一种基于神经网络模型的水果检测系统和方法

技术特征：
1.一种基于神经网络模型的水果检测系统，其特征在于，包括：训练集和验证集获取模块，用于获取历史水果图片集，并将所述历史水果图片集划分为训练集和验证集；神经网络建立模块，用于建立神经网络模型，所述神经网络模型包括特征提取模块和代替全连接层的改进的分类模块，其中，所述改进的分类模块用于对所述特征提取模块提取的特征图片进行分类；模型训练和验证模块，用于使用所述训练集对所述神经网络模型进行训练并使用所述验证集对训练结果进行验证以获取训练好的神经网络模型；以及检测模块，用于将待评级的水果图片输入所述训练好的神经网络模型以检测出所述待评级的水果图片中的水果表面评级与坏果情况。2.根据权利要求1所述的基于神经网络模型的水果检测系统，其特征在于，包括预处理模块，用于在对所述神经网络模型进行训练之前使用全覆盖裁剪方法对所述训练集和所述验证集中的历史水果图片进行预处理；以及在将所述待评级的水果图片输入所述训练好的神经网络模型之前，使用所述全覆盖裁剪方法对所述待评级的水果图片进行预处理。3.根据权利要求2所述的基于神经网络模型的水果检测系统，其特征在于，所述预处理模块包括第一裁剪模块、第二裁剪模块和填充模块，其中，所述第一裁剪模块，用于对所述历史水果图片和所述待评级的水果图片按照224
×
224在图片的左下对角和右上对角进行裁剪以获取第一尺寸的历史水果图片和第一尺寸的待评级的水果图片；所述第二裁剪模块，用于对所述历史水果图片和所述待评级的水果图片按照100
×
100在图片四边的中心进行裁剪以获取第二尺寸的历史水果图片和第二尺寸的待评级的水果图片；以及所述填充模块，用于在所述第二尺寸的历史水果图片和所述第二尺寸的待评级的水果图片周围补充0以将所述第二尺寸的历史水果图片和所述第二尺寸的待评级的水果图片的尺寸扩充为224
×
224。4.根据权利要求2所述的基于神经网络模型的水果检测系统，其特征在于，所述特征提取模块包括：第一卷积子模块、轻量化卷积子模块、第二卷积子模块，其中，所述第一卷积子模块，用于对预处理后的所述历史水果图片或预处理后的所述待评级的水果图片中提取所述历史水果图片或所述待评级的水果图片的特征图作为第一输出，其中，所述特征图由特征的向量表示；所述第一轻量化卷积子模块，用于在不改变所述特征图的形状的情况下，对所述第一输出进一步提取特征以获取第二输出；以及所述第二卷积子模块，用于对所述第二输出进一步加深特征图并缩小特征图尺寸以进一步分离特征以获取第三输出特征图。5.根据权利要求4所述的基于神经网络模型的水果检测系统，其特征在于，所述改进的分类模块包括第二轻量化卷积子模块和平均池化子模块，其中，所述第二轻量化卷积子模块，用于使用n个1
×1×
128的卷积核对所述第三输出特征图进行卷积处理以输出n
×
14
×
14的第四输出特征图，其中，所述第三输出特征图为128
×
14
×
14的特征图，n为大于等于13的正整数；以及
所述平均池化子模块，用于对所述第四输出特征图进行平均池化操作以输出n
×1×
1的第五输出特征图。6.根据权利要求5所述的基于神经网络模型的水果检测系统，其特征在于，通过以下公式对所述神经网络模型的输出进行softmax操作，以获得n个类别的概率：其中，所述n个类别的概率表示所述待评级的水果图片中的水果表面评级与坏果情况。7.根据权利要求5所述的基于神经网络模型的水果检测系统，其特征在于，所述模型训练和验证模块，用于使用所述训练集对所述神经网络模型进行正向传播训练以计算出q并通过以下公式计算出交叉熵损失：其中，所述神经网络模型的输出检测结果为待检测水果的概率为q，实际结果为p；以及根据所述交叉熵损失对所述神经网络模型进行模型参数的反向传播训练。8.根据权利要求1至7中的任一项所述的基于神经网络模型的水果检测系统，其特征在于，所述训练集和验证集获取模块，用于从历史数据库中获取不同等级的水果以及坏果图片集，并以预定比率m%将所述不同等级的水果以及坏果图片集划分为所述训练集和所述验证集，其中，将所述不同等级的水果以及坏果图片集的m%作为所述训练集；以及将所述不同等级的水果以及坏果图片集的1-m%作为所述验证集。9.一种基于神经网络模型的水果检测方法，其特征在于，包括：获取历史水果图片集，并将所述历史水果图片集划分为训练集和验证集；建立神经网络模型，所述神经网络模型包括特征提取模块和代替全连接层的改进的分类模块，其中，所述改进的分类模块用于对所述特征提取模块提取的特征图片进行分类；使用所述训练集对所述神经网络模型进行训练并使用所述验证集对训练结果进行验证以获取训练好的神经网络模型；以及将待评级的水果图片输入所述训练好的神经网络模型以检测出所述待评级的水果图片中的水果表面评级与坏果情况。10.根据权利要求9所述的基于神经网络模型的水果检测方法，其特征在于，包括在对所述神经网络模型进行训练之前使用全覆盖裁剪方法对所述训练集和所述验证集中的历史水果图片进行预处理；以及在将所述待评级的水果图片输入所述训练好的神经网络模型之前，使用所述全覆盖裁剪方法对所述待评级的水果图片进行预处理，其中，对所述历史水果图片和所述待评级的水果图片按照224
×
224在图片的左下对角和右上对角进行裁剪以获取第一尺寸的历史水果图片和第一尺寸的待评级的水果图片；对所述历史水果图片和所述待评级的水果图片按照100
×
100在图片四边的中心进行裁剪以获取第二尺寸的历史水果图片和第二尺寸的待评级的水果图片；以及在所述第二尺寸的历史水果图片和所述第二尺寸的待评级的水果图片周围补充0以将所述第二尺寸的历史水果图片和所述第二尺寸的待评级的水果图片的尺寸扩充为224
×
224。

技术总结
本发明涉及一种基于神经网络模型的水果检测系统和方法，属于图像预处理及识别技术领域，解决传统方法对单个水果检测的时间过长且模型臃肿无法应用于实际的问题。该系统包括：训练集和验证集获取模块将历史水果图片集划分为训练集和验证集；神经网络建立模块，神经网络模型包括特征提取模块和代替全连接层的改进的分类模块，改进的分类模块用于对特征提取模块提取的特征图片进行分类；模型训练和验证模块使用训练集进行训练并使用验证集对训练结果进行验证；检测模块将待评级的水果图片输入训练好的神经网络模型以检测出待评级的水果图片中的水果表面评级与坏果情况。通过改进的分类模块减少参数数量和模型大小、保证精度、并满足检测速度的需求。并满足检测速度的需求。并满足检测速度的需求。


技术研发人员：李金泽 赵政杰 张舒 张宁
受保护的技术使用者：中国科学院微电子研究所
技术研发日：2022.04.11
技术公布日：2022/5/6