【技术实现步骤摘要】
本专利技术属于计算机视觉目标分类领域，具体是一种采用vgg-16网络对果蔬进行分类的方法。
技术介绍
1、目前零散果蔬实体销售主要在超市，商家将零散果蔬分类放置货架，顾客选择所需果蔬后由商家工作人员称重并进行付款。这种销售过程需要店家安排员工每时每刻等候顾客称重并计算价格，等待付款完成，费时费力。另外一种销售方式是店家将不同果蔬进行分类并打包，提前称重标注价格，顾客直接付款即可。但这种销售方式对于顾客而言，不能很好地选择所需果蔬的量，只能选择店家包装的一定量的果蔬进行购买。因此，上述两种现有的果蔬销售方式对商家成本要求以及顾客的购买体验有着不可忽略的缺点。
2、目前果蔬销售行业已经向无人化、智能化发展，有部分超市已经实现无人售货。无人销售不仅能减少店家的人工成本，也节省顾客购买货物所需时间，对双方都有一定程度的优化，但目前无人果蔬售货由于软件与硬件上的劣势还不完善，例如在部分无人超市还需下载对应软件，并完成对应的操作才能完成消费，对于消费者来说，并没有很好的消费体验，相对于传统的售卖方式并没有明显的优化，并且目前绝大部分超市结账时只支持条形码的商品，顾客如果想要购买零散果蔬，只能由顾客自行挑选后前往称重区经工作人员手动称重并贴标签，最后通过结算终端扫码结账。因此，对果蔬进行分类识别，为实现果蔬自助结算，是目前果蔬分类识别亟需解决的问题。
3、目前，深度卷积神经网络在计算机视觉领域成功应用，其应用范围从简单的图像分类到更高级的目标检测、语义分割、表示学习等。在果蔬分类中也占据着重要的地位。internati
技术实现思路
1、为了克服上述现有技术中的缺点和不足，本专利技术的目的在于提供一种基于剪枝vgg-16网络的果蔬分类方法，对传统vgg-16进行剪枝轻量化，能够有效提升果蔬分类的效率以及降低网络模型大小，降低模型在识别时的计算复杂度。
2、本专利技术的目的通过以下技术方案予以实现，包括以下步骤：
3、步骤a)：在网络公开图片上获取不同果蔬图片样本得到果蔬数据集，将果蔬数据集划分为训练集与验证集；
4、步骤b)：使用已有图像数据集imagenet预训练vgg-16网络模型的权重，获得训练好的vgg16-tl网络模型，该vgg16-tl网络模型的第i层卷积层有ni-1个输入通道和ni个输出通道，第i层的第j个滤波器为
5、步骤c)：计算滤波器的绝对权重和每个滤波器核权绝对值得到全部滤波器的核权绝对值集合计算滤波器的输出即特征映射集合中第i层第j个特征映射oij的平均秩得到第i层秩集合
6、步骤d)：对所述的核权绝对值集合与秩集合进行最小最大归一化，对归一化后的核权绝对值与平均秩加权融合得到新的滤波器得分以及滤波器得分集合ci，对滤波器得分集合ci按下降顺序得到降序得分集合该降序得分集合中的前ni1个滤波器保留，后ni2个滤波器修剪，获得剪枝率；
7、步骤e)：对所述的vgg16-tl网络模型载入所述的训练集训练，得到训练好的果蔬图片vgg16-tl网络模型，根据所述的训练好的果蔬图片vgg16-tl网络模型的各层滤波器的降序得分集合，依据所述的剪枝率删减滤波器，将保留的滤波器子集作为瘦身模型vgg16-lw；
8、步骤f)：采用所述的训练集对所述的瘦身模型vgg16-lw重新训练，则训练好的瘦身模型vgg16-lw输出的是果蔬的类别。
9、与现有技术相比，本专利技术的有益效果是：
10、1.节约时间成本：在资源受限的环境中，本专利技术利于将网络移植到移动端时提高数据利用效率，当目标任务的数据稀缺时，可以利用源任务的数据来加速目标任务的学习过程。节省大量的数据收集和标注成本。
11、2.剪枝效率高：本专利技术使用权值滤波器与低秩特征图融合剪枝的方法，在低贡献滤波器的选择上更加出众，准确率和参数压缩比均高于常用方法。本专利技术保证了比传统剪枝方法有更高的精度和更高的参数缩减。
12、3.移植效果强：本专利技术对于移动端和嵌入式设备上的果蔬分类应用非常实用，同时还可被应用于大规模数据集上的训练。
13、4.本专利技术与其他常用的目标分类算法在果蔬分类数据集上做对比，体现出本专利技术方法在计算复杂度上拥有良好的优越性。
本文档来自技高网...【技术保护点】
1.一种基于剪枝VGG-16网络的果蔬分类方法，其特征是包括以下步骤：
2.根据权利要求1所述的果蔬分类方法，其特征是：步骤A)中，果蔬数据集以8：2的比例划分出训练集FV和验证集。
3.根据权利要求1所述的果蔬分类方法，其特征是：步骤B)中的VGG16-TL网络模型，包括接收大小为224×224×3的图片的输入层、13个卷积层、2x2池化层以及3个全连接层，每个全连接层具有4096个神经元。
4.根据权利要求3所述的果蔬分类方法，其特征是：在最后一个全连接层之后，使用Softmax激活函数将输出转化为类别概率分布。
5.根据权利要求4所述的果蔬分类方法，其特征是：训练时，首先将卷积层与池化层固定，根据果蔬图像分类的具体类别数，修改全连接层的结构，并冻结不同的卷积层参数。
6.根据权利要求1所述的果蔬分类方法，其特征是：步骤B)中，在ni-1个输入通道上用ni个三维滤波器每个三维滤波器Fi,j由二维卷积核组成。
7.根据权利要求1所述的果蔬分类方法，其特征是：步骤D)中，所述的滤波器得分ω1是核权绝对值的权重
8.根据权利要求1所述的果蔬分类方法，其特征是：步骤E)中，保留的滤波器子集和剪枝滤波子集满足：为全部滤波器。
9.根据权利要求8所述的果蔬分类方法，其特征是：将保留的滤波器子集中的剩余权重复制到瘦身模型VGG16-LW中，同时对卷积层进行修剪。
10.根据权利要求8所述的果蔬分类方法，其特征是：步骤F)中，在训练集上对瘦身模型VGG16-LW进行50次重新训练，初始学习率为1e-3，经过30次和40次后，将学习率降低到前一次学习率的1/10，最后在所述的验证集上完成结果测试。
...【技术特征摘要】
1.一种基于剪枝vgg-16网络的果蔬分类方法，其特征是包括以下步骤：
2.根据权利要求1所述的果蔬分类方法，其特征是：步骤a)中，果蔬数据集以8：2的比例划分出训练集fv和验证集。
3.根据权利要求1所述的果蔬分类方法，其特征是：步骤b)中的vgg16-tl网络模型，包括接收大小为224×224×3的图片的输入层、13个卷积层、2x2池化层以及3个全连接层，每个全连接层具有4096个神经元。
4.根据权利要求3所述的果蔬分类方法，其特征是：在最后一个全连接层之后，使用softmax激活函数将输出转化为类别概率分布。
5.根据权利要求4所述的果蔬分类方法，其特征是：训练时，首先将卷积层与池化层固定，根据果蔬图像分类的具体类别数，修改全连接层的结构，并冻结不同的卷积层参数。
6.根据权利要求1所述的果蔬分...
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。