CN112183527A - 基于FastR-CNN的热带水果果皮图像识别方法 - Google Patents
基于FastR-CNN的热带水果果皮图像识别方法 Download PDFInfo
- Publication number
- CN112183527A CN112183527A CN202010995491.3A CN202010995491A CN112183527A CN 112183527 A CN112183527 A CN 112183527A CN 202010995491 A CN202010995491 A CN 202010995491A CN 112183527 A CN112183527 A CN 112183527A
- Authority
- CN
- China
- Prior art keywords
- image
- tropical fruit
- fastr
- cnn
- fruit peel
- 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
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 238000002372 labelling Methods 0.000 claims abstract description 4
- 238000011176 pooling Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Abstract
本发明公开了基于FastR‑CNN的热带水果果皮图像识别方法,包括构建热带水果果皮数据集,采集目标图像,对采集到的图像进行标注,根据标注对目标图像进行检测,分类或丢弃检测目标。本发明通过对热带水果果皮图像进行预处理与特征值的提取,其次经过快速区域的卷积神经网络进行热带水果果皮模型的训练,从而实现热带水果果皮的识别与自动化分拣。
Description
技术领域
本发明涉及水果分类领域,具体涉及基于FastR-CNN的热带水果果皮图像识别方法。
背景技术
水果产业是近年来快速发展的农业产业。但是,水果在其生产过程中由于受到人为和自然等复杂因素的影响,产品品质差异很大,如形状、大小、色泽等都是变化的,很难整齐划一。由于我国的水果品种结构不合理,产品商业化处理技术落后,因此,在国际市场上缺乏竞争力。
传统的自动水果分类机中因为缺少图像识别技术,智能根据重量或尺寸分类。因此,不能解决果农根据水果成分分类与精确定价的问题。
因此,市场需要一种可以快速根据水果的成色分类的系统和方法。
发明内容
本发明的目的在于克服上述问题,提供基于FastR-CNN的热带水果果皮图像识别方法,使自动水果分类机可以根据水果的品相和成色进行精确分类,提高水果的分类效率和分类的精确化程度。为实现上述目的,本发明采用如下技术方案:
基于FastR-CNN的热带水果果皮图像识别方法,包括如下步骤:
S1.构建热带水果果皮数据集;
S2.采集目标图像;
S3.对采集到的图像进行标注
在图像中标注目标物体的位置和特征值,并对每张标注过的图像生成一个XML文件,并将目标物体的标准框位置记录在XML文件中;
S4.根据标注对目标图像进行检测
采用快速区域的卷积网络方法(FastR-CNN)对目标图像进行检测,同时在分类时使用深度卷积网络;
S5.分类或丢弃检测目标
根据区域生网络模块,对标注框内的目标进行分类或丢弃。
作为改进,S4中所述的具体步骤包括:
S4-1.将输入的目标图像处理为“长×宽×深度”的张量形式;
S4-2.卷积层基于卷积运算处理图像,并产生高级特征图;
S4-3.ROI(Region of interest-候选区域)池化层采用最大值池化方法,将h×w的窗口划分为近似大小的子窗口的H×W网格,h和w分别为目标图像的高和宽,H和W分别为子窗口的高和宽;
S4-4.将每个子窗口的值最大化到相应的输出网格单元中,并每个特征图通道独立使用ROI池化层;ROI池化层从特征图中提取固定长度的特征向量连接到全连接层;
S4-5.使用多任务损失函数计算输出层:
损失=对数分类损失+SmoothL1回归损失
L(p,u,tu,v)=Lcls(p,u)+λ[u≥1]Lloc(tu,v)
Lcls(p,u)=-logpu
在上述公式中,其中u是真实概率,p是预测概率,tu表示预测的结果,v表示真实的结果,Lcls表示分类的loss,即对真实的概率取负值log,Lloc表示回归的loss。x和y分别为图像的坐标,w和h分别为目标图像的宽和高。
作为改进,使用目标图像的背景作为一个标签,并根据背景标签调整边界框坐标。
作为改进,在TensorFlow平台上对深度模型进行训练和测试。
作为改进,通过TensorBoard将识别结果可视化。
本发明的优点在于:
本发明通过对热带水果果皮图像进行预处理与特征值的提取,其次经过快速区域的卷积神经网络进行热带水果果皮模型的训练,从而实现热带水果果皮的识别与自动化分拣。
附图说明
图1为实施例1中基于FastR-CNN的热带水果果皮图像识别方法的工作原理图;
具体实施方式
下面通过具体实施例对本发明进行详细和具体的介绍,以使更好的理解本发明,但是下述实施例并不限定本发明的保护范围。
实施例1
本实施例公开了基于FastR-CNN的热带水果果皮图像识别方法,包括如下步骤:
S1.构建热带水果果皮数据集。
S2.采集目标图像。
S3.对采集到的图像进行标注。
在图像中标注目标物体的位置和特征值,并对每张标注过的图像生成一个XML文件,并将目标物体的标准框位置记录在XML文件中;
S4.根据标注对目标图像进行检测。
采用快速区域的卷积网络方法(FastR-CNN)对目标图像进行检测,同时在分类时使用深度卷积网络,其具体步骤为:
S4-1.将输入的目标图像处理为“长×宽×深度”的张量形式;
S4-2.卷积层基于卷积运算处理图像,并产生高级特征图;
S4-3.ROI(Region of interest-候选区域)池化层采用最大值池化方法,将h×w的窗口划分为近似大小的子窗口的H×W网格,h和w分别为目标图像的高和宽,H和W分别为子窗口的高和宽;
S4-4.将每个子窗口的值最大化到相应的输出网格单元中,并每个特征图通道独立使用ROI池化层;ROI池化层从特征图中提取固定长度的特征向量连接到全连接层;
S4-5.使用多任务损失函数计算输出层:
损失=对数分类损失+SmoothL1回归损失
L(p,u,tu,v)=Lcls(p,u)+λ[u≥1]Lloc(tu,v)
Lcls(p,u)=-logpu
在上述公式中,其中u是真实概率,p是预测概率,tu表示预测的结果,v表示真实的结果,Lcls表示分类的loss,即对真实的概率取负值log,Lloc表示回归的loss。x和y分别为图像的坐标,w和h分别为目标图像的宽和高。
S5.分类或丢弃检测目标。
根据区域生网络模块,对标注框内的目标进行分类或丢弃。
本实施例使用目标图像的背景作为一个标签,并根据背景标签调整边界框坐标。
本实施例在TensorFlow平台上对深度模型进行训练和测试,并通过TensorBoard将识别结果可视化。
以上对本发明的具体实施例进行了详细描述,但其只是作为范例,本发明并不等同于以上描述的具体实施例。对于本领域技术人员而言,任何对本发明进行的等同修改和替代也都在本发明的范畴之中。因此,不脱离本发明的精神和范围下所做的均等变换和修改,都应涵盖在本发明的范围内。
Claims (5)
1.基于FastR-CNN的热带水果果皮图像识别方法,其特征在于,包括如下步骤:
S1.构建热带水果果皮数据集;
S2.采集目标图像;
S3.对采集到的图像进行标注
在图像中标注目标物体的位置和特征值,并对每张标注过的图像生成一个XML文件,并将目标物体的标准框位置记录在XML文件中;
S4.根据标注对目标图像进行检测,
采用快速区域的卷积网络方法(FastR-CNN)对目标图像进行检测,同时在分类时使用深度卷积网络;
S5.分类或丢弃检测目标
根据区域生网络模块,对标注框内的目标进行分类或丢弃。
2.根据权利要求1所述的基于FastR-CNN的热带水果果皮图像识别方法,其特征在于,S4中所述的具体步骤包括:
S4-1.将输入的目标图像处理为“长×宽×深度”的张量形式;
S4-2.卷积层基于卷积运算处理图像,并产生高级特征图;
S4-3.ROI(Region of interest-候选区域)池化层采用最大值池化方法,将h×w的窗口划分为近似大小的子窗口的H×W网格,h和w分别为目标图像的高和宽,H和W分别为子窗口的高和宽;
S4-4.将每个子窗口的值最大化到相应的输出网格单元中,并每个特征图通道独立使用ROI池化层;ROI池化层从特征图中提取固定长度的特征向量连接到全连接层;
S4-5.使用多任务损失函数计算输出层:
损失=对数分类损失+SmoothL1回归损失
L(p,u,tu,v)=Lcls(p,u)+λ[u≥1]Lloc(tu,v)
Lcls(p,u)=-logpu
在上述公式中,其中u是真实概率,p是预测概率,tu表示预测的结果,v表示真实的结果,Lcls表示分类的loss,即对真实的概率取负值log,Lloc表示回归的loss,x和y分别为图像的坐标,w和h分别为图像的宽和高。
3.根据权利要求1所述的基于FastR-CNN的热带水果果皮图像识别方法,其特征在于,使用目标图像的背景作为一个标签,并根据背景标签调整边界框坐标。
4.根据权利要求1所述的基于FastR-CNN的热带水果果皮图像识别方法,其特征在于,在TensorFlow平台上对深度模型进行训练和测试。
5.根据权利要求1所述的基于FastR-CNN的热带水果果皮图像识别方法,其特征在于,通过TensorBoard将识别结果可视化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010995491.3A CN112183527A (zh) | 2020-09-21 | 2020-09-21 | 基于FastR-CNN的热带水果果皮图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010995491.3A CN112183527A (zh) | 2020-09-21 | 2020-09-21 | 基于FastR-CNN的热带水果果皮图像识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112183527A true CN112183527A (zh) | 2021-01-05 |
Family
ID=73956796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010995491.3A Pending CN112183527A (zh) | 2020-09-21 | 2020-09-21 | 基于FastR-CNN的热带水果果皮图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183527A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108550133A (zh) * | 2018-03-02 | 2018-09-18 | 浙江工业大学 | 一种基于Faster R-CNN的癌细胞检测方法 |
CN109543699A (zh) * | 2018-11-28 | 2019-03-29 | 北方工业大学 | 一种基于目标检测的图像摘要生成方法 |
-
2020
- 2020-09-21 CN CN202010995491.3A patent/CN112183527A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108550133A (zh) * | 2018-03-02 | 2018-09-18 | 浙江工业大学 | 一种基于Faster R-CNN的癌细胞检测方法 |
CN109543699A (zh) * | 2018-11-28 | 2019-03-29 | 北方工业大学 | 一种基于目标检测的图像摘要生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jaisakthi et al. | Grape leaf disease identification using machine learning techniques | |
CN108830188B (zh) | 基于深度学习的车辆检测方法 | |
CN110334706B (zh) | 一种图像目标识别方法及装置 | |
CN104021375B (zh) | 一种基于机器学习的车型识别方法 | |
CN103996018B (zh) | 基于4dlbp的人脸识别方法 | |
Basri et al. | Faster R-CNN implementation method for multi-fruit detection using tensorflow platform | |
CN107145889A (zh) | 基于具有RoI池化的双CNN网络的目标识别方法 | |
CN106845528A (zh) | 一种基于K‑means与深度学习的图像分类算法 | |
Wang et al. | Precision detection of dense plums in orchards using the improved YOLOv4 model | |
CN112580748B (zh) | 一种对染色图像的分类细胞计数的方法 | |
CN103177266A (zh) | 储藏物害虫智能识别系统 | |
CN104198497A (zh) | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 | |
CN112613428B (zh) | 基于平衡损失的Resnet-3D卷积牛视频目标检测方法 | |
CN114359199A (zh) | 一种基于深度学习的鱼类计数方法、装置、设备和介质 | |
CN111932639B (zh) | 一种基于卷积神经网络的不均衡缺陷样本的检测方法 | |
CN103646251B (zh) | 基于嵌入式的苹果采后田间分级检测方法及系统 | |
CN114219993A (zh) | 一种基于cnn的建筑垃圾分类方法 | |
CN114029943A (zh) | 一种基于图像数据处理的目标抓取定位方法及系统 | |
CN114627411A (zh) | 基于计算机视觉下并行检测的农作物生育期识别方法 | |
CN112270681B (zh) | 一种黄板害虫深度检测与计数方法与系统 | |
Asriny et al. | Transfer learning VGG16 for classification orange fruit images | |
CN112183527A (zh) | 基于FastR-CNN的热带水果果皮图像识别方法 | |
CN114049346B (zh) | 一种基于剪裁YOLOv3-SPP3的柑橘木虱检测与识别方法 | |
CN115424247B (zh) | 一种采用cbam与八度卷积改进yolov5的温室番茄识别与检测方法 | |
Cheeti et al. | Pest detection and classification using YOLO AND CNN |
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 |