【技术实现步骤摘要】
一种基于神经网络模型的水果检测系统和方法
[0001]本专利技术涉及图像预处理及识别
，尤其涉及一种基于神经网络模型的水果检测系统和方法。
技术介绍
[0002]目前，水果机械化、信息化的采后处理能力严重不足，采后烂果区分率、水果品质分级水平低。为提高水果商品在市场的竞争力，强化大规模信息化采后处理是关键。
[0003]目前我国的水果后期处理技术主要是通过人工分拣和分级的方法，不可避免地存在一些问题，比如长时间单调的劳动导致人的疲劳进而使得检测准确率降低、水果表面分级方法不够精确，具有很强的主观性等。随着人工成本的增加，促使了自动化水果分拣系统的出现。
[0004]传统的自动化分拣系统大多基于深度神经网络，具有很大的模型，网络层数由几十层甚至加深到了上百层，在训练难度和计算量方面也都有了不小的提升。动辄上百亿的参数量严重限制了模型部署到嵌入式系统或移动端的应用，在模型实现方面会耗费很多资源，成本较高。
技术实现思路
[0005]鉴于上述的分析，本专利技术实施例旨在提供一种基于神经网络模型...
【技术保护点】
【技术特征摘要】
1.一种基于神经网络模型的水果检测系统，其特征在于，包括：训练集和验证集获取模块，用于获取历史水果图片集，并将所述历史水果图片集划分为训练集和验证集；神经网络建立模块，用于建立神经网络模型，所述神经网络模型包括特征提取模块和代替全连接层的改进的分类模块，其中，所述改进的分类模块用于对所述特征提取模块提取的特征图片进行分类；模型训练和验证模块，用于使用所述训练集对所述神经网络模型进行训练并使用所述验证集对训练结果进行验证以获取训练好的神经网络模型；以及检测模块，用于将待评级的水果图片输入所述训练好的神经网络模型以检测出所述待评级的水果图片中的水果表面评级与坏果情况。2.根据权利要求1所述的基于神经网络模型的水果检测系统，其特征在于，包括预处理模块，用于在对所述神经网络模型进行训练之前使用全覆盖裁剪方法对所述训练集和所述验证集中的历史水果图片进行预处理；以及在将所述待评级的水果图片输入所述训练好的神经网络模型之前，使用所述全覆盖裁剪方法对所述待评级的水果图片进行预处理。3.根据权利要求2所述的基于神经网络模型的水果检测系统，其特征在于，所述预处理模块包括第一裁剪模块、第二裁剪模块和填充模块，其中，所述第一裁剪模块，用于对所述历史水果图片和所述待评级的水果图片按照224
×
224在图片的左下对角和右上对角进行裁剪以获取第一尺寸的历史水果图片和第一尺寸的待评级的水果图片；所述第二裁剪模块，用于对所述历史水果图片和所述待评级的水果图片按照100
×
100在图片四边的中心进行裁剪以获取第二尺寸的历史水果图片和第二尺寸的待评级的水果图片；以及所述填充模块，用于在所述第二尺寸的历史水果图片和所述第二尺寸的待评级的水果图片周围补充0以将所述第二尺寸的历史水果图片和所述第二尺寸的待评级的水果图片的尺寸扩充为224
×
224。4.根据权利要求2所述的基于神经网络模型的水果检测系统，其特征在于，所述特征提取模块包括：第一卷积子模块、轻量化卷积子模块、第二卷积子模块，其中，所述第一卷积子模块，用于对预处理后的所述历史水果图片或预处理后的所述待评级的水果图片中提取所述历史水果图片或所述待评级的水果图片的特征图作为第一输出，其中，所述特征图由特征的向量表示；所述第一轻量化卷积子模块，用于在不改变所述特征图的形状的情况下，对所述第一输出进一步提取特征以获取第二输出；以及所述第二卷积子模块，用于对所述第二输出进一步加深特征图并缩小特征图尺寸以进一步分离特征以获取第三输出特征图。5.根据权利要求4所述的基于神经网络模型的水果检测系统，其特征在于，所述改进的分类模块包括第二轻量化卷积子模块和平均池化子模块，其中，所述第二轻量化卷积子模块，用于使用N个1
×1×
128的卷积核对所述第三输出特征图进行卷积处理以输出N
×
14
×
14的第四输出特征图，其中，所述第三输出特征图为...
【专利技术属性】
技术研发人员：李金泽，赵政杰，张舒，张宁，
申请(专利权)人：中国科学院微电子研究所，
类型：发明
国别省市：
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。