基于深度可分离卷积的果蔬分类识别方法

针对农贸市场、果蔬超市中结算流程不够智能化以及重型神经网络模型部署困难等问题,对果蔬分类模型轻量化识别方法进行了研究。首先针对果蔬智能识别设备所在环境差异大、果蔬套袋问题,采用多场景采集方案在果蔬超市现场采集果蔬170种、图片136 000张,并设计了弱化套袋的图像预处理方法,对数据进一步增强。然后针对重量级神经网络部署困难以及成本较高的问题,设计了一种基于深度可分离卷积的果蔬分类识别模型,并进行训练测试,其Top-1准确率达96.8%,Top-5准确率达100%,相对于Mobilenetv2-224,运算量减少了70%,相对于Mobilenetv3-224,运算量减少了60%,识别能力介于Mobilenetv2-224和Mobilenetv3-224之间。最后对所设计果蔬分类模型在实际部署中面临的问题进行了分析。

基于Mobilenetv3的果蔬分类识别研究

针对农贸市场、果蔬超市中结算流程不够智能化问题以及重型神经网络模型部署困难问题,基于轻量化神经网络模型Mobilenetv3,对果蔬分类识别进行了研究。首先针对果蔬超市、农贸市场环境复杂问题,提出了多样化数据采集方案,共采集果蔬170种,图片136000张。然后利用一系列增强方法,在训练时对数据进一步进行增强。最后使用训练数据集对Mobilenetv3进行了训练并使用测试数据集进行了测试,其top-1成功率达到了0.932,top-5成功率达到了0.991。研究结果表明:基于轻量化神经网络模型的果蔬分类可以用来辅助售货员进行果蔬分类。

图像识别在果蔬分类与识别中的应用

阐述了图像识别技术在果蔬分类与识别中的应用,具体包括图像识别技术在商品交易智能化、果蔬采摘机器人、智能冰箱中的应用等方面内容,以期为图像识别技术的后续研究和应用提供参考。

计算机视觉在果蔬分类中的应用

计算机视觉在农产品分类领域广泛应用,但受限于类间相似性和不规则的类内特征,果蔬分类仍是一个复杂的问题。本文针对近年来基于计算机视觉的水果分类进行比较,简述了现阶段果蔬分类所面临的挑战,并提出展望,以期为提高果蔬分级效率提供参考。

基于图像识别的果蔬自助结算系统

实现对缺少条形码的水果蔬菜的识别与结算,是超市自助结算的一大难题;为在资源有限的结算终端设备上实现超市果蔬的识别与分类,提出了一种基于神经网络的果蔬识别算法;通过增加网络宽度的方法改进Alex Net,提升识别性能;结合压力传感器、摄像头等硬件设备,在树莓派上进行实验,完成了果蔬自助结算系统的搭建;经实验测试,系统对果蔬的平均识别准确率可达98.25%,单次结算总耗时约7.48 s,仅为人工结算耗时的1/4,满足果蔬自助结算系统的实际应用需求。

基于微调优化的深度学习在果蔬识别中的应用

果蔬图像分类是图像识别的重要组成部分,是实现果蔬农产品自动化分类的关键技术。果蔬图像识别面临的主要挑战在于果蔬种类众多,缺乏大量的有标签数据,难以通过监督学习方法来实现果蔬图像分类。针对上述问题,本文构建果蔬图像数据集,提出将融合迁移学习的深度卷积网络用于果蔬图像识别。为了验证该方法的有效性,采用特定方式微调模型参数,在数据集上进行了实验。实验结果表明,通过微调优化方法,模型的准确性提升3%以上,为深度学习的微调优化提供一定的参考依据。