S2、将图像数据集分为训练集和测试集,对数据集中的图像进行数据预处理以及增强,然后将图像进行尺寸统一;S3、将步骤S2处理后的图像数据集,送入到深层卷积神经网络中进行训练;S4、当网络损失函数收敛时,根据错误的图像的类型在辅助训练集中找到一些对应类型的图像添加到训练集中,对网络继续进行训练;S5、重复步骤S4,直至网络损失函数收敛或在验证集上的检测结果稳定;S6、将训练好的网络模型对测试集进行测试,输出结果判断属于哪种农贸产品。本发明快速准确的识别农贸产品的种类可快速推进农贸市场的智能化,为企业节约大量的人力和物力。
Description
技术领域
本发明涉及图像识别技术领域,具体涉及一种农贸产品种类的图像识别方法,可应用于智能电子秤。
背景技术
随着科学技术的发展,越来越多的智能设备在我们的生活中扮演着很重要的角色,如人脸考勤去替代人工考勤节约了大量的人力和物力等。当我们在超市购物时经常会发现在水果区、蔬菜区等区域会看到排队称物品的情况出现,对于智能化时代的我们可以设计一种智能的电子称设备去解决这个情况的出现。通过智能电子秤设备替代人工识别农贸产品的种类,并且根据系统的每种农贸产品的单价和农贸产品的重量去价格,使用此种电子称设备可以很好的解决排队的问题,同时可以给超市减少人力的投入减少运行成本。
现有技术的技术方案一:人工识别农贸产品或者人工贴上条形码识别
主要是通过人工识别农贸产品或者通过农贸人工识别的方法给农贸产品贴个条形码,然后通过识别条形码去识别农贸产品的种类去计算价格。
现有技术一的缺点:
1)人工识别农贸商品的种类,消耗大量的人力、物力、财力;
2)工人在疲劳的情况下易错误的识别农产品的种类;
3)条形码人工可能贴错,导致价格有出入。
现有技术的技术方案二:通过颜色纹理形状等特征识别农贸产品
主要是通过农贸产品的研究设计基于颜色、纹理、形状等特征的分类器,对农贸产品识别相对于方案一有很大的进步。此种方法采用的基于机器学习的方法先设计提取农贸产品的颜色、纹理、形状等特征后,然后把这些特征信息送到svm分类器中做分类任务后,即可完成对农贸产品的快速准确识别并且可以长时间工作。
现有技术二的缺点:
1)农贸产品的颜色特征、形状特征、纹理特征采用何种低级视觉特征、如何选择分类器都是根据经验的,很难保证最佳检测效果;
2)识别计算比较耗时,效率不高;
3)用特定特征提前的方法然后送到分类器中,一般只能在特定场景下应用,鲁棒性比较差,实用价值很低;
4)这种方法对于实际实施现场中会比较繁琐,造成应用成本上升;
5)实际应用环境复杂光线不一,农贸产品识别精度很低。
发明内容
有鉴于此,为了解决现有技术中的上述问题,本发明提出一种农贸产品种类的图像识别方法,使其能够高效准确的在智能电子秤中识别农贸产品。
本发明通过以下技术手段解决上述问题:
一种农贸产品种类的图像识别方法,包括如下步骤:
S1、获取农贸产品的图像数据集;
S2、将图像数据集分为训练集和测试集,对数据集中的图像进行数据预处理以及增强,然后将图像进行尺寸统一;
S3、将步骤S2处理后的图像数据集,送入到深层卷积神经网络中进行训练;
S4、当网络损失函数收敛时,将训练得到的模型在验证集上进行测试,对于农贸产品识别错误的结果进行分析,根据错误的图像的类型在辅助训练集中找到一些对应类型的图像添加到训练集中,对网络继续进行训练;
S5、重复步骤S4,直至网络损失函数收敛或在验证集上的检测结果稳定,此时网络参数即为训练好的具有检测蔬菜图像功能的深层卷积神经网络的参数;
S6、将训练好的网络模型对测试集进行测试,输出结果判断属于哪种农贸产品。
进一步地,步骤S2中,训练集和测试集分为比例3:1。
进一步地,步骤S3中,图像统一到320×240尺寸。
进一步地,步骤S3中,图像进行数据预处理以及增强包括图像旋转、加椒盐噪声、调节亮度和饱和度、图像模糊、直方图均衡化。
进一步地,深层卷积神经网络结构详细如下:
卷积层1:用stride为1、pad为1、64个3×3卷积核去卷积320×240的输入图像得到320×240的特征图,然后采用ReLU1激活函数得到64×320×240的特征;
卷积层2:用stride为2、pad为1、128个3×3卷积核去卷积320×240的输入特征图得到160×120的特征图,然后采用ReLU2激活函数得到128×160×120的特征;
HdNet1:采用ReLU2后的特征图经过HdNet1后可得到128×160×120的特征图;
卷积层3:用stride为1、pad为1、128个3×3卷积核去卷积160×120的输入图像得到160×120的特征图,然后采用ReLU3激活函数得到128×160×120的特征图;
卷积层4:用stride为2、pad为1、128个3×3卷积核去卷积160×120的输入图像得到80×60的特征图,然后采用ReLU4激活函数得到128×80×60的特征图;
HdNet2:采用ReLU4后的特征图经过HdNet2后可得到128×80×60的特征图;
卷积层5:用stride为2、pad为1、128个3×3卷积核去卷积80×60的输入图像得到40×30的特征图,然后采用ReLU5激活函数得到128×40×30的特征图;
HdNet3:采用ReLU5后的特征图经过HdNet3后可得到128×40×30的特征图;
卷积层6:用stride为2、pad为1、256个3×3卷积核去卷积40×30的输入图像得到20×15的特征图,然后采用ReLU6激活函数得到256×20×15的特征图;
HdNet4:采用ReLU6后的特征图经过HdNet4后可得到256×20×15的特征图;
卷积层7:用stride为2、pad为1、256个3×3卷积核去卷积20×15的输入图像得到10×8的特征图,然后采用ReLU7激活函数得到256×10×8的特征图;
HdNet5:采用ReLU7后的特征图经过HdNet5后可得到256×10×8的特征图;
卷积层8:用stride为2、pad为1、512个3×3卷积核去卷积20×15的输入图像得到5×4的特征图,然后采用ReLU8激活函数得到256×5×4的特征图;
HdNet6:采用ReLU8后的特征图经过HdNet6后可得到256×5×4的特征图;
全链接层:在HdNet6连接一个链接层,最后输出得到1×1×1024的特征;
softmax层:Fc1的输入到softmax层的农贸产品的个数打扰神经元相连,得到农贸产品的个数神经元的输出,结果送往softmax层;
Softmax分类层:100个输出分别代表不同的农贸产品种类。
与现有技术相比,本发明的有益效果至少包括:
1)、快速准确的识别农贸产品的种类可快速推进农贸市场的智能化;
2)、农贸产品的准确识别,可以推进智能电子秤的市场推荐,为企业节约大量的人力和物力;
3)、针对性的设计了适合农贸产品识别的网络结构HdNet,此网络结构经过大量的实验证明是符合农贸产品识别在电子秤的应用的;
4)、对农贸产品的数据进行了预处理,来满足实际现场的需求,并且结合农贸产品的识别任务的特点改变了传统的正方形输入到网络结构中去,而是采用矩形不会让农贸产品的特征丢失。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明农贸产品种类的图像识别方法的流程图;
图2是本发明农贸产品种类的图像识别方法的数据流程图;
图3是本发明图像增强方法的流程图;
图4是本发明HdNet的结构示意图;
图5是本发明卷积神经网络的结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面将结合附图和具体的实施例对本发明的技术方案进行详细说明。需要指出的是,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1、2所示,本发明提供一种农贸产品种类的图像识别方法,包括如下步骤:
1、获取农贸产品的图像数据集
由于农贸产品目前没有公开的数据集,本发明采用的数据集是智能电子秤现场采集和网络扒图所得。
2、数据预处理以及增强:
将农贸产品图像进行预处理,预处理后的图像可以增加网络的鲁棒性对应各种复杂的场景可以准确的识别农贸产品的种类。
卷积神经网络训练主要把数据集分为训练集和测试集。本发明主要把训练集和测试集分为比例3:1,训练集每类在3000张左右,测试集每类在1000张左右(因为数据集不均衡)然后在保证图像不失真的情况下,将样本均调整到固定尺寸,本发明调整到320×240尺寸。由于电子秤摄像头采集的图像尺寸是640×480是一个矩阵,为了更好保存图像的特征信息本发明不在采用正方形作为网络的输入。本发明把图像统一到320×240尺寸后输入到网络结构中做训练。
如图3所示,数据预处理的结果对农贸产品识别的准确率尤为重要,数据预处理的方法要结合实际情况的是本发明的初衷,本发明主要的目的是在实际应用中可以做到很高的识别率,达到商用的成熟的产品算法。所以本发明主要也针对性的做了相关的工作。本发明主要采用了图像旋转、加椒盐噪声、调节亮度和饱和度、图像模糊、直方图均衡化等方法。下面简单介绍下这几种方法的作用:
(1)图像旋转主要是菜市场的摊贩把蔬菜放在电子秤上时随意的摆放的,所以本发明增加一些任意图像的数据提高准确率;
(2)加椒盐噪声是为了增加数据的干扰性,希望在有干扰的情况下也可以很准确的识别;
(3)调节亮度和饱和度主要的想法是菜市场现场的环境很复杂,在有些摊贩上电子秤拍摄的图像发白,而有些摊贩上电子秤采集到的数据很暗影响识别效果。所以本发明做了调节亮度和饱和度方法以适应要求;
(4)图像模糊主要是针对采集到电子秤上的数据模糊的情况;
(5)直方图均衡化对蔬菜项目有着很重要的作用:
a、可通过这种方法改变图像环境的对比度,突出目标;
b、可提升算法的鲁棒性,是因为直方图均衡化算法可以把图像像素值平均
的均衡分布减少环境的影响;
3、深层卷积神经网络的训练
将步骤2处理后的图像数据集,送入到设计的网络结构中进行训练,此网络结构是卷积神经网络的原理自行设计的,主要是针对农贸产品在电子秤上可以快速准确的识别,所以要求网络模型要小。
本发明设计的网络结构是在查阅了大量的卷积神经网络的资料和做了大量的比对实验设计出来的。本发明的网络结构要移植到电子秤的开发板中,所以要求设计的网络计算量要小并且准确率要高,才能满足实际现场智能电子秤识别农贸产品准确率的要求。考虑到更好的提取农贸产品的特征,本发明方法的网络结构要求模型快和准,本发明主要采用以下几种思路去结果这个问题:
(1)不采用大的卷积和去提取特征而且采用3×3小的卷积和去提取农贸产品的特征,减小计算量的同时可以很好学习到农贸产品的特征;
(2)减少网络输入输出的特征图的个数,虽然特征图的数量多可以很好的学习到农贸产品的特征,但过多的特征图个数可能会网络结构学习没有很好的正面作用的同时增加了网络的计算量,那么合理的个数是非常有必要的;
(3)网络结构降维不在采用池化的方式,而是采用卷积去降维,这样农贸产品的特征不会在降维这步时丢失太多的信息有于准确率的保证;
(4)通过修改残差网络结构的思想,用3×3卷积核和1×1的卷积核组合替代传统的残差模块中的3×3的卷积思想,同时把bn(Batch Normalization)位置放到卷积的前面位置通过大量的实验证明了比其放在卷积后面识别的准确率有所提高,如图4所示是修改后的网络结构命名它为HdNet;
HdNet其网络结构在卷积之前先做局部归一化然后做线性激活函数后,在对线性激活后的特征在做一次局部归一化,然后把特征分解为个3*3的卷积和64个1*1的卷积后特征结合后在做一次线性激活函数加上HdNet的输入可以很好的提取农贸产品的特征,并且HdNet在此过程中只做特征提前不会改变输入输出的特征图个数,根据实验证明此网络结构相对于其他网络结构准确率较高。
本发明设计的网络结构详细如下(如图5所示):
卷积层1:用stride为1、pad为1、64个3×3卷积核去卷积320×240的输入图像得到320×240的特征图,然后采用ReLU1激活函数得到64×320×240的特征;
卷积层2:用stride为2、pad为1、128个3×3卷积核去卷积320×240的输入特征图得到160×120的特征图,然后采用ReLU2激活函数得到128×160×120的特征;
HdNet1:采用ReLU2后的特征图经过HdNet1后可得到128×160×120的特征图;
卷积层3:用stride为1、pad为1、128个3×3卷积核去卷积160×120的输入图像得到160×120的特征图,然后采用ReLU3激活函数得到128×160×120的特征图;
卷积层4:用stride为2、pad为1、128个3×3卷积核去卷积160×120的输入图像得到80×60的特征图,然后采用ReLU4激活函数得到128×80×60的特征图;
HdNet2:采用ReLU4后的特征图经过HdNet2后可得到128×80×60的特征图;
卷积层5:用stride为2、pad为1、128个3×3卷积核去卷积80×60的输入图像得到40×30的特征图,然后采用ReLU5激活函数得到128×40×30的特征图;
HdNet3:采用ReLU5后的特征图经过HdNet3后可得到128×40×30的特征图;
卷积层6:用stride为2、pad为1、256个3×3卷积核去卷积40×30的输入图像得到20×15的特征图,然后采用ReLU6激活函数得到256×20×15的特征图;
HdNet4:采用ReLU6后的特征图经过HdNet4后可得到256×20×15的特征图;
卷积层7:用stride为2、pad为1、256个3×3卷积核去卷积20×15的输入图像得到10×8的特征图,然后采用ReLU7激活函数得到256×10×8的特征图;
HdNet5:采用ReLU7后的特征图经过HdNet5后可得到256×10×8的特征图;
卷积层8:用stride为2、pad为1、512个3×3卷积核去卷积20×15的输入图像得到5×4的特征图,然后采用ReLU8激活函数得到256×5×4的特征图;
HdNet6:采用ReLU8后的特征图经过HdNet6后可得到256×5×4的特征图;
全链接层:在HdNet6连接一个链接层,最后输出得到1×1×1024的特征;
softmax层:Fc1的输入到softmax层的农贸产品的个数打扰神经元相连,得到农贸产品的个数神经元的输出,结果送往softmax层;
Softmax分类层:100个输出分别代表不同的农贸产品种类;
本发明设计的网络模型是比较小的,准确率在97%左右,在cpu处理器i7上的速度在70ms左右。可以满足我们实际情况的要求。
4、网络训练策略
当网络损失函数收敛时,将训练得到的模型在验证集上进行测试,对于农民产品识别错误的结果进行分析,根据错误的图像的类型在辅助训练集中找到一些对应类型的图像添加到训练集中,对网络继续进行训练。
5、重复步骤4,直至网络损失函数收敛或在验证集上的检测结果稳定,这里的网络参数即为训练好的具有检测蔬菜图像功能的深层卷积神经网络的参数。看准确率和loss曲线是否达到准确率达到很高,loss接近零的情况。如果没有需要继续调整网络参数直到可以达到最优的情况,训练算完成了。
6、对测试集进行测试
由于训练时网络的输入为320×240,因此检测未知图片时的输入也应为320×240,将固定尺寸后的图片作为本发明所涉及深层卷积神经网络的输入,判断是否为农贸产品的类别。
本发明农贸产品种类的图像识别方法可应用于智能电子秤,涉及到的智能电子秤自身携带或者内嵌摄像头,通过对农贸产品的图像采集,然后把采集的图像进行送入到电子秤的开发板中进行农贸产品识别算法运算最终把识别结果结合单价和重量计算出价格。本发现的重点是对电子秤采集的图像进行农贸产品种类的准确识别。
与现有技术相比,本发明的有益效果至少包括:
1)、快速准确的识别农贸产品的种类可快速推进农贸市场的智能化;
2)、农贸产品的准确识别,可以推进智能电子秤的市场推荐,为企业节约大量的人力和物力;
3)、针对性的设计了适合农贸产品识别的网络结构HdNet,此网络结构经过大量的实验证明是符合农贸产品识别在电子秤的应用的;
4)、对农贸产品的数据进行了预处理,来满足实际现场的需求,并且结合农贸产品的识别任务的特点改变了传统的正方形输入到网络结构中去,而是采用矩形不会让农贸产品的特征丢失。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种农贸产品种类的图像识别方法,其特征在于,包括如下步骤:
S1、获取农贸产品的图像数据集;
S2、将图像数据集分为训练集和测试集,对数据集中的图像进行数据预处理以及增强,然后将图像进行尺寸统一;
S3、将步骤S2处理后的图像数据集,送入到深层卷积神经网络中进行训练;
S4、当网络损失函数收敛时,将训练得到的模型在验证集上进行测试,对于农贸产品识别错误的结果进行分析,根据错误的图像的类型在辅助训练集中找到一些对应类型的图像添加到训练集中,对网络继续进行训练;
S5、重复步骤S4,直至网络损失函数收敛或在验证集上的检测结果稳定,此时网络参数即为训练好的具有检测蔬菜图像功能的深层卷积神经网络的参数;
S6、将训练好的网络模型对测试集进行测试,输出结果判断属于哪种农贸产品。
2.根据权利要求1所述的农贸产品种类的图像识别方法,其特征在于,步骤S2中,训练集和测试集分为比例3:1。
3.根据权利要求1所述的农贸产品种类的图像识别方法,其特征在于,步骤S3中,图像统一到320×240尺寸。
4.根据权利要求1所述的农贸产品种类的图像识别方法,其特征在于,步骤S3中,图像进行数据预处理以及增强包括图像旋转、加椒盐噪声、调节亮度和饱和度、图像模糊、直方图均衡化。
5.根据权利要求1所述的农贸产品种类的图像识别方法,其特征在于,深层卷积神经网络结构详细如下:
卷积层1:用stride为1、pad为1、64个3×3卷积核去卷积320×240的输入图像得到320×240的特征图,然后采用ReLU1激活函数得到64×320×240的特征;
卷积层2:用stride为2、pad为1、128个3×3卷积核去卷积320×240的输入特征图得到160×120的特征图,然后采用ReLU2激活函数得到128×160×120的特征;
HdNet1:采用ReLU2后的特征图经过HdNet1后可得到128×160×120的特征图;
卷积层3:用stride为1、pad为1、128个3×3卷积核去卷积160×120的输入图像得到160×120的特征图,然后采用ReLU3激活函数得到128×160×120的特征图;
卷积层4:用stride为2、pad为1、128个3×3卷积核去卷积160×120的输入图像得到80×60的特征图,然后采用ReLU4激活函数得到128×80×60的特征图;
HdNet2:采用ReLU4后的特征图经过HdNet2后可得到128×80×60的特征图;
卷积层5:用stride为2、pad为1、128个3×3卷积核去卷积80×60的输入图像得到40×30的特征图,然后采用ReLU5激活函数得到128×40×30的特征图;
HdNet3:采用ReLU5后的特征图经过HdNet3后可得到128×40×30的特征图;
卷积层6:用stride为2、pad为1、256个3×3卷积核去卷积40×30的输入图像得到20×15的特征图,然后采用ReLU6激活函数得到256×20×15的特征图;
HdNet4:采用ReLU6后的特征图经过HdNet4后可得到256×20×15的特征图;
卷积层7:用stride为2、pad为1、256个3×3卷积核去卷积20×15的输入图像得到10×8的特征图,然后采用ReLU7激活函数得到256×10×8的特征图;
HdNet5:采用ReLU7后的特征图经过HdNet5后可得到256×10×8的特征图;
卷积层8:用stride为2、pad为1、512个3×3卷积核去卷积20×15的输入图像得到5×4的特征图,然后采用ReLU8激活函数得到256×5×4的特征图;
HdNet6:采用ReLU8后的特征图经过HdNet6后可得到256×5×4的特征图;
全链接层:在HdNet6连接一个链接层,最后输出得到1×1×1024的特征;
softmax层:Fc1的输入到softmax层的农贸产品的个数打扰神经元相连,得到农贸产品的个数神经元的输出,结果送往softmax层;
Softmax分类层:100个输出分别代表不同的农贸产品种类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910280853.8A CN110197115A (zh) | 2019-04-09 | 2019-04-09 | 一种农贸产品种类的图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910280853.8A CN110197115A (zh) | 2019-04-09 | 2019-04-09 | 一种农贸产品种类的图像识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110197115A true CN110197115A (zh) | 2019-09-03 |
Family
ID=67751826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910280853.8A Pending CN110197115A (zh) | 2019-04-09 | 2019-04-09 | 一种农贸产品种类的图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110197115A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132100A (zh) * | 2020-09-30 | 2020-12-25 | 德鲁动力科技(海南)有限公司 | 图像识别方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992177A (zh) * | 2015-06-12 | 2015-10-21 | 安徽大学 | 基于深层卷积神经网络的网络色情图像检测方法 |
CN107341518A (zh) * | 2017-07-07 | 2017-11-10 | 东华理工大学 | 一种基于卷积神经网络的图像分类方法 |
WO2018052587A1 (en) * | 2016-09-14 | 2018-03-22 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for cell image segmentation using multi-stage convolutional neural networks |
-
2019
- 2019-04-09 CN CN201910280853.8A patent/CN110197115A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992177A (zh) * | 2015-06-12 | 2015-10-21 | 安徽大学 | 基于深层卷积神经网络的网络色情图像检测方法 |
WO2018052587A1 (en) * | 2016-09-14 | 2018-03-22 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for cell image segmentation using multi-stage convolutional neural networks |
CN107341518A (zh) * | 2017-07-07 | 2017-11-10 | 东华理工大学 | 一种基于卷积神经网络的图像分类方法 |
Non-Patent Citations (1)
Title |
---|
杨露菁等 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132100A (zh) * | 2020-09-30 | 2020-12-25 | 德鲁动力科技(海南)有限公司 | 图像识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | MEAN-SSD: A novel real-time detector for apple leaf diseases using improved light-weight convolutional neural networks | |
Wu et al. | Using channel pruning-based YOLO v4 deep learning algorithm for the real-time and accurate detection of apple flowers in natural environments | |
Sabzi et al. | A fast and accurate expert system for weed identification in potato crops using metaheuristic algorithms | |
Kumar et al. | Resnet-based approach for detection and classification of plant leaf diseases | |
Xu et al. | Light-YOLOv3: fast method for detecting green mangoes in complex scenes using picking robots | |
Husin et al. | Embedded portable device for herb leaves recognition using image processing techniques and neural network algorithm | |
CN109961024A (zh) | 基于深度学习的小麦田间杂草检测方法 | |
Chen et al. | Weed detection in sesame fields using a YOLO model with an enhanced attention mechanism and feature fusion | |
CN103177458B (zh) | 一种基于频域分析的可见光遥感图像感兴趣区域检测方法 | |
CN109299716A (zh) | 神经网络的训练方法、图像分割方法、装置、设备及介质 | |
CN106504064A (zh) | 基于深度卷积神经网络的服装分类与搭配推荐方法及系统 | |
CN106682569A (zh) | 一种基于卷积神经网络的快速交通标识牌识别方法 | |
CN104866524A (zh) | 一种商品图像精细分类方法 | |
Chen et al. | Citrus fruits maturity detection in natural environments based on convolutional neural networks and visual saliency map | |
CN104063686A (zh) | 作物叶部病害图像交互式诊断系统与方法 | |
CN113627472B (zh) | 基于分层深度学习模型的智慧园林食叶害虫识别方法 | |
CN106778791A (zh) | 一种基于多重感知器的木材视觉识别方法 | |
Lv et al. | A segmentation method of red apple image | |
CN114972208A (zh) | 一种基于YOLOv4的轻量化小麦赤霉病检测方法 | |
Zhang et al. | Identification of navel orange diseases and pests based on the fusion of densenet and self-attention mechanism | |
Zhang et al. | Deep learning based rapid diagnosis system for identifying tomato nutrition disorders | |
CN110197115A (zh) | 一种农贸产品种类的图像识别方法 | |
CN103824083B (zh) | 基于叶片完备局部二值特征的Web在线物种识别方法 | |
Sosa et al. | An algorithm for detection of nutritional deficiencies from digital images of coffee leaves based on descriptors and neural networks | |
Alam et al. | Crops diseases detection and solution system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190903 |
|
RJ01 | Rejection of invention patent application after publication |