CN110348503A - 一种基于卷积神经网络的苹果品质检测方法 - Google Patents
一种基于卷积神经网络的苹果品质检测方法 Download PDFInfo
- Publication number
- CN110348503A CN110348503A CN201910589771.1A CN201910589771A CN110348503A CN 110348503 A CN110348503 A CN 110348503A CN 201910589771 A CN201910589771 A CN 201910589771A CN 110348503 A CN110348503 A CN 110348503A
- Authority
- CN
- China
- Prior art keywords
- apple
- picture
- layer
- neural networks
- convolutional neural
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 241000220225 Malus Species 0.000 description 63
- 235000013399 edible fruits Nutrition 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000001771 impaired effect Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000021016 apples Nutrition 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000002420 orchard Substances 0.000 description 1
- 238000012372 quality testing 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
一种基于卷积神经网络的苹果品质检测的方法，先进行设备和苹果选取，然后进行样本图像采集，再建立样本数据，然后搭建卷积神经网络初步结构模型，训练并测试调整卷积神经网络模型；最后进行实际苹果品质等级测试；本发明苹果品质等级检测的精度和速度高，易于操作，精准而且快速。
Description
技术领域
本发明涉及人工智能和计算机视觉技术领域，具体涉及一种基于卷积神经网络的苹果品质检测方法。
背景技术
苹果是一种受人们喜爱的水果，从采购直到消费者手中，这个过程中难免有些苹果的品质受损，品质受损的苹果所售出的价格就会大大降低。不仅是价格受损，而且还会加大受损苹果的分拣工作量。目前大部分地区苹果品质检测都是人工进行的，这样不仅检测效率低，而且人工成本也很高，非常的耗时又耗力，从经济的角度上考虑，人工分拣不适合大型的苹果品质检测。也有少部分的地区用苹果分拣机，但是这样的苹果分拣机成本高，而且分拣的精度还不是很高。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供了一种基于卷积神经网络的苹果品质检测方法，苹果品质等级检测的精度和速度高，易于操作，精准而且快速。
为了达到上述目的，本发明采取的技术方案为：
一种基于卷积神经网络的苹果品质检测的方法，包括以下步骤：
步骤1，设备和苹果选取：选取高级的数码摄像装备，以得到高清的样本图像；苹果的品质样本选择上，尽量选择多的品质不同的苹果，尽可能所选择的苹果都有不同的特征；
步骤2，样本图像采集：选择一个纯白的摄像背景，保证设备在摄像的时候能够得到高清的图像；根据苹果的品质等级，选择各个不同等级的苹果，将苹果沿着核竖立摆放，在摄像的时候，每个苹果选取多个角度摄像；然后根据图片和苹果品质等级的映射关系，建立图片和苹果品质等级的映射表；
步骤3，建立样本数据：选取1000张各个品质等级的苹果图片，根据苹果品质等级检测的精度要求，对苹果品质等级范围性分类并用数字标记每个类别，对照图片和苹果品质等级映射表，依次对所属苹果品质等级范围的图片进行类别标记，作为训练样本集的类别标签；将图片转换为同样格式，对图片进行灰度化、直方图均衡、对比度增强的图片预处理操作，并保存为训练样本集；选取300张各个苹果品质等级的图片，再次进行上述操作，得到测试样本集的类别标签和测试样本集；
步骤4，训练分类器:搭建卷积神经网络初步结构模型，用步骤3 所得的训练样本集数据训练并测试调整卷积神经网络模型；
卷积神经网络模型依次由输入层、卷积层、池化层、卷积层、池化层、输出层组成:输入层为训练数据,卷积层为特征提取层,池化层位于卷积层后，是一个二次提取的计算层；第二个池化层，即完成了对原始数据的特征提取后,把池化层的特征数据进行向量化，然后连接到分类器,经输出层输出类别结果；
卷积层用卷积核在图像矩阵上游走,在对应位置元素相乘,再把相乘的结果相加，最后相加的结果形成新的图像矩阵,游走完成后即完成了对原始图像的卷积变换,形成此卷积核下的特征提取，卷积神经网络模型的卷积核大小为5*5；
在通过卷积获得了特征之后,对特征矩阵分区域进行平均值池化，降低特征维度；
输出层输出实际类别，与样本的类别标签对比,反向调整权值，直至实际输出与类别标签尽可能接近,调整迭代次数直至误差函数收敛，进而得到最好的卷积神经网络模型；
步骤5，实际苹果品质等级测试，任意拿一个苹果，经过步骤2，得到高清的该苹果的图像，经过步骤3的图片处理，将图片传入步骤 4中的已经训练好的卷积神经网络模型中，经过卷积神经网络模型分类后，得到该图片属于哪个标签，再根据标签和苹果品质等级的映射关系，得到该苹果的品质等级。
本发明的有益效果为：本发明采用卷积神经网络，苹果品质等级检测的精度和速度高，易于操作，精准而且快速，让苹果在存储和运输前能根据苹果品质检测结果得到有效的处理，可以在苹果出现溃烂前发现并及时处理那些品质不好的苹果，这样可使得各种品质的苹果发挥它最大的经济效益。而且检测的成本低，方便且快捷，后期的维护成本低。
附图说明
图1是本发明的设备传输示意图。
图2是本发明的样本图像采集流程图。
图3是本发明的卷积神经网络模型训练图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
一种基于卷积神经网络的苹果品质检测的方法，包括以下步骤：
步骤1，设备和苹果选取：如图1所示，选取高级的数码摄像装备，以得到高清的样本图像，这样可以得到特征明显的样本图像，方便后面的样本训练；苹果的品质样本选择上，尽量选择多的品质不同的苹果，尽可能所选择的苹果都有不同的特征，即使微小的品质特征也可以，这样方便后面的样本训练；
步骤2，样本图像采集：选择一个纯白的摄像背景，一个光线强度合理的环境，保证设备在摄像的时候能够得足够的曝光，从而得到高清的图像；根据苹果的品质等级，选择各个不同等级的苹果，将苹果沿着核竖立摆放，在摄像的时候，每个苹果选取多个角度摄像，这样可以得到更多的样本图像；然后根据图片和苹果品质等级的映射关系，建立图片和苹果品质等级的映射表，如图2所示；
步骤3，建立样本数据：如图3所示，选取1000张各个品质等级的苹果图片，根据苹果品质等级检测的精度要求，对苹果品质等级范围性分类并用数字标记每个类别，对照图片和苹果品质等级映射表，依次对所属苹果品质等级范围的图片进行类别标记，作为训练样本集的类别标签；将图片转换为同样格式，对图片进行灰度化、直方图均衡、对比度增强的图片预处理操作，并保存为训练样本集；选取300 张各个苹果品质等级的图片，再次进行上述操作，得到测试样本集的类别标签和测试样本集；
步骤4，训练分类器:搭建卷积神经网络初步结构模型，用步骤3 所得的训练样本集数据训练并测试调整卷积神经网络模型；
卷积神经网络模型依次由输入层、卷积层、池化层、卷积层、池化层、输出层组成:输入层为训练数据,卷积层为特征提取层,池化层位于卷积层后，是一个二次提取的计算层；第二个池化层，即完成了对原始数据的特征提取后,把池化层的特征数据进行向量化，然后连接到分类器,经输出层输出类别结果；
卷积层用卷积核在图像矩阵上游走,在对应位置元素相乘,再把相乘的结果相加，最后相加的结果形成新的图像矩阵,游走完成后即完成了对原始图像的卷积变换,形成此卷积核下的特征提取，卷积神经网络模型的卷积核大小为5*5；
在通过卷积获得了特征之后,对特征矩阵分区域进行平均值池化，降低特征维度；
输出层输出实际类别，与样本的类别标签对比,反向调整权值，直至实际输出与类别标签尽可能接近,调整迭代次数直至误差函数收敛，进而得到最好的卷积神经网络模型；
卷积神经网络包含前向传播与反向传播两个过程；
前向传播上一层的输出加权求和后，经由激活函数输出结果，该结果又作为下一层的输入，继续加权求和，由激活函数输出，如此反复，直到卷积神经网络模型最后的输出层；假设当前的层数为k层，当前的输出结果为ak，W表示权值，b表示偏置，下一层为k+1层，k层的输出结果为ak，加权求和得到z(k+1)作为k+1层的输入，得到该层的输出a(k+1)，激活函数f(·)为sigmod函数。计算公式如下：
z(k+1)＝W(k)a(k)+b(k)
a(k+1)＝f(z(k+1))
然后通过反向传播调整卷积神经网络模型的权值w和偏置b，反向传播的核心是使代价函数J(W，b)最小化，从而使得误差更小，具体计算过程如下：
①代价函数计算公式
其中hW,b(x)为前向传播的实际输出结果，y为对应的样本标签，即期望输出；
②对于第n层(输出层)的每个输出单元i，根据以下公式计算其残差δ(n)：
δ(n)＝-(y-a(n))·f′(z(n))
③对第k层(中间层)的第i个节点的残差δ(k)的计算公式为：
δ(k)＝((W(k))Tδ(k+1))·f′(z(k))
④计算需要的偏导数，计算公式为：
⑤更新权值参数
其中α是学习速率，m为数据集的样例个数，λ为权重衰减参数，用于控制公式中两项的相对重要性；
接着重复以上迭代步骤，不断更新权值和偏置，减小J(W,b) 的值，进而得出完整的卷积神经网络模型；
步骤5，实际苹果品质等级测试，任意拿一个苹果，经过步骤2，得到高清的该苹果的图像，经过步骤3的图片处理，将图片传入步骤 4中的已经训练好的卷积神经网络模型中，经过卷积神经网络模型分类后，得到该图片属于哪个标签，再根据标签和苹果品质等级的映射关系，得到该苹果的品质等级。
采用上述方法，苹果的品质检测过程变得更加简便，也节省了很多人力和财力，通过将此方法移植到未来机器人检测水果的品质时，更加方便了以后的智慧果园的建设。
Claims (1)
1.一种基于卷积神经网络的苹果品质检测的方法，其特征在于，包括以下步骤：
步骤1，设备和苹果选取：选取高级的数码摄像装备，以得到高清的样本图像；苹果的品质样本选择上，尽量选择多的品质不同的苹果，尽可能所选择的苹果都有不同的特征；
步骤2，样本图像采集：选择一个纯白的摄像背景，保证设备在摄像的时候能够得到高清的图像；根据苹果的品质等级，选择各个不同等级的苹果，将苹果沿着核竖立摆放，在摄像的时候，每个苹果选取多个角度摄像；然后根据图片和苹果品质等级的映射关系，建立图片和苹果品质等级的映射表；
步骤3，建立样本数据：选取1000张各个品质等级的苹果图片，根据苹果品质等级检测的精度要求，对苹果品质等级范围性分类并用数字标记每个类别，对照图片和苹果品质等级映射表，依次对所属苹果品质等级范围的图片进行类别标记，作为训练样本集的类别标签；将图片转换为同样格式，对图片进行灰度化、直方图均衡、对比度增强的图片预处理操作，并保存为训练样本集；选取300张各个苹果品质等级的图片，再次进行上述操作，得到测试样本集的类别标签和测试样本集；
步骤4，训练分类器:搭建卷积神经网络初步结构模型，用步骤3所得的训练样本集数据训练并测试调整卷积神经网络模型；
卷积神经网络模型依次由输入层、卷积层、池化层、卷积层、池化层、输出层组成:输入层为训练数据,卷积层为特征提取层,池化层位于卷积层后，是一个二次提取的计算层；第二个池化层，即完成了对原始数据的特征提取后,把池化层的特征数据进行向量化，然后连接到分类器,经输出层输出类别结果；
卷积层用卷积核在图像矩阵上游走,在对应位置元素相乘,再把相乘的结果相加，最后相加的结果形成新的图像矩阵,游走完成后即完成了对原始图像的卷积变换,形成此卷积核下的特征提取，卷积神经网络模型的卷积核大小为5*5；
在通过卷积获得了特征之后,对特征矩阵分区域进行平均值池化，降低特征维度；
输出层输出实际类别，与样本的类别标签对比,反向调整权值，直至实际输出与类别标签尽可能接近,调整迭代次数直至误差函数收敛，进而得到最好的卷积神经网络模型；
步骤5，实际苹果品质等级测试，任意拿一个苹果，经过步骤2，得到高清的该苹果的图像，经过步骤3的图片处理，将图片传入步骤4中的已经训练好的卷积神经网络模型中，经过卷积神经网络模型分类后，得到该图片属于哪个标签，再根据标签和苹果品质等级的映射关系，得到该苹果的品质等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910589771.1A CN110348503A (zh) | 2019-07-02 | 2019-07-02 | 一种基于卷积神经网络的苹果品质检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910589771.1A CN110348503A (zh) | 2019-07-02 | 2019-07-02 | 一种基于卷积神经网络的苹果品质检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110348503A true CN110348503A (zh) | 2019-10-18 |
Family
ID=68177762
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910589771.1A Pending CN110348503A (zh) | 2019-07-02 | 2019-07-02 | 一种基于卷积神经网络的苹果品质检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110348503A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110743819A (zh) * | 2019-11-24 | 2020-02-04 | 郑州大学 | 一种带有智能品级精分功能的果实智能优选设备 |
| CN111625406A (zh) * | 2020-04-29 | 2020-09-04 | 苏州欧立通自动化科技有限公司 | 基于Mac Os平台的多功能智能测试方法 |
| CN111784650A (zh) * | 2020-06-24 | 2020-10-16 | 深圳市多彩汇通实业有限公司 | 基于图形图像处理技术的果实含水率检测方法 |
| CN112560896A (zh) * | 2020-11-19 | 2021-03-26 | 安徽理工大学 | 一种基于图像处理的水果品质筛选分类系统 |
| CN113102277A (zh) * | 2020-01-10 | 2021-07-13 | 阿里巴巴集团控股有限公司 | 生鲜类产品的分拣方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08117694A (ja) * | 1994-08-31 | 1996-05-14 | Takaaki Satake | 青果物選果方法および装置 |
| CN106156734A (zh) * | 2016-06-28 | 2016-11-23 | 浙江工业大学 | 一种基于卷积神经网络图像识别的水流测速方法 |
| CN107451602A (zh) * | 2017-07-06 | 2017-12-08 | 浙江工业大学 | 一种基于深度学习的果蔬检测方法 |
| CN107633199A (zh) * | 2017-08-07 | 2018-01-26 | 浙江工业大学 | 一种基于深度学习的苹果采摘机器人果实目标检测方法 |
| CN109794435A (zh) * | 2019-01-18 | 2019-05-24 | 金陵科技学院 | 基于深度学习的水果质量检测系统及方法 |
-
2019
- 2019-07-02 CN CN201910589771.1A patent/CN110348503A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08117694A (ja) * | 1994-08-31 | 1996-05-14 | Takaaki Satake | 青果物選果方法および装置 |
| CN106156734A (zh) * | 2016-06-28 | 2016-11-23 | 浙江工业大学 | 一种基于卷积神经网络图像识别的水流测速方法 |
| CN107451602A (zh) * | 2017-07-06 | 2017-12-08 | 浙江工业大学 | 一种基于深度学习的果蔬检测方法 |
| CN107633199A (zh) * | 2017-08-07 | 2018-01-26 | 浙江工业大学 | 一种基于深度学习的苹果采摘机器人果实目标检测方法 |
| CN109794435A (zh) * | 2019-01-18 | 2019-05-24 | 金陵科技学院 | 基于深度学习的水果质量检测系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘云等: "基于卷积神经网络的苹果缺陷检测算法", 《电子测量技术》 * |
| 朱冬梅等: "基于卷积神经网络的脐橙品质分类研究", 《赣南师范大学学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110743819A (zh) * | 2019-11-24 | 2020-02-04 | 郑州大学 | 一种带有智能品级精分功能的果实智能优选设备 |
| CN113102277A (zh) * | 2020-01-10 | 2021-07-13 | 阿里巴巴集团控股有限公司 | 生鲜类产品的分拣方法和系统 |
| CN111625406A (zh) * | 2020-04-29 | 2020-09-04 | 苏州欧立通自动化科技有限公司 | 基于Mac Os平台的多功能智能测试方法 |
| CN111784650A (zh) * | 2020-06-24 | 2020-10-16 | 深圳市多彩汇通实业有限公司 | 基于图形图像处理技术的果实含水率检测方法 |
| CN112560896A (zh) * | 2020-11-19 | 2021-03-26 | 安徽理工大学 | 一种基于图像处理的水果品质筛选分类系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110348503A (zh) | 一种基于卷积神经网络的苹果品质检测方法 | |
| CN108021947B (zh) | 一种基于视觉的分层极限学习机目标识别方法 | |
| CN114387520B (zh) | 一种用于机器人采摘的密集李子精准检测方法及其系统 | |
| CN110598752B (zh) | 一种自动生成训练数据集的图像分类模型训练方法及系统 | |
| CN113160062B (zh) | 一种红外图像目标检测方法、装置、设备及存储介质 | |
| CN111680706A (zh) | 一种基于编码和解码结构的双通道输出轮廓检测方法 | |
| CN109800795A (zh) | 一种果蔬识别方法及系统 | |
| CN112381763A (zh) | 一种表面缺陷检测方法 | |
| CN111178177A (zh) | 一种基于卷积神经网络的黄瓜病害识别方法 | |
| CN111652326A (zh) | 基于MobileNet v2网络改进的果实成熟度识别方法和识别系统 | |
| CN112381764A (zh) | 一种农作物病虫害检测方法 | |
| CN108734717B (zh) | 基于深度学习的单帧星图背景暗弱目标提取方法 | |
| Lv et al. | A visual identification method for the apple growth forms in the orchard | |
| CN111126278A (zh) | 针对少类别场景的目标检测模型优化与加速的方法 | |
| CN113887410A (zh) | 一种基于深度学习的多类别食材识别系统及方法 | |
| CN116385958A (zh) | 一种用于电网巡检和监控的边缘智能检测方法 | |
| CN112749675A (zh) | 一种基于卷积神经网络的马铃薯病害识别方法 | |
| CN111695640A (zh) | 地基云图识别模型训练方法及地基云图识别方法 | |
| CN111340019A (zh) | 基于Faster R-CNN的粮仓害虫检测方法 | |
| CN114022878A (zh) | 一种基于改进YOLOv5的串型番茄实时检测方法 | |
| CN113158969A (zh) | 一种苹果外观缺陷识别系统及方法 | |
| CN112380917A (zh) | 一种用于农作物病虫害检测的无人机 | |
| CN112084897A (zh) | 一种gs-ssd的交通大场景车辆目标快速检测方法 | |
| CN116258990A (zh) | 一种基于跨模态亲和力的小样本参考视频目标分割方法 | |
| Bhole et al. | Analysis of convolutional neural network using pre-trained squeezenet model for classification of thermal fruit images |
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: 20191018 |