[发明专利]一种冰箱用果蔬识别神经网络训练系统

说明书

本发明一种冰箱用果蔬识别神经网络训练系统，由输入模块、计算模块、人机界面等部分构成，输入模块主要负责输入采集到的图片信息及相应的实际果蔬名称；计算模块主要负责完成神经网络计算，将神经网络计算结果与实际值相比较来进一步训练神经网络中的参数；人机界面主要负责与用户交互，实时反映神经网络中的各项参数与神经网络计算的准确程度等数据；输入模块中输入的图片信息必须包含大量冰箱内实际拍摄的图片；神经网络算法采用一种两个卷积神经网络集成学习的方法来强化颜色信息对果蔬识别的影响。本发明可以使得冰箱果蔬种类的识别率有一定提升；不仅加快了网络训练的速度，而且使得网络有更加泛化的识别能力，避免因为样本集较小过拟合。

技术领域

本发明涉及一种神经网络训练系统，尤其涉及一种冰箱用果蔬识别神经网络训练系统。

背景技术

智能冰箱的许多关键功能都依赖于对冰箱的食物种类进行有效识别。目前智能冰箱采用的物体识别方法主要有:用户手动或语音输入食物种类方法、无线频射识别(Radiofrequency identification，RFID)扫描方法、条形码或二维码扫描方法以及图像识别技术方法。前3种方法均需用户人为配合，过程繁琐，实用性较差。图像识别技术无需用户参与，极大方便了用户，但是识别难度较大。冰箱内存储的食物主要是以果蔬为主。冰箱内果蔬种类繁多，摆放随意。果蔬视角多变，物体间容易相互遮挡，这给智能冰箱果蔬种类识别带来了很大挑战。近几年，卷积神经网络在图像识别等领域备受关注。它可以直接输入二维图像并隐式地从训练数据中学习数据从低层到高层的本质特征，具有旋转、放缩、平移和扭曲不变性。深层卷积神经网络具有十分强大的学习能力，在大型图像数据集等复杂图像识别上取得了显著的成果。

卷积神经网络是由Lecun在1989年提出的一种网络结构，它最初被应用于手写数字识别并取得了非常好的效果。卷积神经网络来源于猫的视觉皮层，它的卷积和池化的思想是对视觉皮层中S细胞和C细胞的模拟。卷积神经网络将权值共享、空间下采样和局部连接结合起来，不仅降低了网络的复杂性，而且保持了对图像的边缘模式信息和空间位置信息强大的检测能力。此外，卷积神经网络可以把2维图片直接作为网络的输入，解决了传统方法中需要人工提取图像特征进行训练等问题。一个典型的卷积神经网络通常由输入层、卷积层、池化层、全连接层和输出层组成，其中卷积层和池化层一般交替出现多次。池化层是卷积神经网络中非常重要的一部分，它主要用于扩大感受野，保持特征的空间位置关系。池化的主要方法有:最大池化、平均池化和空间金字塔池化。空间金字塔池化引入空间金字塔尺度划分思想，按等级对输入的特征图进行池化。

发明内容

本发明就是针对上述问题，弥补现有技术的不足，提供一种冰箱用果蔬识别神经网络训练系统。

为实现上述目的，本发明采用如下技术方案。

本发明一种冰箱用果蔬识别神经网络训练系统，由输入模块、计算模块、人机界面等部分构成，其中输入模块主要负责输入采集到的图片信息及相应的实际果蔬名称；计算模块主要负责完成神经网络计算，将神经网络计算结果与实际值相比较来进一步训练神经网络中的参数；人机界面主要负责与用户交互，实时反映神经网络中的各项参数与神经网络计算的准确程度等数据；所述的输入模块中输入的图片信息必须包含大量冰箱内实际拍摄的图片；所述的神经网络算法采用一种两个卷积神经网络集成学习的方法来强化颜色信息对果蔬识别的影响。

作为本发明的一种优选方案，系统数据集包含14 种冰箱中常见果蔬，分别为苹果、香蕉、皇冠梨、橙子、菠萝、火龙果、猕猴桃、花菜、黄瓜、尖椒、柿子、甜椒、玉米和胡萝卜。

作为本发明的另一种优选方案，系统的单独的网络结构为将Zeiler网络的第5个卷积层后的池化层替换为一个空间金字塔池化层。

作为本发明的另一种优选方案，网络模型中使用pad参数，通过在输入的每一边加上相应个数的像素以得到预期大小的特征图。