检索结果-南通市图书馆

基于Gibbs采样和残差结构的AlexNet蔬菜识别算法

在线全文

学校读者我要写书评

暂无评论

基于Gibbs采样和残差结构的AlexNet蔬菜识别算法

作者：刘嫚嫚浙江理工大学

学位级别：硕士

在自助超市和零售业中,蔬菜的快速识别对于促进蔬菜产业商品化、加快流通速度具有重要意义。目前蔬菜识别算法应用还面临着识别精度低、响应时间长的挑战。另外,现在的蔬菜识别方法仅针对有限的类别开发,影响了蔬菜自动识别的应用。因此... 详细信息

在自助超市和零售业中,蔬菜的快速识别对于促进蔬菜产业商品化、加快流通速度具有重要意义。目前蔬菜识别算法应用还面临着识别精度低、响应时间长的挑战。另外,现在的蔬菜识别方法仅针对有限的类别开发,影响了蔬菜自动识别的应用。因此,如何提高蔬菜识别的精度、速度和多类别是其普及应用推广的关键问题。本文针对上述问题,重点围绕蔬菜识别的算法与应用研究,其主要研究内容如下:(1)针对蔬菜识别准确率低的问题,提出了一种基于Gibbs采样的图像切割算法。首先把每张蔬菜图像假定为二维网格,通过构建蔬菜图像概率模型,设置分类类别,得到初始标记图像。其次通过Gibbs采样从概率模型中得到后验分布,即图像像素点的最大后验概率分布矩阵。以该矩阵为基础,X轴Y轴轮换的方法获得随机数,计算随机数对应的坐标,为目标像素点的坐标值。通过不断迭代取到设置的样本点个数,即样本集。然后在样本集的基础上随机取点作为切割图像的中心点,切割出固定大小的蔬菜局部图像。最后通过投票机制预测所属类别。实验表明本文提出的基于Gibbs采样图像切割算法使Google Net、Res Net和Alex Net网络模型的识别准确率分别提升了7.41%,5.55%和12.08%。(2)针对蔬菜识别计算效率低的问题,提出了一类收敛速度快的卷积神经网络模型。该模型以Alex Net卷积神经网络模型为基础,本文设计层与层之间连接残差结构,降低了图像特征信息的损耗;在卷积层后加入BN算法,用PRelu激活函数代替原来的Relu激活函数,加快了Alex Net网络模型的收敛速度,并且提高了识别准确率;在分类器前加入全局最大池化算法,减少了参数的数量,提高了计算效率。通过与上述的基于Gibbs采样图像切割算法结合,本文提出了基于Gibbs和残差结构的蔬菜识别算法Gi RAlex Net。通过55类蔬菜的系统实验表明,Gi RAlex Net算法进一步提高了蔬菜的识别准确率,其准确率高达97.78%。(3)实现了本文算法的移动端应用。通过蔬菜图片库系统训练获得Gi RAlex Net模型,通过Py Torch Mobile框架完成Gi RAlex Net模型移植,在移动端进行UI界面设计与调试,运行生成.APK文件并且安装在智能电子秤上,实现了智能电子秤的移动端应用,通过系统功能测试,验证了本文算法在智能电子秤上的可行性。

关键词：蔬菜识别 Gibbs采样残差结构切割图像模型移植

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的蔬菜识别关键技术研究与实现

基于深度学习的蔬菜识别关键技术研究与实现

作者：翁悦福建工程学院

学位级别：硕士

随着智慧农业的发展,蔬菜在生产和流通环节的信息化程度越来越高,例如蔬菜分级、食品溯源追溯和蔬菜自助购物等。目前蔬菜市场流通环节,主要是以人工进行蔬菜分级、销售等,易受经验的影响,且效率低下。因此,将计算机视觉技术引入蔬菜流... 详细信息

随着智慧农业的发展,蔬菜在生产和流通环节的信息化程度越来越高,例如蔬菜分级、食品溯源追溯和蔬菜自助购物等。目前蔬菜市场流通环节,主要是以人工进行蔬菜分级、销售等,易受经验的影响,且效率低下。因此,将计算机视觉技术引入蔬菜流通环节当中,能够促进农业智能化发展,具有较大的应用价值。目前针对蔬菜图像识别的技术研究主要有两种方法,一种是传统图像处理,需要人为去设置大量相关参数提取蔬菜特征;另一种是基于深度学习的卷积神经网络(Convolutional Neural Network,CNN),通过训练而非编程抽取特征,具有更好的灵活性和鲁棒性。蔬菜的多样性与相似性使其难以识别,因此,本文基于深度学习的方法对CNN模型提出改进,进一步提升模型对蔬菜识别的准确率,并将改进模型部署在高性能云端服务器,设计并实现一种C/S(客户端/服务端)架构的蔬菜识别终端系统,提高蔬菜市场流通效率。本文的主要工作如下:(1)提出一种融合CNN和Transformer结构的蔬菜识别模型。通过分析CNN网络与Vision Transformer网络在图像分类领域对于特征提取侧重点的不同,采用并行结构构建一种混合网络,使其兼具两种网络各自的优势,命名为Cc T(CNN coupling Transformer)。CNN网络分支由多个残差模块组成,着重提取蔬菜图像的局部特征,Transformer网络分支由Transformer模块组成,着重提取蔬菜图像的全局特征,分支网络之间以交互的方式进行特征耦合,增强网络整体的特征提取能力。以自建的34类蔬菜图像数据集为研究对象,通过与多种分类模型的实验对比和对各类蔬菜具体的识别精度测试,证明所提出蔬菜识别模型的有效性。(2)基于Flask的蔬菜识别模型云端部署。首先对深度学习模型的部署方式进行分析,选择云端部署的方案,然后将训练完成的Cc T蔬菜识别模型上传至阿里云ECS服务器,以Flask框架为基础,配合u WSGI的稳定通信和Nginx强大的反向代理和负载均衡功能,实现蔬菜识别服务的云端部署。其次设计了蔬菜在线识别浏览器网页对云端部署的蔬菜识别服务进行功能展示。最后对云端部署蔬菜识别服务的响应时间进行测试,测试结果表明该方案满足实时性需求。(3)设计并实现一种C/S架构的蔬菜识别终端系统。终端系统从可行性与实际需求两方面进行分析与设计。蔬菜识别终端以蔬菜销售电子秤为基础平台,研发图像采集、云端通信等功能,以云服务器作为系统后端,实现蔬菜识别功能。依据功能需求搭建相关硬件平台,完成系统数据库与可视化操作界面的设计。最后对蔬菜识别终端系统进行实际效果展示,并通过功能与性能测试验证系统的可行性。

关键词：蔬菜识别卷积神经网络 Transformer Flask

基于Keras卷积神经网络的分拣蔬菜识别的设计

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

自动化应用 2023年第10期64卷 176-178,181页

作者：冯邦军仙桃职业学院机械电子工程学院湖北仙桃433000

一般识别模型参数量过大,难以运行在微算力的移动端和嵌入式设备,本文利用Python、Keras、OpenCV等技术,设计了基于卷积神经网络的智能蔬菜分拣。首先,基于11659张、22个种类的蔬菜图片,按照8:2的比例将数据集分成训练集和测试集,然后... 详细信息

一般识别模型参数量过大,难以运行在微算力的移动端和嵌入式设备,本文利用Python、Keras、OpenCV等技术,设计了基于卷积神经网络的智能蔬菜分拣。首先,基于11659张、22个种类的蔬菜图片,按照8:2的比例将数据集分成训练集和测试集,然后训练模型,搭建深度可分离卷积层的卷积神经网络,得到该训练模型的精度值和损失值。经测试,实现了识别模型在移动端和嵌入式设备的使用,蔬菜识别的正确率达到了96%,提高了蔬菜智能分类的准确性和效率。

关键词：蔬菜识别卷积神经网络 Keras OpenCV

基于Gibbs采样和残差连接的AlexNet蔬菜识别算法

在线全文

学校读者我要写书评

暂无评论

计算机时代 2023年第9期 43-47页

作者：刘嫚嫚代琦浙江理工大学计算机科学与技术学院浙江杭州310000

为了进一步提高蔬菜识别的精度,提出了基于Gibbs采样和残差卷积神经网络的蔬菜识别算法,本文将其命名为GiRAlexNet算法。根据马尔科夫随机场与吉布斯随机场的等价性构建图像概率模型,用Gibbs采样获取最优样本点集合,随机取点切割图片。... 详细信息

为了进一步提高蔬菜识别的精度,提出了基于Gibbs采样和残差卷积神经网络的蔬菜识别算法,本文将其命名为GiRAlexNet算法。根据马尔科夫随机场与吉布斯随机场的等价性构建图像概率模型,用Gibbs采样获取最优样本点集合,随机取点切割图片。通过GoogleNet、ResNet和AlexNet模型实验显示,分类准确率分别提升了9.22%,3.34%和9.19%。大量实验表明,该GiRAlexNet算法对蔬菜识别的准确率达到98.14%。

关键词：蔬菜识别 MRF Gibbs采样 Alexnet 残差结构切割图像

在线全文

学校读者我要写书评

暂无评论

试谈蔬菜病害的症状识别

蔬菜 2023年第4期 79-82,F0003,F0004页

作者：李明远北京市农林科学院植物保护研究所

作为一个植病工作者经常遇到的是症状识别。为了防治病害首先要认准它,然后才能提出应对的防治措施。由于笔者很长一段时间从事蔬菜病害防治工作,所以对蔬菜病害的识别尤其重视,花的时间和精力格外多。下面将从蔬菜病害识别的依据、蔬... 详细信息

作为一个植病工作者经常遇到的是症状识别。为了防治病害首先要认准它,然后才能提出应对的防治措施。由于笔者很长一段时间从事蔬菜病害防治工作,所以对蔬菜病害的识别尤其重视,花的时间和精力格外多。下面将从蔬菜病害识别的依据、蔬菜识别的调查、蔬菜识别资料的整理与积累、利用数码照片建立蔬菜病害查询数据库等方面试谈蔬菜病害的症状识别。

关键词：蔬菜病害症状识别病害识别防治病害数码照片查询数据库防治措施蔬菜识别

在线全文

学校读者我要写书评

暂无评论

基于改进型YOLO v3的蔬菜识别算法

郑州大学学报（工学版） 2020年第2期41卷 7-12,31页

作者：魏宏彬张端金杜广明肖文福郑州大学信息工程学院河南郑州450001

针对超市的散装蔬菜区排队称重问题(称重设备能够自动识别蔬菜种类将有效地提高超市的运行效率),提出一种基于改进型YOLOv3的蔬菜识别方法。首先,利用高清摄像头以及网络爬虫技术采集蔬菜图片;其次,通过K-means聚类分析得到15组适应于... 详细信息

针对超市的散装蔬菜区排队称重问题(称重设备能够自动识别蔬菜种类将有效地提高超市的运行效率),提出一种基于改进型YOLOv3的蔬菜识别方法。首先,利用高清摄像头以及网络爬虫技术采集蔬菜图片;其次,通过K-means聚类分析得到15组适应于蔬菜数据集的先验框;再次,采用一种新的边界框回归损失函数DIoU来提高检测任务的精度;最后,因蔬菜数据集中的大目标较多,通过增强特征提取网络,获取5组不同尺度的特征构成特征金字塔从而实现蔬菜识别任务。改进型YOLOv3算法在测试集上的平均精度mAP达到93.2%,识别速度是35 f·s^-1。该方法在保证实时检测目标的同时提升了识别的平均精度。

关键词：蔬菜识别 K-means 卷积神经网络特征金字塔 YOLOv3

在线全文

学校读者我要写书评

暂无评论

基于卷积神经网络的蔬菜识别及应用研究

基于卷积神经网络的蔬菜识别及应用研究

作者：韩朋朋安徽大学

学位级别：硕士

近年来,随着科技的进步,越来越多的产品实现了智能化并在生活的各个方面取得了不错的效果。然而,在农贸市场、菜市场等农产品交易场所智能化还未能成功的实现,期盼着科技带来更加便捷的交易方式。例如,只需简单地将蔬菜放到电子秤上,无... 详细信息

近年来,随着科技的进步,越来越多的产品实现了智能化并在生活的各个方面取得了不错的效果。然而,在农贸市场、菜市场等农产品交易场所智能化还未能成功的实现,期盼着科技带来更加便捷的交易方式。例如,只需简单地将蔬菜放到电子秤上,无需售货人员的手动操作,智能电子秤就能实现蔬菜的种类识别、称重与价格计算等功能,方便快捷地进行农产品交易。在实际的农贸市场环境中应用智能电子秤的关键是能否对蔬菜进行准确的识别。本文应用了计算机视觉的方法对蔬菜进行智能自动识别分类,这为菜市场的智能化提供了基础,具有很好的研究价值与意义。本文针对蔬菜识别开展了两方面研究:面向蔬菜识别的深层卷积神经网络模型设计和面向嵌入式的蔬菜网络模型压缩。传统的蔬菜识别算法的研究,主要遵循如下框架的步骤:1)提取蔬菜的特征:如颜色特征、纹理特征、形状特征、密度特征;2)特征的分类:通过融合以上特征送入到SVM[41]分类器或者最小小近邻分类器分类。由于有些蔬菜的颜色、形状很相近,加之菜市场的光线、背景等环境相对复杂,蔬菜识别是一项巨大的挑战。所以本文采用的是目前比较热门的深度学习识别算法。经过对相关知识研究以及大量的实验,证明了深层卷积神经网络具有很强的鲁棒性、更广的泛化性、很好的精确性。本文通过研究蔬菜识别技术,并做了大量的实验,取得了不错的结果。本文主要工作如下:1)蔬菜数据的制作和处理:由于蔬菜数据在国内外没有公开的数据集,所以本实验中的蔬菜数据是自己采集的,其主要来源是电子秤摄像头采集和网络图像的收集。由于菜市场的复杂环境本文对蔬菜数据也做了相应的处理来提高识别的准确性。在此,本实验主要鉴别100种常见蔬菜,每种蔬菜图像在3000张左右。2)设计一个面向蔬菜识别的深度卷积网络结构:本文通过大量的实验,设计了一个面向蔬菜识别的深度卷积网络结构,此网络结构主要使用了全卷积方法,本文使用3*3卷积核去替代大的卷积核(如7*7、5*5等),在相同感受野的情况下,可以一定程度的提高准确性。3)设计了一个面向嵌入式的网络压缩的网络结构:主要是在面向蔬菜识别的深度卷积网络结构的基础上进行压缩。本文主要采用了三种压缩方法:减少输入输出特征图的通道数以减少计算量;减少池化层(Pooling)以提高计算速度;用深度分离卷积替代3*3卷积、用1*1卷积替代标准的3*3卷积可以达到模型压缩的目的。4)蔬菜识别算法移植到嵌入式系统:通过查阅相关资料,找到一款合适的嵌入式开发板Firefly-RK3399,并成功移植了蔬菜识别算法。通过实验验证,系统可以在开发板上稳定的运行。5)实验验证:目前本文设计的蔬菜识别算法,针对日常生活中菜市场可见的100种蔬菜可以准确识别,取得了不错的结果,可以推动菜市场的智能化发展,具有很大的研究意义。目前此算法已在厦门农贸市场投入使用,并且得到了客户的肯定。

关键词：深度学习蔬菜识别网络压缩嵌入式开发版

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的蔬菜识别研究

基于深度学习的蔬菜识别研究

作者：刘洋福建工程学院

学位级别：硕士

随着食品安全追溯、无人超市、自主购物的兴起,蔬菜等农产品在流通和销售等环节的自动识别技术已成为急需解决的问题。在图像识别技术的研究过程中,蔬菜图像识别技术的研究主要经历了基于传统图像处理与深度学习技术的两个阶段,基于传... 详细信息

随着食品安全追溯、无人超市、自主购物的兴起,蔬菜等农产品在流通和销售等环节的自动识别技术已成为急需解决的问题。在图像识别技术的研究过程中,蔬菜图像识别技术的研究主要经历了基于传统图像处理与深度学习技术的两个阶段,基于传统图像处理的蔬菜识别方法依靠人为定义蔬菜特征,如颜色特征、纹理特征、形状特征等,存在对蔬菜不同流通环节的图像采集与处理过程复杂、识别算法及平台要求高,蔬菜识别和分级率低,功能扩展困难等缺点;基于深度学习的蔬菜识别技术多采用卷积神经网络及其改进算法,该技术可以提取高维抽象的图像特征,大大提高了蔬菜识别的准确度和鲁棒性,因此本文基于深度学习卷积神经网络模型对蔬菜识别技术进行相关研究并进行以下工作。（1）构建基于色彩及纹理特征的蔬菜数据集。首先以国家蔬菜分类标准为基本分类依据,在本文的研究背景下,构建基于色彩与纹理特征蔬菜数据集;然后根据图像建立过程中图像预处理的基本步骤,对图像进行视觉质量优化与图像样本数量扩增,最后为方便图像识别过程中的读取与加载,对图像的标签进行设计,主要考虑包装、蔬菜新鲜程度等因素。（2）基于卷积神经网络的蔬菜识别研究。首先介绍卷积神经网络各层的工作原理及参数训练方法;然后对卷积神经网络数据输入的差异性研究,提出一种浅层卷积参数迁移为初始化数据进行训练,深层卷积参数重新初始化进行训练的参数迁移机制,最后对Alex Net、VGG-16模型及其参数迁移模型进行蔬菜识别的仿真,对识别错误结果的蔬菜进行统计并绘制混淆矩阵。（3）基于双线性卷积神经网络的易误识别蔬菜识别研究。本章节首先介绍了双线性卷积神经网络的模型架构及学习机制,然后针对双线性卷积神经网络的输入,提出一种基于谱聚类的簇约束算法,该算法对混淆矩阵中的蔬菜类别聚类的簇的上下限进行约束,利用轮廓曲线确定最优簇值,加载簇内的蔬菜样本输入到双线性卷积神经网络模型进一步训练识别,最后针对提出方法进行实验仿真,实验结果表明,该方法能够有效提高易误识别蔬菜的识别率。（4）基于X6818蔬菜识别的平台设计。本章主要设计了基于X6818的蔬菜识别系统,首先介绍了X6818的硬件结构、外围模块,结合树莓派广角摄像头搭建了蔬菜图像采集及识别的硬件体系结构;其次搭建嵌入式运行环境,深度学习的软件体系及其软件应用环境,实现了对蔬菜图像采集及识别,设计QT界面利用五种蔬菜对蔬菜识别系统进行测试,测试结果表明,平台能够对蔬菜进行在线识别。

关键词：蔬菜识别卷积神经网络双线性卷积神经网络簇约束

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于计算机视觉的蔬菜识别模块的设计及实现

基于计算机视觉的蔬菜识别模块的设计及实现

作者：姜伟东南大学

学位级别：硕士

近年来,我国不断推进农产品商品化进程,由于我国蔬菜产量巨大,这对农产品市场管理和农产品的供应链管理提出了挑战。目前,大部分农产品分拣管理仍依靠人工完成,不仅耗费了大量的劳动力,而且工作效率低下,严重影响了果蔬商品化的发展速... 详细信息

近年来,我国不断推进农产品商品化进程,由于我国蔬菜产量巨大,这对农产品市场管理和农产品的供应链管理提出了挑战。目前,大部分农产品分拣管理仍依靠人工完成,不仅耗费了大量的劳动力,而且工作效率低下,严重影响了果蔬商品化的发展速度。本文提出利用计算机视觉技术,设计蔬菜识别模块,将劳动人员从繁琐的农产品管理工作中解放出来,提高劳动效率。计算机视觉技术是利用图像捕获单元和计算处理单元,替代人类视觉,对图像开展分割、分类、追踪等操作,分析统计图像的规律特性的综合性技术。本文针对溯源秤PLU码无法正确录入,导致无法发挥溯源功能这一问题,提出基于计算机视觉的技术进行蔬菜自动识别模块的设计及实现,为溯源秤系统的实际应用提供了自动化的解决方案。本文的主要思想是设计一个蔬菜识别模块,包括硬件环境搭建以及配套软件流程,完成蔬菜图像的获取、分割处理、特征提取以及分类识别功能,以替代溯源秤PLU手动输入的过程。本文的主要工作如下：(1)调研国内外学者在农产品识别领域的研究,分析讨论该方案的可行性。(2)根据溯源秤的具体功能需求,完成识别模块的硬件设计及搭建,软件流程设计等内容。(3)开发相应的软件功能,包括图像捕获、串口通信、图像预处理及分割、图像特征提取及识别功能,完整实现蔬菜的识别过程。(4)对24种时令蔬菜进行测试统计,验证模块的各项指标,分析其可行性与准确性。本文介绍了“蔬菜识别模块的设计及实现”项目,以实际应用为背景,对蔬菜图像特征+KNN分类器这一经典算法为出发点,设计实现了这套基于计算机视觉的蔬菜识别模块。该模块运行在CortexA9架构的i.MX6Q开发板上,强大的硬件性能保证了对图像计算处理的速度,整个系统运行时间约为2s,符合应用场景的需求。最终,本模块实现了高效、快速的蔬菜自动识别功能,各部分工作稳定,可实现图像采集、处理、识别、结果传输显示等一体化操作,为以后的蔬菜识别提供了一个有效可行的平台。

关键词：计算机视觉蔬菜识别分割特征提取分类器