一种基于深度学习的农作物果实分拣算法制造技术

本发明专利技术涉及一种基于深度学习的农作物果实分拣算法，包括：步骤1、构建卷积神经网络(CNN)；步骤2、读入所有数据，将数据划分为训练集和测试集，进行卷积神经网络(CNN)的训练；步骤3、利用卷积神经网络(CNN)识别出农作物果实种类，并将数据写入对应的数据库。本发明专利技术的有益效果是：本发明专利技术提高农作物果实分拣效率和降低分拣的失误率，从而降低水果生产成本。本发明专利技术将目前技术成熟的深度学习图像识别技术同传统安全的PLC控制器相结合，制作一台方便、安全、智能和高效率的农作物果实分拣机。本发明专利技术农作物果实识别正确率高、速度快，鲁棒性高、实用性广泛，可以解决传统人工分拣效率低、人工成本高的问题。

【技术实现步骤摘要】
一种基于深度学习的农作物果实分拣算法
本专利技术涉及农作物果实分拣领域，尤其涉及一种基于深度学习的农作物果实分拣算法。
技术介绍
我国作为一个传统的农业大国，每年农作物果实的产量和销售量相较于之前都有大幅提高。但是我国在水果的后期分拣处理方面存在长期大量的依赖人工作业的现象，这就会导致农作物果实分拣的效率和标准度会因人而异、因地而异、因时而异。长期大量使用人工对水果进行分拣还会出现错误率随工作时间递增，农作物果实生产成本随工人数量递增等情况，这样会增加生产成本，导致农作物果实在价格上的竞争力相对偏低。
技术实现思路
本专利技术的目的是克服现有技术中的不足，提供一种基于深度学习的农作物果实分拣算法。这种基于深度学习的农作物果实分拣算法，包括以下步骤：步骤1、构建卷积神经网络(CNN)；卷积神经网络由输入层、卷积层、下采样层、全连接层和分类器这五个部分组成；输入层的输入为水果图像灰度像素矩阵；输入层的输入上传到卷积层，卷积层包括卷积层C1和卷积层C2；下采样层包括下采样层S1和下采样层S2；输出层采用全连接的连接本文档来自技高网...

【技术保护点】
1.一种基于深度学习的农作物果实分拣算法，其特征在于，包括以下步骤：/n步骤1、构建卷积神经网络；卷积神经网络由输入层、卷积层、下采样层、全连接层和分类器组成；输入层的输入为水果图像灰度像素矩阵；输入层的输入上传到卷积层，卷积层包括卷积层C1和卷积层C2；下采样层包括下采样层S1和下采样层S2；输出层采用全连接的连接方式与下采样层S2的特征图连接；/n步骤2、读入所有数据，将数据划分为训练集和测试集，进行卷积神经网络的训练；/n步骤3、利用卷积神经网络识别出农作物果实种类，并将数据写入对应的数据库；/n步骤4、计算机对数据库进行操作，再通过组态软件读取数据库的数据，PLC控制器得到控制信号，启...

【技术特征摘要】
1.一种基于深度学习的农作物果实分拣算法，其特征在于，包括以下步骤：
步骤1、构建卷积神经网络；卷积神经网络由输入层、卷积层、下采样层、全连接层和分类器组成；输入层的输入为水果图像灰度像素矩阵；输入层的输入上传到卷积层，卷积层包括卷积层C1和卷积层C2；下采样层包括下采样层S1和下采样层S2；输出层采用全连接的连接方式与下采样层S2的特征图连接；
步骤2、读入所有数据，将数据划分为训练集和测试集，进行卷积神经网络的训练；
步骤3、利用卷积神经网络识别出农作物果实种类，并将数据写入对应的数据库；
步骤4、计算机对数据库进行操作，再通过组态软件读取数据库的数据，PLC控制器得到控制信号，启动电磁阀完成农作物果实分类。


2.根据权利要求1所述基于深度学习的农作物果实分拣算法，其特征在于：所述步骤2具体包括如下步骤：
步骤2.1、建立三个神经元，将x1和x2作为卷积神经网络的两个输入，将两个输入和三个神经元之间的权重依次记为w11、w12、···、w23，三个神经元的偏置分别为b1、b2和b3；
步骤2.2、将所有权重初始化为随机数，使用训练集中的全部样本训练一次；将第一个批处理送入卷积神经网络；
步骤2.2.1、采用梯度下降作为优化算法，选取随机数作为卷积神经网络的初始参数，进行前向传播和反向传播，将结果与期望值比较，计算损失函数并更新卷积神经网络的参数：
out＝g(f(x1w11+x2w21+b1)·w13+f(x1w12+x2w22+b2)·w23+b3)
上式中，将非线性函数f和g作为激活函数；out为卷积神经网络的输出，x1和x2为卷积神经网络的2个输入，w11、w12、w13、w21、w22和w23为三个神经元之间的权重；b1、b2和b3为三个神经元的偏置；
损失函数为:
Loss＝(OUT-期望输出)2
上式中，Loss为损失函数，OUT为卷积神经网络的输出；
权重更新公式为：



上式中，wnew为新的权重，w为指之前的权重，η是指学习率，Loss为损失函数；
步骤2.2.2、将下一个批处理送入卷积神经网络；
步骤2.2.3、重复执行步骤2.2.1至步骤2.2.2，处理一定数量的批处理，直至所有训练集数据完成训练；
步骤2.3、将测试集送入卷积神经网络，前向传播，将结果与期望值比较，计算损失；
步骤2.4、将训练集中的数据打乱，继续使用训练集中的全部样本训练卷积神经网络；根据训练集的损失和测试集的损失，选择接下来的动作；接下来的动作包括调整学习速率、停止训练或停止训练并修改超参数。


3.根据权利要求1所述基于深度学习的农作物果实分拣算法，其特征在于：所述步骤3具体包括如下步骤：
步骤3.1、将水果图像灰度像素矩阵作为输入层的输入,输入层水果图像的规格为32×32像素；
步骤3.2、卷积层C1对图像灰度像素矩阵进行卷积运算：借助卷积核获得特征提取层，利用卷积操作提取特征提取层的原始信号特征；选用规格为5×5的卷积核，将卷积核在灰度像素矩阵里不断平移，平移过程中将卷积核覆盖原来的灰度像素矩阵部分，对应元素相乘并相加；
步骤3.3、下采样层S1对卷积层C1利用简单缩放...

【专利技术属性】
技术研发人员：丁金婷，徐子辉，
申请(专利权)人：浙大城市学院，
类型：发明
国别省市：浙江;33