26、机器学习中的水果检测与事后可解释性技术

机器学习中的水果检测与事后可解释性技术

一、机器学习水果检测系统

1.1 YOLOv3配置参数

在水果检测系统中，使用了YOLOv3模型，其具体配置参数如下表所示：
| 参数 | 值 |
| — | — |
| Batches | 64 |
| Subdivisions | 16 |
| Classes | 8 |
| Max_batches | 16,000 |
| Filters | 39 |

1.2 数据集情况

数据集涵盖了8种水果的图像，分别为苹果、香蕉、葡萄、芒果、橙子、菠萝、草莓和西瓜，共分为8个类别。每个类别大约有230张图像，总计1716张图像用于网络训练。之后，使用来自不同类别的655张图像进行测试和验证。

1.3 实验环境与流程

• 实验环境 ：实验在配备英特尔酷睿1.6 GHz CPU的PC上进行。使用LabelImg工具进行数据集准备，在Google Colab上借助NVIDIA GeForce MX130 GPU进行CNN的定制、预处理和训练。图像检测在Jupyter Notebook IDE中完成，程序使用Python编写。
• 检测流程 ：加载必要的库文件和训练好的网络，然后启用摄像头。摄像头开启后，从摄像头画面中检测图像，并识别出水果图像，同时显示分类准确率和水果名称。

下面是该流程的mermaid流程图：