一种基于卷积神经网络的苹果品质检测方法与流程

本发明涉及人工智能和计算机视觉技术领域，具体涉及一种基于卷积神经网络的苹果品质检测方法。

背景技术：

苹果是一种受人们喜爱的水果，从采购直到消费者手中，这个过程中难免有些苹果的品质受损，品质受损的苹果所售出的价格就会大大降低。不仅是价格受损，而且还会加大受损苹果的分拣工作量。目前大部分地区苹果品质检测都是人工进行的，这样不仅检测效率低，而且人工成本也很高，非常的耗时又耗力，从经济的角度上考虑，人工分拣不适合大型的苹果品质检测。也有少部分的地区用苹果分拣机，但是这样的苹果分拣机成本高，而且分拣的精度还不是很高。

技术实现要素：

为了克服上述现有技术的缺点，本发明的目的在于提供了一种基于卷积神经网络的苹果品质检测方法，苹果品质等级检测的精度和速度高，易于操作，精准而且快速。

为了达到上述目的，本发明采取的技术方案为：

一种基于卷积神经网络的苹果品质检测的方法，包括以下步骤：

步骤1，设备和苹果选取：选取高级的数码摄像装备，以得到高清的样本图像；苹果的品质样本选择上，尽量选择多的品质不同的苹果，尽可能所选择的苹果都有不同的特征；

步骤2，样本图像采集：选择一个纯白的摄像背景，保证设备在摄像的时候能够得到高清的图像；根据苹果的品质等级，选择各个不同等级的苹果，将苹果沿着核竖立摆放，在摄像的时候，每个苹果选取多个角度摄像；然后根据图片和苹果品质等级的映射关系，建立图片和苹果品质等级的映射表；

步骤3，建立样本数据：选取1000张各个品质等级的苹果图片，根据苹果品质等级检测的精度要求，对苹果品质等级范围性分类并用数字标记每个类别，对照图片和苹果品质等级映射表，依次对所属苹果品质等级范围的图片进行类别标记，作为训练样本集的类别标签；将图片转换为同样格式，对图片进行灰度化、直方图均衡、对比度增强的图片预处理操作，并保存为训练样本集；选取300张各个苹果品质等级的图片，再次进行上述操作，得到测试样本集的类别标签和测试样本集；

步骤4，训练分类器:搭建卷积神经网络初步结构模型，用步骤3所得的训练样本集数据训练并测试调整卷积神经网络模型；

卷积神经网络模型依次由输入层、卷积层、池化层、卷积层、池化层、输出层组成:输入层为训练数据,卷积层为特征提取层,池化层位于卷积层后，是一个二次提取的计算层；第二个池化层，即完成了对原始数据的特征提取后,把池化层的特征数据进行向量化，然后连接到分类器,经输出层输出类别结果；

卷积层用卷积核在图像矩阵上游走,在对应位置元素相乘,再把相乘的结果相加，最后相加的结果形成新的图像矩阵,游走完成后即完成了对原始图像的卷积变换,形成此卷积核下的特征提取，卷积神经网络模型的卷积核大小为5*5；

在通过卷积获得了特征之后,对特征矩阵分区域进行平均值池化，降低特征维度；

输出层输出实际类别，与样本的类别标签对比,反向调整权值，直至实际输出与类别标签尽可能接近,调整迭代次数直至误差函数收敛，进而得到最好的卷积神经网络模型；

步骤5，实际苹果品质等级测试，任意拿一个苹果，经过步骤2，得到高清的该苹果的图像，经过步骤3的图片处理，将图片传入步骤4中的已经训练好的卷积神经网络模型中，经过卷积神经网络模型分类后，得到该图片属于哪个标签，再根据标签和苹果品质等级的映射关系，得到该苹果的品质等级。

本发明的有益效果为：本发明采用卷积神经网络，苹果品质等级检测的精度和速度高，易于操作，精准而且快速，让苹果在存储和运输前能根据苹果品质检测结果得到有效的处理，可以在苹果出现溃烂前发现并及时处理那些品质不好的苹果，这样可使得各种品质的苹果发挥它最大的经济效益。而且检测的成本低，方便且快捷，后期的维护成本低。

附图说明

图1是本发明的设备传输示意图。

图2是本发明的样本图像采集流程图。

图3是本发明的卷积神经网络模型训练图。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明。

一种基于卷积神经网络的苹果品质检测的方法，包括以下步骤：

步骤1，设备和苹果选取：如图1所示，选取高级的数码摄像装备，以得到高清的样本图像，这样可以得到特征明显的样本图像，方便后面的样本训练；苹果的品质样本选择上，尽量选择多的品质不同的苹果，尽可能所选择的苹果都有不同的特征，即使微小的品质特征也可以，这样方便后面的样本训练；

步骤2，样本图像采集：选择一个纯白的摄像背景，一个光线强度合理的环境，保证设备在摄像的时候能够得足够的曝光，从而得到高清的图像；根据苹果的品质等级，选择各个不同等级的苹果，将苹果沿着核竖立摆放，在摄像的时候，每个苹果选取多个角度摄像，这样可以得到更多的样本图像；然后根据图片和苹果品质等级的映射关系，建立图片和苹果品质等级的映射表，如图2所示；

步骤3，建立样本数据：如图3所示，选取1000张各个品质等级的苹果图片，根据苹果品质等级检测的精度要求，对苹果品质等级范围性分类并用数字标记每个类别，对照图片和苹果品质等级映射表，依次对所属苹果品质等级范围的图片进行类别标记，作为训练样本集的类别标签；将图片转换为同样格式，对图片进行灰度化、直方图均衡、对比度增强的图片预处理操作，并保存为训练样本集；选取300张各个苹果品质等级的图片，再次进行上述操作，得到测试样本集的类别标签和测试样本集；

步骤4，训练分类器:搭建卷积神经网络初步结构模型，用步骤3所得的训练样本集数据训练并测试调整卷积神经网络模型；

卷积神经网络模型依次由输入层、卷积层、池化层、卷积层、池化层、输出层组成:输入层为训练数据,卷积层为特征提取层,池化层位于卷积层后，是一个二次提取的计算层；第二个池化层，即完成了对原始数据的特征提取后,把池化层的特征数据进行向量化，然后连接到分类器,经输出层输出类别结果；

卷积层用卷积核在图像矩阵上游走,在对应位置元素相乘,再把相乘的结果相加，最后相加的结果形成新的图像矩阵,游走完成后即完成了对原始图像的卷积变换,形成此卷积核下的特征提取，卷积神经网络模型的卷积核大小为5*5；

在通过卷积获得了特征之后,对特征矩阵分区域进行平均值池化，降低特征维度；

输出层输出实际类别，与样本的类别标签对比,反向调整权值，直至实际输出与类别标签尽可能接近,调整迭代次数直至误差函数收敛，进而得到最好的卷积神经网络模型；

卷积神经网络包含前向传播与反向传播两个过程；

前向传播上一层的输出加权求和后，经由激活函数输出结果，该结果又作为下一层的输入，继续加权求和，由激活函数输出，如此反复，直到卷积神经网络模型最后的输出层；假设当前的层数为k层，当前的输出结果为a^k，w表示权值，b表示偏置，下一层为k+1层，k层的输出结果为a^k，加权求和得到z^(k+1)作为k+1层的输入，得到该层的输出a^(k+1)，激活函数f(·)为sigmod函数。计算公式如下：

z^(k+1)＝w^(k)a^(k)+b^(k)

a^(k+1)＝f(z^(k+1))

然后通过反向传播调整卷积神经网络模型的权值w和偏置b，反向传播的核心是使代价函数j(w，b)最小化，从而使得误差更小，具体计算过程如下：

①代价函数计算公式

其中hw,b(x)为前向传播的实际输出结果，y为对应的样本标签，即期望输出；

②对于第n层(输出层)的每个输出单元i，根据以下公式计算其残差δ⁽ⁿ⁾：

δ⁽ⁿ⁾＝-(y-a⁽ⁿ⁾)·f′(z⁽ⁿ⁾)

③对第k层(中间层)的第i个节点的残差δ^(k)的计算公式为：

δ^(k)＝((w^(k))^tδ^(k+1))·f′(z^(k))

④计算需要的偏导数，计算公式为：

⑤更新权值参数

其中α是学习速率，m为数据集的样例个数，λ为权重衰减参数，用于控制公式中两项的相对重要性；

接着重复以上迭代步骤，不断更新权值和偏置，减小j(w,b)的值，进而得出完整的卷积神经网络模型；

步骤5，实际苹果品质等级测试，任意拿一个苹果，经过步骤2，得到高清的该苹果的图像，经过步骤3的图片处理，将图片传入步骤4中的已经训练好的卷积神经网络模型中，经过卷积神经网络模型分类后，得到该图片属于哪个标签，再根据标签和苹果品质等级的映射关系，得到该苹果的品质等级。

采用上述方法，苹果的品质检测过程变得更加简便，也节省了很多人力和财力，通过将此方法移植到未来机器人检测水果的品质时，更加方便了以后的智慧果园的建设。