9、基于深度学习的水果图像分类研究

基于深度学习的水果图像分类研究

1. 研究背景

水果和蔬菜的分类存在显著问题，由于品种间的相似性以及品种内特征的不一致性，使得准确分类颇具挑战。同时，各类水果差异巨大，合适的数据收集传感器和特征表示方法的选择尤为关键。目前虽有水果和蔬菜质量评估及自动收获的方法，但多针对有限类别和小数据集。当前机器学习技术在处理多特征、高维数据分类时，机器视觉方法效果不佳，且基础数据集匮乏，特定分类方法受限。

2. 相关研究案例

• 番茄图像分类 ：Rahnemoonfar和Sheppard利用深度神经网络（DNN）对互联网上的番茄图片进行分类，采用调整后的Inception - ResNet架构，使用多种训练数据，在合成图片上平均测试准确率达93%，在真实照片上达91%。
• 驾驶员困倦检测 ：研究人员使用CNN创建模型，通过深度卷积网络提取特征，CNN分类器利用SoftMax层判断驾驶员是否困倦，采用Viola - Jones人脸检测方法，提出的Staked Deep CNN克服了标准CNN的一些缺点，准确率达96.42%，并建议未来使用迁移学习提升模型性能。
• 四种水果识别 ：基于荔枝、苹果、葡萄和柠檬四种水果，使用智能手机拍照，通过现代检测框架处理，利用新的2403个数据的数据集训练CNN模型，总性能出色，精度达99.89%，研究人员计划未来用该算法检测更多种类水果。

3. 研究方法

3.1 数据集

• 使用佳能7D数码单反相机拍摄