1、基于深度学习卷积神经网络的面包果属水果分类技术

基于深度学习卷积神经网络的面包果属水果分类技术

1. 引言

农业领域面临着劳动力成本的挑战，自动化农业系统应运而生。计算机视觉技术为农业自动化做出了贡献，例如除草机器人利用实时杂草识别技术去除农田中的杂草，从而降低了劳动力和化学成本。水果采摘也可以利用这项技术提高行业的盈利能力，而水果识别是解决方案的关键部分。

此前，水果识别或分类的工作采用了传统机器学习方法和深度学习方法。通过专门的计算模块提取水果颜色和形状作为特征，使用KNN的水果识别系统的准确率在30%到90%之间，不过这些水果类型彼此差异较大。该系统准确率的广泛波动让人对其能力产生怀疑，并且针对不同水果类型优化特征提取计算模块既耗时又耗成本。另一项使用传统机器学习方法的研究是在超市农产品数据集上进行的，该数据集记录完善且噪声极小。尽管支持向量机模型在该数据集上取得了较高的准确率，但在复杂的实际采摘环境中，该模型的泛化能力仍有待商榷。少数使用深度学习方法的研究也能在记录完善的数据集上获得较高的准确率（>90%），研究人员正在研究噪声对神经网络泛化能力的影响。

本研究旨在使用深度学习方法识别马来西亚的四种面包果属水果：面包果（Artocarpus altilis）、Keledang（Artocarpus lanceifolius）、菠萝蜜（Artocarpus heterophyllus）和Tarap（Artocarpus odoratissimus）。

2. 深度学习方法

2.1 提出的卷积神经网络（CNN）架构

提出的CNN架构由两层卷积层、两层最大池化层、一层扁平化层、六层密集层和一层输出层组成。第一层卷积层有12个滤波器，核大小为3，激活函数为