基于稀疏表示和卷積神經(jīng)網(wǎng)絡的水果圖像分類與實現(xiàn).pdf

1、水果的分類技術(shù)一直是國內(nèi)外農(nóng)業(yè)信息化領域的研究熱點問題，近年取得了突飛猛進的發(fā)展。但在獲取的水果圖像規(guī)模大、數(shù)據(jù)特征復雜、局部遮擋、光照變化及場景復雜情況下，水果識別率顯著下降。因此，水果識別技術(shù)應用到實際農(nóng)業(yè)中仍然面臨著諸多的問題和挑戰(zhàn)。
　　針對大規(guī)模水果種類識別中存在特征冗余大、手工特征設計具有主觀性的問題，從水果特征表達和特征自動學習兩個方面進行研究：在特征表達方面，研究了RGB水果圖像的稀疏編碼方法和RGB水果圖像的局部

2、約束線性編碼方法；在特征自動學習方面，研究了RGB圖像特征方法。本文的主要工作如下：
　?。?）提出基于稀疏編碼的空間金字塔匹配模型（Sparse Coding Spatial Pyramid Matching，ScSPM）的水果分類方法。首先采用SIFT特征對RGB-D水果圖像進行局部特征點提取，克服不同光照及尺度變換影響；然后采用稀疏編碼和空間金字塔進行特征表達；最后采用線性SVM分類器實現(xiàn)水果種類識別。實驗結(jié)果表明，融合SI

3、FT特征和ScSPM特征表達后，水果分類準確率達98.90％，比顏色直方圖特征提取方法的準確率高8.02%。
　?。?）提出基于局部約束線性編碼的空間金字塔匹配模型（Locality-constrained Linear Coding，LLC）水果分類方法。由于稀疏編碼的空間金字塔匹配模型在圖像的編碼速度上比較慢，采用局部約束線性編碼用于空間金字塔匹配模型中以提高水果RGB圖像編碼速度。LLC同時考慮特征的稀疏性與局部性，水果種類

4、分類正確率達99.25%。
　?。?）提出基于卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks，CNN）的水果分類方法。該方法采用了深度學習框架--Caffe平臺，運用CNN對圖像進行本質(zhì)特征進行自動學習，水果種類分類正確率達99.53%，克服了手工特征設計依賴于經(jīng)驗的問題，提高了水果分類方法的準確性。
　?。?）基于上述研究，進行了水果分類系統(tǒng)的開發(fā)與實現(xiàn)。利用傳感攝像機在光照變化、360度角度變換

5、以及局部遮擋環(huán)境下，采集了蘋果、百香果、火龍果和橘子等14類39種不同類型水果圖像96815幅，建立大規(guī)模水果RGB圖像數(shù)據(jù)庫。設計了水果分類系統(tǒng)，使用Matlab圖形圖像處理工具開發(fā)了系統(tǒng)界面，對本論文水果分類算法進行編程實現(xiàn)，并對論文的三種RGB水果分類算法加以比較分析。
　　在水果分類的實驗中，本文三種算法中均得到了較高的準確率，其中基于CNN方法的準確率最高，LLC算法次之，SCSPM算法最低；在時間性能上，ScSPM算法