[发明专利]基于ResNet-SVM算法的蔬菜识别方法

说明书

本发明公开了一种基于ResNet‑SVM算法的蔬菜识别系统，通过摄像头采集蔬菜图像，搭建ResNet网络提取图像特征，使用非线性支持向量机对图像特征进行分类，最终达到对蔬菜种类的识别。传统的CNN网络在全连接层之后，通过激活函数，就能够得到图像的类别，但在小样本的情况下，CNN网络容易过拟合，导致泛化能力弱，给小样本图像识别带来了困难。然而通过使用非线性支持向量机，能够很好的解决因为训练集样本过少带来的过拟合问题。

技术领域

本发明涉及蔬菜图像识别领域，尤其是基于ResNet-SVM算法的蔬自动识别方法。

技术背景

随着大数据经济的发展，食品安全变得越来越重要，也日益成为人们关注的热点话题。蔬菜的运输是在与时间赛跑，如何最大限度的节省中间环节的时间，一直是蔬菜行业存在的问题。蔬菜运输公司长期面临，蔬菜分类、登记、报备等一系列过程。传统蔬菜识别、登记、报备等过程，大量依赖人工劳动力，尤其在一些蔬菜种植大省，每天的此类过程常常需要等待几个小时或者更长的等待时间。并且工人难以连续长时间工作，所以研发一种蔬菜识别系统变得尤为重要。

蔬菜识别一直是国内外的热点研究领域。从1996年开始，Bolle等人设计了果蔬图像特征提取系统开始，就不断有国内外不断有学者发表相关领域文章。蔬菜识别技术主要经历三大发展过程，1、基于传统图像处理的蔬菜图像识别研究，2、基于深度学习的图像识别研究，3、后续发展的有蔬菜细粒度识别任务紧密相关的有基于注意力机制、双线性卷积Bilinear 、CNN等算法的计算机视觉技术。CNN网络由于具有良好的泛化能力、表达能力、浅层特征提取能力，在蔬菜识别领域一直有着广泛的应用。传统的CNN网络采用LeNet、VggNet、Google net、ResNet网络对蔬菜图像进行识别。后期提出基于CNN—SVM模型对蔬菜进行识别，此类识别方法，多用LeNet/VggNet对蔬菜特征进行提取。本发明使用 ResNet系列网络，对图像数据进行特征提取，然后使用SVM多分类算法，进行蔬菜图像识别。ResNet系列深度学习网络因其具有多的隐藏层和特有的残差结构，使其具有出色的图像边缘处理能力，相较于LeNet/VggNet在此方面具有有明显的优势。为解决CNN网络分类过程中采用softmax 作为卷积神经网络分类器导致图形分类识别模型泛化能力的不足，不能较好适用图像分类等问题，本次博客使用SVM代替CNN网络的softmax分类层，即CNN提取特征后利用SVM进行分类。

支持向量机(Support Vector Machine,SVM)，属于监督学习范畴。支持向量机的学习策略是找到“间隔最大化”，也就是找出能够使得分类类别间距最大化的最优超平面，其模型的本质是在特征空间中的最大线性分类器。SVM有着优秀的泛化能力，能够处理小样本、鲁棒能力强等优点，可以结合CNN提取的高级特征将SVM应用于蔬菜图像分类中，完成自动化的蔬菜识别任务。

发明内容

为了解决上述存在的问题，本发明提供基于ResNet-SVM算法的蔬菜识别方法，利用ResNet系列网络出色的图像边缘特征提取能力和SVM泛化能力和鲁棒性强等特点。使用ResNet系列网络提取摄像头采集到的蔬菜图像特征，通过线性SVM多分类算法，识别蔬菜种类，通过UI界面显示蔬菜种类，并保存识别结果。为了达到所述目标：

本发明提供基于ResNet-SVM算法的蔬菜识别系统，具体步骤如下，步骤1：建立蔬菜图像数据集，将数据通过数据集样本划分程序，将样本划分为训练集和测试集。

步骤2：构建ResNet-18模型，输入层结构为224*224*3，输入图像为3通道，大小为224*224像素的三通道RGB图像。特征提取层使用8个残差结构，最后经过平均池化层和全连接层输出512*1维的高级蔬菜图像特征。

步骤3：训练ResNet-18模型，输入训练集样本和标签到ResNet-18模型中，采用CrossEntropyLoss函数计算损失误差，通过BP算法，优化模型参数，最终得到提取特征能力最佳的ResNet-18模型。