一种基于深度学习算法实现水果分类识别的方法技术

本发明专利技术属于水果图片分类领域，具体涉及AlexNet的卷积神经网络的水果图片分类算法。主要包含以下步骤:1.构建一个合理的预测模型，建立样本数据集；2.通过各搜索引擎和数据库搜索相关的水果图像样本，下载到本地；3.参考卷积神经网络模型AlexNet，进行一些精简和优化实现的，经过大量的训练和调试后，得出的最佳参数；4.返回Pycharm，使用TensorFlow调用模型，对测试集进行分类测试。对测试集进行分类测试。对测试集进行分类测试。

【技术实现步骤摘要】
一种基于深度学习算法实现水果分类识别的方法

：
[0001]本专利技术属于水果图片分类领域，具体是指基于AlexNet的卷积神经网络的水果图片分类算法。

技术介绍
：
[0002]近年来，随着电子科技的快速发展和互联网的快速普及，智能手机、数码相机等电子产品的使用门槛越来越低。图像作为一种高效信息的传播媒介，无论是在本地还是在各类社交平台，都无时无刻不在增长。因此，给各类图像扫描分析、赋予标签、分类归档就显得尤为重要了。
[0003]同时，计算机科学和信息技术的持续发展，逐渐将人工智能引领进我们的生活，为我们生活带来了很多便利。而识别图像识别和分类正是人工智能领域中重要的组成部分，也是现阶段深度学习中比较热门的课题。
[0004]水果在我们生活中常见、普遍而且品种众多、样式复杂，具有极强的多样性，研究水果分类识别算法，具有重要的意义。

技术实现思路
：
[0005]本专利技术的目的是克服水果自动识别技术中现有不同分类器对不同水果种类的分类效果不均衡，提供一种基于深度学习算法实现水果分类识别的方法，从而提高水果图片识别的准确度。
[0006]本专利技术采用的技术方案为：一种基于深度学习算法实现水果分类识别的方法，所述智能识别方法包括以下步骤：
[0007]步骤一：构建一个合理的预测模型，建立样本数据集，分别为：训练集、验证集和测试集。
[0008]步骤二：通过各搜索引擎和数据库搜索相关的水果图像样本，下载到本地。
[0009]步骤三：参考卷积神经网络模型AlexNet，进行一些精简和优化实现的，经过大量的训练和调试后，得出的最佳参数。
[0010]步骤四：返回Pycharm，使用TensorFlow调用模型，对测试集进行分类测试。
[0011]本专利技术有益效果：
[0012](1)本算法模型共架设了8个网路层次，使用了ReLU作为激励函数，ReLU激励函数可以在网络的更深层次中发挥作用，避免了梯度消失的现象；
[0013](2)在每个卷积层后部使用了最大池化，并且池化比例都是较大的，在保留特征图像中显著部分的同时，也大幅度精简了设计网络的大小，减少了内存占用；
[0014](3)模型整体使用了Adam优化器，Adam的双重优势，使得反向传播中的梯度下降更快速、更精确、更趋于稳定。
附图说明：
[0015]图1为本专利技术图像识别流程图；
[0016]图2为本专利技术算法模型结构图
[0017]图3为本专利技术算法模型训练图；
[0018]图4为模型预测热力图。
具体实施方式：
[0019]实施例一
[0020]一种基于深度学习算法实现水果分类识别的方法，所述智能识别方法包括以下步骤：
[0021]步骤一：建立建立合理的样本数据集。
[0022]步骤二：收集水果图像样本，下载到本地。
[0023]步骤三：经过大量的训练和调试后，得出的最佳参数。
[0024]步骤四：对测试集进行分类测试。
[0025]具体的，智能识别方法包括以下步骤：
[0026]步骤一：从大量的数据中构建一个合理的预测模型；在模型的创建的不同阶段，样本可以划分为3种数据集，分别为：训练集、验证集和测试集。
[0027](1)训练集
[0028]训练集是指在学习者使用的数据集。在一个水果识别的分类任务中，训练集用于拟合模型中的参数，如权值。训练集的选取，需要准备一个大数据量并且多样化的训练集，以便于获取一个良好的预测模型，当然也不将全部的样本都划分成训练集，使得检测的样本就无法辨认，这个现象叫做过拟合。如图为将样本分割出验证集，从而防止过拟合的发生。
[0029](2)验证集
[0030]用于优化学习模型的数据集则称为验证集。验证集是指当模型训练完成之后，用以评估模型的表现的样本集。它可以验证当前模型是否处于最佳状态，并且会根据差异来调整各项参数，让模型处于一个稳定且最优的状态。使用中，避免单一的训练集让模型的训练陷入误区。
[0031](3)测试集
[0032]测试集就是对于模型的最终评估，它会直观地展示出模型预测的准确率，模型是否过拟合或欠拟合。针对测试集的结果，我们需要重新训练模型，调整参数。
[0033]关于训练集验证集和测试集的划分，需要集合具体问题和可用数据量进行决定。一般来说，常用的分配比例是：60％训练集，20％验证集，20％测试集。
[0034]步骤二：将数据集先分为5大水果种类，随机抽取5万多张图片，将图片分门别类的保存在对应位置。
[0035](1)收集
[0036]数据集样可来自网络以及生活中的样品实物图片。具有样本来源广泛，水果的种类具有多样性的特点，适合进行训练。本实验共收集了大约5000份样本。
[0037](2)筛查
[0038]筛查是指当检测样本收集后进行一次人工的筛查，做法是去除模糊、空白和错误的样本，防止学习过程中，由样本产生误差。
[0039](3)分类
[0040]将筛查好的样本先按照水果的标签分成5大类，再将水果标签下的数据按照60％训练集，20％验证集，20％测试集的比例随机分组。
[0041]步骤三：算法训练
[0042](1)算法模型设计参数
[0043]本部分的卷积神经网络模型设计参考了AlexNet，并在它的基础上进行一些精简和优化实现的，这些参数是在大量的训练和调试后，得出的最佳参数，使用了最大池化的思想，会最优保留那些更显著的特征，对于强化了深层网络的识别能力，可以使算法的分类准确率达到较高的水平。
[0044](2)算法模型训练算法
[0045]经过Debug后程序无错误，设定训练迭代次数为300，开始训练进程，总参数为2,674,845，可训练参数为2,674,845。
[0046]①
数据输入神经网络之前，需要一个初始化的过程，包括重采样、归一化、图层拆分等等。初始化是为了方便后期处理时特征图像的统
[0047]②
特征提取是最重要的一个环节，需要卷积层对图像进行特征的拆分，这些特征拆分的过程就运用到了局部感知的原理。
[0048]③
降采样
[0049]降采样是通过池化环节来完成的，通过将神经网络中不重要的神经元剔除，来精简神经网络中的参数，提高运行效率。
[0050]④
分类计算
[0051]经过卷积和池化处理过的图像特征。会被输入进Softmax函数，针对不同的类型，进行分布概率的计算。
[0052]⑤
损失计算
[0053]得出的分布概率将会输入到损失函数——交叉熵函数中，与现有的验证集进行对比，对比的结果就是当前的损失值。
[0054]⑥
反向传播
[0055]当前的损失值会通过梯度逆向的向前进行传播，重新分配神经网络前端的权值。
[0056]⑦...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习算法实现水果分类识别的方法，所述智能识别方法包括以下步骤：步骤一：从大量的数据中构建一个合理的预测模型；在模型的创建的不同阶段，样本可以划分为3种数据集，分别为：训练集、验证集和测试集。(1)训练集训练集是指在学习者使用的数据集。在一个水果识别的分类任务中，训练集用于拟合模型中的参数，如权值。训练集的选取，需要准备一个大数据量并且多样化的训练集，以便于获取一个良好的预测模型，当然也不将全部的样本都划分成训练集，使得检测的样本就无法辨认，这个现象叫做过拟合。如图为将样本分割出验证集，从而防止过拟合的发生。(2)验证集用于优化学习模型的数据集则称为验证集。验证集是指当模型训练完成之后，用以评估模型的表现的样本集。它可以验证当前模型是否处于最佳状态，并且会根据差异来调整各项参数，让模型处于一个稳定且最优的状态。使用中，避免单一的训练集让模型的训练陷入误区。(3)测试集测试集就是对于模型的最终评估，它会直观地展示出模型预测的准确率，模型是否过拟合或欠拟合。针对测试集的结果，我们需要重新训练模型，调整参数。关于训练集验证集和测试集的划分，需要集合具体问题和可用数据量进行决定。一般来说，常用的分配比例是：60％训练集，20％验证集，20％测试集。步骤二：将数据集先分为5大水果种类，随机抽取5万多张图片，将图片分门别类的保存在对应位置。(1)收集数据集样可来自网络以及生活中的样品实物图片。具有样本来源广泛，水果的种类具有多样性的特点，适合进行训练。本实验共收集了大约5000份样本。(2)筛查筛查是指当检测样本收集后进行一次人工的筛查，做法是去除模糊、空白和错误的样本，防止学习过程中，由样本产生误差。(3)分类将筛查好的样本先按照水果的标签分成5大类，再将水果标签下的数据按照60％训练集，20％验证集，20％测试集的比例随机分组。步骤三：算法训练(1)算法模型设计参数本部分的卷积神经网络模型设计参考了AlexNet，并在它的基础上进行一些精简和优化实现的，这些参数是在大量的训练和调试后，得出的最佳参数，使用了最大池化...

【专利技术属性】
技术研发人员：高宇飞，张学健，温家璇，
申请(专利权)人：东北石油大学，
类型：发明
国别省市：