一种蔬菜识别的方法及装置制造方法及图纸

技术编号:20075781 阅读:23 留言:0更新日期:2019-01-15 00:50
本发明专利技术提供的一种蔬菜识别的方法及装置,通过建立第一卷积神经网络模型,并采集每类蔬菜在不同场景下的图像,并构建相应的输入数据集,根据学习率自适应更新的梯度下降算法和所述输入数据集对所述第一卷积神经网络模型进行迭代训练,得到第二卷积神经网络模型,根据所述第二卷积神经网络模型进行蔬菜识别,提高了蔬菜识别的效率,通过随机梯度下降算法对第一卷积神经网络模型进行训练,能够确保训练得到的第二卷积神经网络模型能准确识别背景复杂下蔬菜的种类。

A Method and Device for Vegetable Recognition

The method and device of vegetable recognition provided by the invention can acquire the second convolution nerve network model by establishing the first convolution nerve network model, collecting the images of each vegetable in different scenarios, and constructing the corresponding input data set. The first convolution nerve network model can be trained iteratively according to the gradient descent algorithm adaptively updated by learning rate and the input data set. The network model improves the efficiency of vegetable recognition according to the second convolution neural network model. The first convolution neural network model is trained by stochastic gradient descent algorithm, which can ensure that the second convolution neural network model can accurately identify the vegetable species under complex background.

【技术实现步骤摘要】
一种蔬菜识别的方法及装置
本专利技术涉及图像识别
,特别涉及一种蔬菜识别的方法及装置。
技术介绍
在经济全球化的大背景下,农产品市场也在世界范围内逐步开放,产品种类和交易量激增,随之引发了农产品销售终端的历史性变革。目前在超市和农贸市场的蔬菜识别中,大部分分类工作都要由人工完成,依靠人眼对蔬菜进行识别,近三年来,我国市场监管部门尝试在农产品销售点推行溯源秤,在销售过程中,商贩输入商品的PLU码,就会打印出带有“溯源码”等信息的小票,并将信息传送到上游服务器中,以便管理及溯源,然而推行成效并不明显,相对于普通秤,溯源秤需要商贩根据销售的商品,手动输入PLU码,操作繁琐且效率低,这样一来,不仅耗费了大量的劳动力,而且工作效率低下,严重影响了蔬菜商品化的发展速度。现有中国专利(申请号:201510004587.8)公开了一种基于水果蔬菜的识别的一体秤,主要通过NCC模板匹配算法进行图像识别,侧重于种类识别和果蔬溯源,模板匹配算法存在的主要问题是要求模板能够尽可能与待识别图像相似,但是蔬菜包装更新较快,因此模板图像也需要不断更新才能提高准确率,而且这种算法存在着无法识别背景复杂的蔬菜图像的问题。现有中国专利(申请号:201711133538.X)公开了图像识别方法及追溯秤终端,主要通过深度残差神经网络算法对图像增强后的初始图像进行蔬菜的品类识别,创新点在于图像增强了神经网络“残差学习”原则,但这种算法较为复杂,主要体现在初始图像进行子类识别,需要首先识别出是什么类,再不断识别,因此存在着识别效率较低的问题。
技术实现思路
本专利技术所要解决的技术问题是:提供一种蔬菜识别的方法及装置,能够准确识别背景复杂下蔬菜的种类且识别效率高。为了解决上述技术问题,本专利技术采用的一种技术方案为:一种蔬菜识别的方法,包括步骤:S1、建立第一卷积神经网络模型;S2、采集每类蔬菜在不同场景下的图像,并构建相应的输入数据集;S3、根据学习率自适应更新的梯度下降算法和所述输入数据集对所述第一卷积神经网络模型进行迭代训练,得到第二卷积神经网络模型,根据所述第二卷积神经网络模型进行蔬菜识别。为了解决上述技术问题,本专利技术采用的另一种技术方案为:一种蔬菜识别的装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现步骤:S1、建立第一卷积神经网络模型;S2、采集每类蔬菜在不同场景下的图像,并构建相应的输入数据集;S3、根据学习率自适应更新的梯度下降算法和所述输入数据集对所述第一卷积神经网络模型进行迭代训练,得到第二卷积神经网络模型,根据所述第二卷积神经网络模型进行蔬菜识别。本专利技术的有益效果在于:通过建立第一卷积神经网络模型,并采集每类蔬菜在不同场景下的图像,并构建相应的输入数据集,根据学习率自适应更新的梯度下降算法和所述输入数据集对所述第一卷积神经网络模型进行迭代训练,得到第二卷积神经网络模型,根据所述第二卷积神经网络模型进行蔬菜识别,提高了蔬菜识别的效率,通过随机梯度下降算法对第一卷积神经网络模型进行训练,能够确保训练得到的第二卷积神经网络模型能准确识别背景复杂下蔬菜的种类。附图说明图1为本专利技术实施例的蔬菜识别的方法流程图;图2为本专利技术实施例的蔬菜识别的装置的结构示意图;标号说明:1、蔬菜识别的装置;2、存储器;3、处理器。具体实施方式为详细说明本专利技术的
技术实现思路
、所实现目的及效果,以下结合实施方式并配合附图予以说明。本专利技术最关键的构思在于:通过采集每类蔬菜在不同场景下的图像,并构建相应的输入数据集,根据学习率自适应更新的梯度下降算法和所述输入数据集对所述第一卷积神经网络模型进行迭代训练,得到第二卷积神经网络模型进行蔬菜识别,提高了蔬菜识别的效率。请参照图1,一种蔬菜识别的方法,包括步骤:S1、建立第一卷积神经网络模型;S2、采集每类蔬菜在不同场景下的图像,并构建相应的输入数据集;S3、根据学习率自适应更新的梯度下降算法和所述输入数据集对所述第一卷积神经网络模型进行迭代训练,得到第二卷积神经网络模型,根据所述第二卷积神经网络模型进行蔬菜识别。从上述描述可知,本专利技术的有益效果在于:通过建立第一卷积神经网络模型,并采集每类蔬菜在不同场景下的图像,并构建相应的输入数据集,根据学习率自适应更新的梯度下降算法和所述输入数据集对所述第一卷积神经网络模型进行迭代训练,得到第二卷积神经网络模型,根据所述第二卷积神经网络模型进行蔬菜识别,提高了蔬菜识别的效率,通过随机梯度下降算法对第一卷积神经网络模型进行训练,能够确保训练得到的第二卷积神经网络模型能准确识别背景复杂下蔬菜的种类。进一步的,步骤S3中所述根据学习率自适应更新的梯度下降算法和所述输入数据集对所述第一卷积神经网络模型进行迭代训练,得到第二卷积神经网络模型具体为:根据所述学习率自适应更新的梯度下降算法计算所述输入数据集在第k次迭代训练时损失函数的值,其中k的取值范围为[1,m),m为迭代训练的总次数;根据第k次迭代训练损失函数的值进行第k+1次迭代训练,直至所述损失函数的值达到最小,从而得到第二卷积神经网络模型。由上述描述可知,通过学习率自适应更新的梯度下降算法不断地计算当前迭代训练的损失函数的值,并根据当前迭代训练的损失函数的值进行下一次的迭代训练,直至所述损失函数的值达到最小,从而保证了得到的第二卷积神经网络模型可准确的识别背景复杂下蔬菜的种类。进一步的,所述第k次迭代训练的过程具体为:S31、根据所述输入数据集和第一卷积神经网络模型的卷积层计算公式提取所述图像的颜色特征和纹理特征,得到与所述输入数据集对应的特征图,其中为第一卷积神经网络模型中第l卷积层的第j个特征图的激活值,为所述第一卷积神经网络模型中第l-1卷积层的第i个特征图的激活值,为第l卷积层的第j个特征图的激活值与第l-1卷积层的第i个特征图相连的卷积核,为第l卷积层的第j个特征图的额外偏执项,f()为激励函数,Mj为第一卷积神经网络模型中第j个卷积层特征图的数量;S32、根据第一卷积神经网络模型的池化层的计算公式对所述特征图进行尺寸减小处理,得到新的特征图,其中down()为下采样函数;S33、所述第一卷积神经网络模型的全连接层根据所述新的特征图,得到第k+1次迭代训练的输入数据集。由上述描述可知,通过不断的迭代训练,提高了后续得到第二神经网络模型识别蔬菜图像的准确性。进一步的,所述梯度下降算法和所述损失函数的计算公式具体如下:其中,为网络参数权值,为梯度,为损失函数,xi为第i个训练样本的输入值,yi为与所述输入值对应的输出值,m为迭代训练的总次数,η为学习率,j为第一卷积神经网络模型中参数的总数目,xj为卷积神经网络提取的纹理与颜色特征值。由上述描述可知,通过梯度下降算法和损失函数相结合,使得最终迭代得到的第二卷积神经网络模型的稳定性和识别蔬菜的准确性。进一步的,预设学习率更新的规则,根据所述规则自适应更新迭代训练时所述梯度下降算法的学习率;所述根据更新规则更新学习率具体为:判断当前迭代数是否大于更新阈值,若是,则根据第一学习率更新规则更新学习率,否则,根据第二学习率更新规则更新学习率;所述第一学习率更新规则为:η=drop(_iteration/iterations_dr本文档来自技高网
...

【技术保护点】
1.一种蔬菜识别的方法,其特征在于,包括步骤:S1、建立第一卷积神经网络模型;S2、采集每类蔬菜在不同场景下的图像,并构建相应的输入数据集;S3、根据学习率自适应更新的梯度下降算法和所述输入数据集对所述第一卷积神经网络模型进行迭代训练,得到第二卷积神经网络模型,根据所述第二卷积神经网络模型进行蔬菜识别。

【技术特征摘要】
1.一种蔬菜识别的方法,其特征在于,包括步骤:S1、建立第一卷积神经网络模型;S2、采集每类蔬菜在不同场景下的图像,并构建相应的输入数据集;S3、根据学习率自适应更新的梯度下降算法和所述输入数据集对所述第一卷积神经网络模型进行迭代训练,得到第二卷积神经网络模型,根据所述第二卷积神经网络模型进行蔬菜识别。2.根据权利要求1所述的蔬菜识别的方法,其特征在于,步骤S3中所述根据学习率自适应更新的梯度下降算法和所述输入数据集对所述第一卷积神经网络模型进行迭代训练,得到第二卷积神经网络模型具体为:根据所述学习率自适应更新的梯度下降算法计算所述输入数据集在第k次迭代训练时损失函数的值,其中k的取值范围为[1,m),m为迭代训练的总次数;根据第k次迭代训练损失函数的值进行第k+1次迭代训练,直至所述损失函数的值达到最小,从而得到第二卷积神经网络模型。3.根据权利要求2所述的蔬菜识别的方法,其特征在于,所述第k次迭代训练的过程具体为:S31、根据所述输入数据集和第一卷积神经网络模型的卷积层计算公式提取所述图像的颜色特征和纹理特征,得到与所述输入数据集对应的特征图,其中为第一卷积神经网络模型中第l卷积层的第j个特征图的激活值,为所述第一卷积神经网络模型中第l-1卷积层的第i个特征图的激活值,为第l卷积层的第j个特征图的激活值与第l-1卷积层的第i个特征图相连的卷积核,为第l卷积层的第j个特征图的额外偏执项,f()为激励函数,Mj为第一卷积神经网络模型中第j个卷积层特征图的数量;S32、根据第一卷积神经网络模型的池化层的计算公式对所述特征图进行尺寸减小处理,得到新的特征图,其中down()为下采样函数;S33、所述第一卷积神经网络模型的全连接层根据所述新的特征图,得到第k+1次迭代训练的输入数据集。4.根据权利要求2所述的蔬菜识别的方法,其特征在于,所述梯度下降算法和所述损失函数的计算公式具体如下:其中,为网络参数权值,为梯度,为损失函数,xi为第i个训练样本的输入值,yi为与所述输入值对应的输出值,m为迭代训练的总次数,η为学习率,j为第一卷积神经网络模型中参数的总数目,xj为卷积神经网络提取的纹理与颜色特征值。5.根据权利要求1所述的蔬菜识别的方法,其特征在于,预设学习率更新的规则,根据所述规则自适应更新迭代训练时所述梯度下降算法的学习率;所述学习率更新的规则具体为:判断当前迭代数是否小于预设迭代数,按照学习率更新规则更新学习率,否则,不更新学习率;所述根据更新规则更新学习率具体为:判断当前迭代数是否大于更新阈值,若是,则根据第一学习率更新规则更新学习率,否则,根据第二学习率更新规则更新学习率;所述第一学习率更新规则为:η=drop(_iteration/iterations_drop)*(in_rate/γ(iterations/begin_iteration))+(σ/γ(iterations/begin_iteration))所述第二学习率更新规则为:η=drop(_iteration/iterations_drop)*in_rate+σ其中,in_rate为初始化学习率,drop为每次更新的幅度,iteration_drop:迭代更新的频率,begin_iteration为开始更新学习率的迭代次数,σ为常数,用于防止学习率接近0,γ为学习率衰减幅度。6.一种蔬菜识别的装置,包括存储器、处理器及存储...

【专利技术属性】
技术研发人员:张平均刘洋
申请(专利权)人:福建工程学院
类型:发明
国别省市:福建,35

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1