[发明专利]一种基于卷积神经网络的苹果品质检测方法

说明书

一种基于卷积神经网络的苹果品质检测的方法，先进行设备和苹果选取，然后进行样本图像采集，再建立样本数据，然后搭建卷积神经网络初步结构模型，训练并测试调整卷积神经网络模型；最后进行实际苹果品质等级测试；本发明苹果品质等级检测的精度和速度高，易于操作，精准而且快速。

技术领域

本发明涉及人工智能和计算机视觉技术领域，具体涉及一种基于卷积神经网络的苹果品质检测方法。

背景技术

苹果是一种受人们喜爱的水果，从采购直到消费者手中，这个过程中难免有些苹果的品质受损，品质受损的苹果所售出的价格就会大大降低。不仅是价格受损，而且还会加大受损苹果的分拣工作量。目前大部分地区苹果品质检测都是人工进行的，这样不仅检测效率低，而且人工成本也很高，非常的耗时又耗力，从经济的角度上考虑，人工分拣不适合大型的苹果品质检测。也有少部分的地区用苹果分拣机，但是这样的苹果分拣机成本高，而且分拣的精度还不是很高。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供了一种基于卷积神经网络的苹果品质检测方法，苹果品质等级检测的精度和速度高，易于操作，精准而且快速。

为了达到上述目的，本发明采取的技术方案为：

一种基于卷积神经网络的苹果品质检测的方法，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。