[发明专利]一种蔬果识别方法及结算设备和使用方法

说明书

本发明提供了一种蔬果识别方法及结算设备和使用方法，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训练模型能够自主识别蔬菜、水果种类。该设备有效提高了蔬果称重、结算效率，且能够适用于大部分蔬菜、水果的称重结算。

技术领域

本发明属于机器视觉技术领域，特别涉及一种蔬果识别的方法及自动结算设备。

背景技术

随着社会和经济的发展，计算机技术的发展十分迅猛，其中，人工智能技术也飞速发展，以人工智能技术为基础的各类智能化产品逐渐出现在人们的视野中。另外，深度学习技术作为人工智能较为成熟的技术，在图像识别领域发挥了十分出色的作用。该技术打破传统制造的约束，充分利用图像资源，提高了自动化程度，节省了人力物力。

目前，各大型综合性超市、中小型超市、零售店、蔬果专卖店，对蔬果的售卖均顾客选择装袋后，交由称重员称重、扎口、贴价格标签。该过程机械重复，购物高峰期间，称重员应接不暇，劳动强度大。另外称重效率不高也导致顾客排队现象，使得顾客体验差、超市效益降低。市场上也有自主结算设备，顾客可以通过自行扫描商品条形码进行结算，但前提是商品都具备价格条形码，除了部分已经提前打包的蔬果，对散成的蔬果还是无能为力。综上所述，目前还没有一款可以针对蔬果等散装商品，进行自动称重、结算的设备，从而加快售卖效率、降低员工劳动强度、减少人工成本投入。

发明内容

本发明克服了现有技术的不足，提供了一种蔬果识别方法及结算设备，该设备有效提高了蔬果称重、结算效率，且能够适用于大部分蔬菜、水果的称重结算。

为了实现上述的技术特征，本发明的目的是这样实现的：一种蔬果识别方法，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。

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。

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。

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；