[发明专利]基于图谱识别和深度学习的果实分类的分析方法

摘要

本发明提供了一种基于图谱识别和深度学习的果实分类的分析方法，利用移动机器人采集图像样本通过LMDB数据源的建立以及OpenCV图像预处理；在Caffe框架下进行网络参数的配置；利用CNN卷积神经网络算法构建标准模型，可以实现水果的分类和优选；并且绘制LOSS曲线判别曲线拟合程度。本发明利用基于图谱识别和深度学习的果实分类的分析方法，实现水果的大小、颜色分类，降低了人工水果分拣劳动强度，提高了分拣效率。

主权项

1.基于图谱识别和深度学习的果实分类的分析方法，其特征在于，包括如下步骤：（1）收集水果果实在不同状态下的样本图片，使用图片裁剪工具对各样本图片进行裁剪，使整个果实完全位于图片内部，（2）利用OpenCV图像处理的方法对存入的图像进行旋转，平移，特征缩放和分量均值零化，图片的旋转和平移可以增加样本图片的数量，增强数据源；特征缩放和分量均值零化可以实现图片特征的标准化，改善神经网络模型，（3）将样本图片分为两批：训练集和测试集，训练集和测试集的比例为6：1；使用caffenet的create_imagenet.sh文件将图片存入到基于二叉树的数据库管理库LMDB中，并指定生成路径，（4）修改solver、train_val配置文件，使用Caffe框架构建神经网络模型，（5）使用python语言定义Caffe网络框架的每一层，每层参数按照下面11层神经网络计算结果设置，并设置batch_size（一次训练的图片数量）为50；test_iter（测试执行的迭代次数）为50，test_interval（测试频率）为20，base_lr（迭代速率）为0.001， momentum（动量参数）为0.9， weight_decay（权重衰减系数）为0.0005，梯度下降的优化策略使用inv，max_iter（最大迭代次数）10000，每迭代5000次生成一次快照，训练硬件设备选择GPU，使用命令：./build/tools/caffetrain--solver=examples/my_simple_image/cifar/cifar10_quick_solver.prototxt开始训练数据，（6）至此13类水果模型已经训练完毕，使用JupyterNoteBook对LOSS曲线进行绘制，观察曲线拟合情况，没有出现过拟合现象，曲线拟合完美，准确率达92.756%，从而完成对果实的分类分析。