水果识别毕业论文

水果识别毕业论文

都可以作为毕设选题。
基于深度学习的花卉识别和基于深度学习的水果识别两者都适合研究，所以都可以作为毕设选题。
毕设选题应选择自己比较擅长、熟悉的课题。课题的选择应尽可能与自己的专业和未来的研究方向相一致。

让机器认识水果品种的学习是那种

创智链
2021-03-08 11:06
关注
不知道你是否遇到过说不出来名字的水果，或者是两两相似，确实不知道具体水果的品种的情况？

随着人工智能技术的发展，智能图像识别应用场景也愈发广泛。当机器装上了人工智能的“眼睛”，机器就成为了“百事通”，识别成千上万的水果品种不在话下。
那机器究竟是如何识别水果的呢？今天小编节选彭红星教授团队的科研论文——《基于改进SSD模型的自然环境下多类水果图像检测研究》，带大家简单了解图像识别领域中，正确识别水果有哪些方法？

近年来，随着深度学习的迅速发展和崛起，尤其在视觉方向取得了巨大的成就，相比传统的识别算法，深度学习在对目标识别的特征描述上能力更强。因此，开发基于深度学习算法视觉识别功能的分拣、采摘机器人或者专业采摘工具具有重大意义。
本文以苹果、荔枝、脐橙、皇帝柑四类水果为研究对象，运用基于改进的SSD深度学习模型检测技术对这4类水果进行检测识别研究。
自然环境下的水果识别检测是利用计算机视觉技术获取水果目标位置信息，并将获得的位置信息传递给水果采摘机器人的机械手臂，从而能够精确地进行后续的水果采摘工作。因此，水果的目标检测是水果采摘自动化领域的重要组成部分，近些年来，很多传统水果检测识别算法相继提出。
方法一、利用不同深度架构[13-14]的CNN不断刷新图像分类、识别的精确率。
方法二、利用尺度多层感知器和卷积神经网络两种特征提取算法分割，但是只针对单类水果进行识别；
方法三、利用参数优化和结构约简的LeNet模型对田间环境下的猕猴桃进行自主特征学习，但对于遮挡和重叠果实没有达到很好的效果；
方法四、采用Faster R-CNN深度卷积神经网络分别构建甜椒和柑橘检测系统，但其目标检测框过大；
方法五、基于CNN的SSD（Single Shot Detector）深度学习物体检测方法，实现兼顾速度的同时提高了检测的精度。
而经过基于改进的SSD深度学习模型检测技术可提高各类水果的识别效率和准确率。此外基于标注框的检测技术，也可以很好地解决重叠水果的目标分割问题，从而为水果自动本发明属于水果图片分类领域，具体是指基于alexnet的卷积神经网络的水果图片分类算法。

背景技术：

2.近年来，随着电子科技的快速发展和互联网的快速普及，智能手机、数码相机等电子产品的使用门槛越来越低。图像作为一种高效信息的传播媒介，无论是在本地还是在各类社交平台，都无时无刻不在增长。因此，给各类图像扫描分析、赋予标签、分类归档就显得尤为重要了。
3.同时，计算机科学和信息技术的持续发展，逐渐将人工智能引领进我们的生活，为我们生活带来了很多便利。而识别图像识别和分类正是人工智能领域中重要的组成部分，也是现阶段深度学习中比较热门的课题。
4.水果在我们生活中常见、普遍而且品种众多、样式复杂，具有极强的多样性，研究水果分类识别算法，具有重要的意义。

技术实现要素：

5.本发明的目的是克服水果自动识别技术中现有不同分类器对不同水果种类的分类效果不均衡，提供一种基于深度学习算法实现水果分类识别的方法，从而提高水果图片识别的准确度。
6.本发明采用的技术方案为：一种基于深度学习算法实现水果分类识别的方法，所述智能识别方法包括以下步骤：
7.步骤一：构建一个合理的预测模型，建立样本数据集，分别为：训练集、验证集和测试集。
8.步骤二：通过各搜索引擎和数据库搜索相关的水果图像样本，下载到本地。
9.步骤三：参考卷积神经网络模型alexnet，进行一些精简和优化实现的，经过大量的训练和调试后，得出的最佳参数。
10.步骤四：返回pycharm，使用tensorflow调用模型，对测试集进行分类测试。
11.本发明有益效果：
12.(1)本算法模型共架设了8个网路层次，使用了relu作为激励函数，relu激励函数可以在网络的更深层次中发挥作用

python，人工智能，水果识别

1.水果数据处理：对水果(苹果，香蕉)数据集进行处理转化为标签和图像，并转化为one-hot码。

2.卷积模型搭建：采用keras搭建模型，卷积层、池化层、Dropout层、全连接层、输出层

3.模型训练把数据集在建立的模型上进行训练，并把最好的模型保存到h5文件中，便于直接对模型进行测试。

4.模型测试：打开摄像头，使用通用物体进行测试。测试结果将录制成视频展示。