[发明专利]一种基于卷积神经网络的苹果品质检测方法

权利要求书

1.一种基于卷积神经网络的苹果品质检测的方法，其特征在于，包括以下步骤：

步骤1，设备和苹果选取：选取高级的数码摄像装备，以得到高清的样本图像；苹果的品质样本选择上，尽量选择多的品质不同的苹果，尽可能所选择的苹果都有不同的特征；

步骤2，样本图像采集：选择一个纯白的摄像背景，保证设备在摄像的时候能够得到高清的图像；根据苹果的品质等级，选择各个不同等级的苹果，将苹果沿着核竖立摆放，在摄像的时候，每个苹果选取多个角度摄像；然后根据图片和苹果品质等级的映射关系，建立图片和苹果品质等级的映射表；

步骤3，建立样本数据：选取1000张各个品质等级的苹果图片，根据苹果品质等级检测的精度要求，对苹果品质等级范围性分类并用数字标记每个类别，对照图片和苹果品质等级映射表，依次对所属苹果品质等级范围的图片进行类别标记，作为训练样本集的类别标签；将图片转换为同样格式，对图片进行灰度化、直方图均衡、对比度增强的图片预处理操作，并保存为训练样本集；选取300张各个苹果品质等级的图片，再次进行上述操作，得到测试样本集的类别标签和测试样本集；

步骤4，训练分类器:搭建卷积神经网络初步结构模型，用步骤3所得的训练样本集数据训练并测试调整卷积神经网络模型；

卷积神经网络模型依次由输入层、卷积层、池化层、卷积层、池化层、输出层组成:输入层为训练数据,卷积层为特征提取层,池化层位于卷积层后，是一个二次提取的计算层；第二个池化层，即完成了对原始数据的特征提取后,把池化层的特征数据进行向量化，然后连接到分类器,经输出层输出类别结果；

卷积层用卷积核在图像矩阵上游走,在对应位置元素相乘,再把相乘的结果相加，最后相加的结果形成新的图像矩阵,游走完成后即完成了对原始图像的卷积变换,形成此卷积核下的特征提取，卷积神经网络模型的卷积核大小为5*5；

在通过卷积获得了特征之后,对特征矩阵分区域进行平均值池化，降低特征维度；

输出层输出实际类别，与样本的类别标签对比,反向调整权值，直至实际输出与类别标签尽可能接近,调整迭代次数直至误差函数收敛，进而得到最好的卷积神经网络模型；

步骤5，实际苹果品质等级测试，任意拿一个苹果，经过步骤2，得到高清的该苹果的图像，经过步骤3的图片处理，将图片传入步骤4中的已经训练好的卷积神经网络模型中，经过卷积神经网络模型分类后，得到该图片属于哪个标签，再根据标签和苹果品质等级的映射关系，得到该苹果的品质等级。