[發明專利]基于AlexNet網絡模型的果蔬分類方法及裝置

在審

• 申請號: 201710943377.4
• 申請日: 2017-10-11
• 公開（公告）號: CN107886108A
• 公開（公告）日: 2018-04-06
• 發明（設計）人: 李振波;朱玲;林尚偉;吳靜;李晨;李光耀;鈕冰姍;彭芳;岳峻;李道亮
• 申請（專利權）人: 中國農業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京路浩知識產權代理有限公司11002
• 代理人: 王瑩,吳歡燕

技術領域

本發明涉及圖像分類技術領域，更具體地，涉及一種基于AlexNet網絡模型的果蔬分類方法及裝置。

背景技術

為了保證城市果蔬供給，各供貨端每天需進行果蔬的采摘和分揀。目前，蔬菜的分揀完全依賴人工完成。隨著城市人口的增加，果蔬的需求量也急劇增加，同時，隨著互聯網技術和各種信息技術的發展，我國的農業發展模式開始由原來的傳統農業向現代化的智慧農業進行轉變，果蔬的種植開始規模化，分揀工作量也也急劇增加。人工分揀方式因效率低下和成本開銷大而無法滿足供貨商的需求。因此，急需一種自動分類蔬菜的方式以方便自動化分揀。

發明內容

本發明提供一種基于AlexNet網絡模型的果蔬圖像分類方法及裝置，以克服現有技術中，人工分揀方式因效率低下和成本開銷大而無法滿足供貨商的需求的問題。

根據本發明的第一方面，提供一種基于AlexNet網絡模型的果蔬圖像分類方法，該方法包括：獲取目標果蔬的圖像，將所述圖像輸入至目標AlexNet網絡模型，輸出所述圖像對應的果蔬種類。

結合本發明第一方面的第一種可能實現方式，在第二種可能實現方式中，所述將所述圖像輸入至目標AlexNet網絡模型之前還包括：將需分類的各種果蔬的樣本圖像及其種類標簽作為初始AlexNet網絡模型的輸入項，采用小批量隨機梯度下降算法，對所述初始AlexNet網絡模型進行訓練直至滿足網絡誤差不大于誤差閾值，獲取目標AlexNet網絡模型。

結合本發明第一方面的第二種可能實現方式，在第三種可能實現方式中，所述將需分類的各種果蔬的樣本圖像及其種類標簽作為初始AlexNet網絡模型的輸入項，采用小批量隨機梯度下降算法，對所述初始AlexNet網絡模型進行訓練直至滿足預設條件，獲取目標AlexNet網絡模型，具體包括：從需分類的各種果蔬的樣本圖像及其種類標簽中選取部分樣本圖像及其種類標簽并輸入初始AlexNet網絡模型，獲取初始網絡誤差；基于所述初始網絡誤差，調整所述初始AlexNet網絡模型的參數；基于所述部分樣本圖像及其種類標簽和參數調整后的AlexNet網絡模型，獲取網絡誤差；若判斷獲知所述網絡誤差大于誤差閾值，則重新調整AlexNet網絡模型的參數，并重新獲取網絡誤差，重復此過程，直至重新獲取到的網絡誤差不大于所述誤差閾值為止，以得到目標AlexNet網絡模型；若判斷獲知所述新的網絡誤差小于或等于所述誤差閾值，則將所述參數調整后的AlexNet網絡模型作為目標AlexNet網絡模型。

結合本發明第一方面的第三種可能實現方式，在第四種可能實現方式中，其特征在于，所述網絡誤差的具體獲取方式為：AlexNet網絡模型利用損失函數計算所述網絡誤差；其中，J(θ)為網絡誤差值；θ為AlexNet網絡模型的參數，m為選取的部分樣本圖像的數目；yⁱ為第i個樣本圖像的真實種類標簽；h_θ(xⁱ)為樣本圖像種類標簽預測函數；xⁱ為選取的部分樣本圖像第i個樣本圖像的特征向量。

結合本發明第一方面的第一種可能實現方式，在第五種可能實現方式中，所述目標AlexNet網絡模型包括卷積層和連接層；所述目標AlexNet網絡模型具體用于利用卷積層將所述預設大小的目標果蔬圖像進行卷積處理，并將卷積結果輸入連接層獲取所述目標果蔬圖像的種類。

結合本發明第一方面的第一至四種可能實現方式，在第六種可能實現方式中，所述需分類的各種果蔬的樣本圖像通過需分類的各種果蔬的若干圖像，利用數據增強，擴大圖像數目獲得。

根據本發明的第二方面，提供一種基于AlexNet網絡模型的果蔬分類裝置，包括：獲取模塊和分類模塊；所述獲取模塊，用于獲取目標果蔬的圖像；所述分類模塊，用于將所述圖像輸入至目標AlexNet網絡模型，輸出所述圖像對應的果蔬種類。

根據本發明的第三方面，提供一種計算機程序產品，所述計算機程序產品包括存儲在非暫態計算機可讀存儲介質上的計算機程序，所述計算機程序包括程序指令，當所述程序指令被計算機執行時，使所述計算機執行如第一方面所述的方法。

根據本發明的第四方面，提供一種非暫態計算機可讀存儲介質，其特征在于，所述非暫態計算機可讀存儲介質存儲計算機指令，所述計算機指令使所述計算機執行如第一方面所述的方法。