[发明专利]一种蔬果识别方法及结算设备和使用方法

权利要求书

1.一种蔬果识别方法，其特征在于，它包括以下步骤：

步骤一：提前根据大量指定的蔬菜、水果图片，建立蔬菜、水果图像数据集；

步骤二：对所采集的图像进行预处理；

步骤三：处理后采用深度学习方法，搭建蔬果分类卷积神经网络模型；

步骤四：通过训练使得该卷积神经网络模型能够自主识别蔬菜、水果种类。

2.根据权利要求1所述一种蔬果识别方法，其特征在于：所述卷积神经网络模型，通过将图片分批次投入模型训练，卷积神经网络模型通过底层提取特征，再进一步更深层次提取特征，最后得到目标的分类；

所述卷积神经网络模型基于LeNet基础，其采用一个由2个卷积层、2个池化层、2个基于修正线性激活的全连接层和输出层组成的卷积神经网络模型。

3.根据权利要求2所述一种蔬果识别方法，其特征在于：所述卷积神经网络模型中的卷积层为特征提取层，所述卷积层的输入来源于输入层或者池化层，在卷积层中，每个神经元与上一层的输入中的神经元仅仅只是部分连接；

卷积层中的每一个特征图都有一个与之相对应的卷积核，并且与卷积核的大小相同，卷积层的每一个特征图是通过不同的卷积核在前一层输入的特征图上作卷积，然后将对应元素累加之后再加一个偏置，最后通过激活函数所获得到得；

假设现在第l层为卷积层，那么该卷积层中第j个特征图的计算公式：

式中：表示当前第l层的第j个输出，M_j表示先从第l-1层的特征图里，选择若干个组成第l输入特征图的集合，表示第l-1层的第i个特征图，表示第l层的卷积核，表示第l层的第j个偏置，f表示激活函数。

4.根据权利要求2所述一种蔬果识别方法，其特征在于：所述池化层跟在卷积层后，池化层是对上一层的特征图进行下采样处理，代表着对统计信息的提取过程；池化层的引入只是对输入的特征图进行降维处理，不改变特征图的个数，具有不变性；

假设，down表示池化操作，表示任何一个特征图都有属于自己的乘性基，表示加性基，则池化层中某个特征图的计算表达式式：

为了使其中响应大的值变得更大，同时抑制其他反馈小的神经元，提出了创建局部神经元活动的竞争机制的局部响应归一化层，这也使模型的泛化能力得到了加强，计算公式：

式中：k，n，α，β均是超参数，需要提前选定，a，b，N分别表示LRN所在卷积层的输出，经过正则化之后的输出，卷积层的一个平面的卷积核的数量，同时a也将作为LRN的输入；所述结算设备包括机体；所述设备内部安装有处理器、存储器及计算机硬件设备。

5.根据权利要求2所述一种蔬果识别方法，其特征在于：所述卷积神经网络的输出层为分类器层，常用的有Softmax回归分类器和Sigmoid输出单元以及径向基函数输出单元，Softmax函数的计算公式：

式中：z表示所有输出节点的组合，z_j表示所有组合中的j个输出节点，σ(z)_j表示第j个输出节点在所有组合中的占有概率值大小。

6.根据权利要求3所述一种蔬果识别方法，其特征在于：所述激活函数为整个网络引入非线性部分，这将增强网络的表达能力，采用relu函数作为激活函数，relu激活函数具有下降速度快速提升，线性非饱和，计算简单等优点，relu函数的性质和计算公式：

7.根据权利要求1所述一种蔬果识别方法，其特征在于：所述数据集的制备，需要大量样本图片，这样神经网络学习到的特征更多，生成的模型更好，如果数据集不充分，这样很大程度上会导致模型过拟合或欠拟合情况的发生，根据数据增强方式，本算法的数据集采取了通过水平旋转、水平镜像、竖直镜像、添加椒盐噪声和高斯噪声方式扩充数据样本量。