一种果蔬图像识别方法及装置与流程

1.本发明涉及模式识别技术领域，具体提供一种果蔬图像识别方法及装置。


背景技术：

2.果蔬图像识别的农产品研究是重要组成部分,是实现果蔬农产品自动化分类的关键技术。果蔬图像识别面临的主要挑战在于果蔬种类众多，缺乏大量的有标签数据，难以通过监督学习方法来实现果蔬图像分类。传统的算法如支持向量机、随机森林、贝叶斯等对早期的果蔬图像分类做出了重要贡献，一般通过对果蔬图像进行降维后，利用数学算法和机理实现样本的分类。但这些传统的方法具有一定的局限性，难以对复杂图像及小目标的物体进行深度特征挖掘。深度学习是基于对数据进行表征学习的一种机器学习方法，目的是建立、模拟人脑进行分析学习的多层神经网络，用来解释一些图像、声音、文本等数据，并且已经在果蔬图像识别领域得到广泛应用。由于深度学习可以提取图像中更抽象、更深层的特征，因此具有更强的分类能力。
3.岳振等提出一种基于神经网络和特征匹配的果蔬识别方法。首先对多种果蔬进行数据采集，每种果蔬采集几张图片，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。
4.闵巍庆等提出一种果蔬图像分类系统，包括用于提取输入果蔬图像特征图的卷积神经网络、用于识别果蔬图像的低维特征图中的低维关键特征图的低维sca注意力模块、用于识别果蔬图像的中维特征图中的中维关键特征图的中维sca注意力模块、用于识别果蔬图像的高维特征图中的高维关键特征图的高维sca注意力模块、与每一个sca注意力模块链接的池化层；还包括：多尺度特征融合模块,用于对经池化处理后的低维关键特征图、中维关键特征图、高维关键特征图进行融合处理,生成统一的特征表示；全连接层,用于根据统一的特征表示对果蔬图像进行分类。
5.然而，这些深度学习方法仍然存在着一些不足，比如严重依赖大量的训练样本、调参困难、训练速度慢以及容易产生过拟合等问题，使得一些算法在对果蔬图像分类时消耗了巨大的精力和代价。因此，本发明的提出主要为解决上述传统算法以及机器学习算法的缺陷问题。


技术实现要素：

6.本发明是针对上述现有技术的不足，提供一种实用性强的果蔬图像识别方法。
7.本发明进一步的技术任务是提供一种设计合理，安全适用的果蔬图像识别装置。
8.本发明解决其技术问题所采用的技术方案是：
9.一种果蔬图像识别方法，具有如下步骤：
10.s1、通过弱分类器经过提升得到强分类器即adaboost；
11.s2、像素拉伸；
12.s3、降维操作；
13.s4、训练模型；
14.s5、图像分类。
15.进一步的，在步骤s1中，先通过对n个训练样本的学习得到第一个弱分类器，将分错的样本和新数据一起构成第二个新的n个的训练样本，通过对这个样本的学习得到第二个弱分类器；
16.将训练第一个弱分类器和训练第二个弱分类器时分错的样本加上新样本构成第三个新的n个训练样本，通过对第三个新的n个训练样本得到第三个弱分类器；
17.最终经过提升的强分类器即adaboost，由各分类器权重决定数据被分为哪一类。
18.进一步的，在步骤s2中，对原始果蔬图像进行拉伸，成为一维的向量。
19.进一步的，在步骤s3中，使用主成分分析法进行降维操作，降维后的一维向量作为级联adaboost模型的输入。
20.进一步的，在步骤s4中，使用带标记的果蔬图像样本作为训练样本，对分类模型进行训练，即将训练样本的果蔬样本信息输入到级联adaboost中，数据以向量的形式进行传输，训练完成后，保存分类模型。
21.进一步的，在级联adaboost中，具体的步骤为：
22.(1)、输入向量或矩阵的形式；
23.(2)、将输入向量输入到级联adaboost网络中，每一层包括n个adaboost模型；
24.(3)、每个adaboost模型，每层使用p个adaboost；
25.(4)、级联adaboost的层数由自身确定；
26.(5)、输出结果。
27.进一步的，在步骤(3)中，假如n为输入特征的个数，第一层将产生p
×
n个类向量作为特征，产生的类向量特征将与原始特征向量连接并输入到下一级，在类向量与输入向量连接时，将输入向量的权重增加值150％。
28.进一步的，在步骤(4)中，在工作过程中，建立第一层adaboost，然后使用训练样本对第一层adaboost模型进行交叉验证，之后构建第二层adaboost，然后使用训练样本对第二层adaboost模型进行交叉验证；
29.当拓展新的一层adaboost之后，模型的性能会自动评估，如果模型的分类精度没有明显提升，就不再生成新的adaboost层，层数即自动确定。
30.进一步的，在步骤(5)中，当最后一层adaboost输出所有的类概率时，会对类概率进行计算，即最终输出类别取最后一层结果的平均值中的最大值作为输出类别，公式表示如下：
31.fin(c)＝maxy{ave.m[c
11
,c
12
,...,c
1y
,c
21
,c
22
,...,c
2y
,...c
m1
,c
m2
,...,c
my
]}
[0032]
其中，m为adaboost的个数，y为该数据集的类别的个数，c为adaboost产生的类概率；
[0033]
在步骤s5中，将待分类的样本输入到之前保存的已训练好的模型中，获取当前样本的类别。
[0034]
一种果蔬图像识别装置，包括：至少一个存储器和至少一个处理器；
[0035]
所述至少一个存储器，用于存储机器可读程序；
[0036]
所述至少一个处理器，用于调用所述机器可读程序，执行一种果蔬图像识别方法。
[0037]
本发明的一种果蔬图像识别方法及装置和现有技术相比，具有以下突出的有益效果：
[0038]
本发明适用于不同规模的分类样本，针对果蔬图像分类中训练样本不足的问题，本发明所设计的方法，可以快速、准确的进行分类。本发明中的分类器模型具有超参数少、鲁棒性强、对训练样本的数量需求小的特点。
附图说明
[0039]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0040]
附图1是一种果蔬图像识别方法的流程示意图；
[0041]
附图2是一种果蔬图像识别方法中级联adaboost算法拓扑结构示意图；
[0042]
附图3是一种果蔬图像识别方法中级联adaboost的果蔬图像的分类示意图。
具体实施方式
[0043]
为了使本技术领域的人员更好的理解本发明的方案，下面结合具体的实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例都属于本发明保护的范围。
[0044]
下面给出一个最佳实施例：
[0045]
如图1、3所示，本实施例中的一种果蔬图像识别方法，具有如下步骤：
[0046]
s1、通过弱分类器经过提升得到强分类器即adaboost：
[0047]
先通过对n个训练样本的学习得到第一个弱分类器，将分错的样本和新数据一起构成第二个新的n个的训练样本，通过对这个样本的学习得到第二个弱分类器；
[0048]
将训练第一个弱分类器和训练第二个弱分类器时分错的样本加上新样本构成第三个新的n个训练样本，通过对第三个新的n个训练样本得到第三个弱分类器；
[0049]
最终经过提升的强分类器即adaboost，由各分类器权重决定数据被分为哪一类。
[0050]
其中，上述所提及的弱分类器，意味着分类器的性能不会太好，可能要比随机猜测要好一些，一般而言，在二类分类情况下，弱分类器的分类错误率达到甚至超过50％，显然也只是比随机猜测略好。但是，强分类器的分类错误率相对而言就要小很多，adaboost算法就是易于这些弱分类器的组合最终来完成分类预测的。adaboost一般使用单层决策树作为其弱分类器。单层决策树是决策树的最简化版本，只有一个决策点，也就是说，如果训练数据有多维特征，单层决策树也只能选择其中一维特征来做决策。
[0051]
s2、像素拉伸：
[0052]
对原始果蔬图像进行拉伸，成为一维的向量。
[0053]
s3、降维操作：
[0054]
使用主成分分析法进行降维操作，降维后的一维向量作为级联adaboost模型的输入。
[0055]
s4、训练模型：
[0056]
如图2所示，使用带标记的果蔬图像样本作为训练样本，对分类模型进行训练，即将训练样本的果蔬样本信息输入到级联adaboost中，数据以向量的形式进行传输，训练完成后，保存分类模型。
[0057]
在级联adaboost中，具体的步骤为：
[0058]
(1)输入向量就是输入的样本，一般把样本处理成向量或矩阵的形式。
[0059]
(2)将输入向量输入到级联adaboost网络中，如图所示，该网络是一个多层的网络结构，每一层包括n个adaboost模型。
[0060]
(3)关于每个adaboost模型，它产生的是类概率，每层使用p个adaboost。第一层将产生p
×
n个类向量作为特征(n为输入特征的个数)，产生的类向量特征将与原始特征向量连接并输入到下一级。需要注意的是，为了使输入样本在模型工作过程中更具主导性，因此在类向量与输入向量连接时，将输入向量的权重增加值150％。
[0061]
(4)关于级联adaboost的层数，层数是模型自身确定的。即在模型的工作过程中，首先建立第一层adaboost，然后使用训练样本对该模型进行交叉验证，之后构建第二层adaboost，然后使用训练样本对该模型进行交叉验证，以此类推。而当拓展新的一层adaboost之后，模型的性能会自动评估，如果模型的分类精度没有明显提升，就不再生成新的adaboost层，层数即自动确定。
[0062]
(5)关于最终输出结果，当最后一层adaboost输出所有的类概率时，会对类概率进行计算，即最终输出类别取最后一层结果的平均值中的最大值作为输出类别，公式表示如下：
[0063]
fin(c)＝maxy{ave.m[c
11
,c
12
,...,c
1y
,c
21
,c
22
,...,c
2y
,...c
m1
,c
m2
,...,c
my
]}
[0064]
其中，m为adaboost的个数，y为该数据集的类别的个数，c为adaboost产生的类概率。
[0065]
s5、图像分类：
[0066]
将待分类的样本输入到之前保存的已训练好的模型中，获取当前样本的类别。
[0067]
一种果蔬图像识别装置，包括：至少一个存储器和至少一个处理器；
[0068]
所述至少一个存储器，用于存储机器可读程序；
[0069]
所述至少一个处理器，用于调用所述机器可读程序，执行一种果蔬图像识别方法。
[0070]
上述具体的实施方式仅是本发明具体的个案，本发明的专利保护范围包括但不限于上述具体的实施方式，任何符合本发明的一种果蔬图像识别方法及装置权利要求书的且任何所述技术领域普通技术人员对其做出的适当变化或者替换，皆应落入本发明的专利保护范围。
[0071]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。