[发明专利]一种基于神经网络和特征匹配的果蔬识别方法

说明书

本发明提供了一种基于神经网络和特征匹配的果蔬识别方法，包含以下步骤：首先对x种果蔬进行数据采集，每种果蔬采集a张图片，对采集的图片进行数据扩充，构成果蔬训练数据集；对常见果蔬重新采集多张图片，用以构成果蔬测试数据集；根据由步骤1的果蔬训练数据集和果蔬测试数据集，进行增强处理，得到增强后的果蔬训练数据集和增强后的果蔬测试数据集。选用神经网络模型，使用如步骤二所述的增强后的果蔬训练数据集对更改后的神经网络模型进行训练，接着使用所述增强后的测试数据集进行测试，通过反复训练测试提高成功率。本发明对果蔬数据集的采集要求较低，能够在不同果蔬超市不同环境下展现出较高的识别率。

技术领域

本发明属于图像视觉识别领域，尤其涉及一种基于神经网络和特征匹配的果蔬识别方法。

背景技术

到2100年，全球人口预计将达到123亿，从2005年到2050年，估计粮食需求每年将增长1.1％。因此，随着对果蔬偏好的增长，预计全球蔬菜和水果的消费量每年将分别增长1.3％和1.5％。水果和蔬菜不仅富含有人体所必需的一些维生素、无机盐、生物酶及植物纤维，而且果蔬中含有各种有机酸、芳香物质及各种色素成分，对调解人们的口味也有重要的意义。当前水果和蔬菜销售主要集中在农贸市场、生鲜超市，其购物方式主要有两种。第一种购物方式是先由顾客选自己所需要的果蔬，然后将其交给店员进行称重并进行付款。这种购物过程不仅需要店员一直守候在称重和付款设备旁边重复输入果蔬价格，而且可能导致顾客排队。第二种购物方式是店员首先对果蔬封装并打上条形码，消费者自主选择后到收银台付费。这种购物方式虽然不需要客户排队称重，但是影响了消费者对需求量大小的选择，并增加了运营者更多的人力成本。这两种购物流程都给运营者的人力成本和消费者的购物体验带来了挑战。本发明基于神经网络实现果蔬的分类，只需要一个摄像头和一台计算机即可实现，从而可以使果蔬的购物方式变成客户自助购物模式。目前虽然已经有基于神经网络的果蔬识别方法，但是这些方法大多只依靠神经网络。一方面，这些方法对数据采集要求较高，需要采集果蔬在不同环境下不同状态不同摆放造型的图片，对图片采集要求较高。往往从一些果蔬超市采集得到的果蔬图片进行训练得到的果蔬分类识别网络往往不能适用于另一家果蔬超市或者摊位。另一方面，这些方法没有考虑到果蔬套袋问题，果蔬超市或者农贸市场上果蔬的售卖都是需要先套上袋子再进行售卖，但是大多数袋子都不是完全透明，因此袋子弱化了果蔬的特征，造成了识别成功率的下降。

发明内容

本发明克服了现有技术的不足，提供了一种基于神经网络和特征匹配的果蔬识别方法，包含以下步骤：

步骤一：对x种果蔬进行数据采集，每种果蔬采集a张图片，对采集的图片进行数据扩充，构成果蔬训练数据集；对常见果蔬重新采集多张图片，用以构成果蔬测试数据集；

步骤二：根据由步骤一所述的果蔬训练数据集和果蔬测试数据集，进行增强处理，得到增强后的果蔬训练数据集和增强后的果蔬测试数据集。

步骤三：选用神经网络模型，将其输出层数量更改为x，使用如步骤二所述的增强后的果蔬训练数据集对更改后的神经网络模型进行训练，接着使用所述增强后的测试数据集进行测试，通过反复训练测试提高成功率；

优选的，对采集的图片通过随机翻转、水平镜像、随机裁剪、随机旋转、颜色扰动的方式进行数据扩充后，构成果蔬训练数据集。

优选的，用以构成果蔬测试数据集的图片不少于50张。

优选的，步骤二中所述的对果蔬训练数据集和果蔬测试数据集通过直方图均衡进行增强处理。

优选的，为提高特定场景下果蔬的识别率，将由步骤三得到的训练后的神经网络模型部署到安卓平台上并进行如下步骤：

S1：首先将所述某一种果蔬摆放在置物台上进行图片采集，然后将得到的图片输给训练好的神经网络模型得到一个长度为x的输出向量并记录；改变果蔬的摆放方式，然后重复上述过程，最后得到一种果蔬的n个特征；