一种基于深度学习的土豆图像识别系统的制作方法

1.本发明属于图像识别领域，特别是涉及一种基于深度学习的土豆图像识别系统。

背景技术：

2.土豆作为重要的粮食来源，用途非常广泛。现在农业机械收割装置可以实现对土豆的大规模快速的收割，通过土豆分类装置对土豆进行分类和分拣，大多数基于土豆大小尺寸不同对土豆进行分类，将分类后的土豆进行不同价格销售。
3.现有技术中，通过土豆分类装置分拣土豆分类时间长，无法同时对土豆颜、尺寸进行差异化分类，最终导致土豆分类不准确，影响土豆销售价格。

技术实现要素：

4.本发明的目的是提供一种基于深度学习的土豆图像识别系统，以解决上述现有技术存在的问题。
5.为实现上述目的，本发明提供了一种基于深度学习的土豆图像识别系统，包括：
6.图像获取模块、模型构建模块、图像识别模块和图像分类模块，其中所述图像获取模块、所述模型构建模块、所述图像识别模块和所述图像分类模块依次连接；
7.所述图像获取模块，用于获取不同环境生长的土豆图像，将所述土豆图像分为训练图像、测试图像和待测图像；
8.所述模型构建模块，用于构建神经网络识别模型，并基于所述训练图像训练所述神经网络识别模型，其中所述神经网络识别模型包括：卷积神经网络和全卷积神经网络，所述卷积神经网络，用于提取所述土豆图像中的颜特征，所述全卷积神经网络，用于提取所述土豆图像中的尺寸特征；
9.所述图像识别模块，用于将所述待测图像输入至所述神经网络识别模型中，得到土豆图像的识别结果；
10.所述图像分类模块，用于基于所述识别结果，将所述待测图像进行分类。
11.优选地，所述图像获取模块包括：图像获取单元和图像处理单元，其中所述图像获取单元、图像处理单元分别与所述模型构建模块连接；
12.所述图像获取单元，用于获取土豆图像，或者截取土豆视频中的土豆图像；
13.所述图像处理单元，用于将所述土豆图像转换成同样格式、同样分辨率，对所述土豆图像进行对比度增强的预处理操作；同时通过数据增强，随机水平翻转和随机打乱所述训练图像。
14.优选地，所述卷积神经网络采用alexnet网络模型，所述alexnet网络模型包括：依次连接的五个卷积层和三个全连接层，alexnet网络模型采用relu非线性激活函数，alexnet网络模型用于提取所述土豆图像中的颜特征。
15.优选地，所述模型构建模块包括：模型构建单元、模型训练单元和模型测试单元；其中所述模型构建单元、所述模型训练单元和所述模型测试单元分别与所述图像识别模块
连接；
16.所述模型构建单元，用于构建alexnet神经网络模型和全卷积神经网络；
17.所述模型训练单元，用于通过处理后的训练图像分别训练所述alexnet神经网络模型、全卷积神经网络，得到训练好的alexnet神经网络模型、全卷积神经网络；
18.所述模型测试单元，用于根据所述测试图像分别测试训练好的alexnet神经网络模型、全卷积神经网络。
19.优选地，所述模型测试单元中，还包括计算测试误差，基于所述测试误差，分别调整alexnet神经网络模型和全卷积神经网络的模型参数，基于调整后的模型参数，继续根据测试图像进行模型参数调整的过程，直至迭代次数达到预设次数。
20.优选地，所述图像识别模块包括：颜分类单元、尺寸分类单元和特征识别单元，其中所述颜分类单元、所述尺寸分类单元和所述特征识别单元分别与所述图像分类模块连接；
21.所述颜分类单元，用于通过数据增强处理所述待测图像，并将处理后的待测图像输入至所述alexnet神经网络模型中，输出分类结果；
22.所述尺寸分类单元，用于通过数据增强处理所述待测图像，并将处理后的待测图像输入至全卷积神经网络中，得到分类特征图，基于所述分类特征图，得到特征区域数据；
23.所述特征识别单元，用于重新构建特征识别模型，将所述分类结果和所述分类特征图同时输入至所述特征识别模型中，得到土豆图像的识别结果，所述识别结果为：黄大土豆、黄中土豆、黄小土豆、白大土豆、白中土豆和白小土豆。
24.优选地，所述尺寸分类单元中，基于所述分类特征图的图像轮廓，得到土豆区域，基于所述土豆区域计算特征区域数据，将所述特征区域数据与阈值比较，得到尺寸分类结果。
25.优选地，所述图像分类模块包括：标签标记单元和图像分类单元；
26.所述标签标记单元，用于基于识别结果，标记所述待测图像；
27.所述图像分类单元，用于将标记好的待测图像进行分类，同时将对应待测图像中的土豆进行分类。
28.本发明的技术效果为：
29.本发明通过图像获取模块，获取不同环境生长的土豆图像，将土豆图像分为训练图像、测试图像和待测图像；通过模型构建模块，构建神经网络识别模型，并基于训练图像训练神经网络识别模型，其中神经网络识别模型包括：卷积神经网络和全卷积神经网络，卷积神经网络，用于提取土豆图像中的颜特征，全卷积神经网络，用于提取土豆图像中的尺寸特征；通过图像识别模块，将待测图像输入至神经网络识别模型中，得到土豆图像的识别结果；通过图像分类模块，将待测图像进行分类。本发明能够解决现有技术中土豆分类时间长的问题，通过网络模型进行图像识别，能够提高土豆分类效率，还可以同时对土豆颜、尺寸进行差异化分类，提高土豆分类的准确度，最终能够获得土豆更加合理的销售价格。
附图说明
30.构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
31.图1为本发明实施例中的系统示意图；
32.图2为本发明实施例中的图像识别模块中的单元示意图。
具体实施方式
33.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
34.实施例一
35.如图1所示，本实施例中提供一种基于深度学习的土豆图像识别系统，包括：
36.图像获取模块、模型构建模块、图像识别模块和图像分类模块，其中图像获取模块、模型构建模块、图像识别模块和图像分类模块依次连接；
37.图像获取模块，用于获取不同环境生长的土豆图像，将土豆图像分为训练图像、测试图像和待测图像；
38.模型构建模块，用于构建神经网络识别模型，并基于训练图像训练神经网络识别模型，其中神经网络识别模型包括：卷积神经网络和全卷积神经网络，卷积神经网络，用于提取土豆图像中的颜特征，全卷积神经网络，用于提取土豆图像中的尺寸特征；
39.图像识别模块，用于将待测图像输入至神经网络识别模型中，得到土豆图像的识别结果；
40.图像分类模块，用于基于识别结果，将待测图像进行分类。
41.在一些实施例中，图像获取模块包括：图像获取单元和图像处理单元，其中图像获取单元、图像处理单元分别与模型构建模块连接；
42.图像获取单元，用于获取土豆图像，或者截取土豆视频中的土豆图像；
43.图像处理单元，用于将土豆图像转换成同样格式、同样分辨率，对土豆图像进行对比度增强的预处理操作；同时通过数据增强，随机水平翻转和随机打乱训练图像。
44.本实施例中，通过数据增强技术，可以随机水平翻转和随机打乱图片来防止卷积神经网络过拟合，提升卷积神经网络的识别效果。
45.在一些实施例中，卷积神经网络采用alexnet网络模型，alexnet网络模型包括：依次连接的五个卷积层和三个全连接层，alexnet网络模型采用relu非线性激活函数，alexnet网络模型用于提取土豆图像中的颜特征。
46.本实施例中，alexnet网络模型中的前两个卷积层，还可以增加一个池化核为3
×
3，步长为2的最大池化层；三层全连接层中，全连接层对图像进行分类，经过多轮的训练及验证，将alexnet网络模型中dropout的随机失活神经元的比由默认值0.5改为0.6，使得识别准确率得到有效提升。
47.在一些实施例中，模型构建模块包括：模型构建单元、模型训练单元和模型测试单元；其中模型构建单元、模型训练单元和模型测试单元分别与图像识别模块连接；
48.模型构建单元，用于构建alexnet神经网络模型和全卷积神经网络；
49.模型训练单元，用于通过处理后的训练图像分别训练alexnet神经网络模型、全卷积神经网络，得到训练好的alexnet神经网络模型、全卷积神经网络；
50.模型测试单元，用于根据测试图像分别测试训练好的alexnet神经网络模型、全卷积神经网络。
51.在一些实施例中，模型测试单元中，还包括计算测试误差，基于测试误差，分别调整alexnet神经网络模型和全卷积神经网络的模型参数，基于调整后的模型参数，继续根据测试图像进行模型参数调整的过程，直至迭代次数达到预设次数。
52.本实施例中，迭代次数设置为10000次。
53.在一些实施例中，如图2所示，图像识别模块包括：颜分类单元、尺寸分类单元和特征识别单元，其中颜分类单元、尺寸分类单元和特征识别单元分别与图像分类模块连接；
54.颜分类单元，用于通过数据增强处理待测图像，并将处理后的待测图像输入至alexnet神经网络模型中，输出分类结果；本实施例中分类结果包括：黄土豆和白土豆。
55.尺寸分类单元，用于通过数据增强处理待测图像，并将处理后的待测图像输入至全卷积神经网络中，得到分类特征图，基于分类特征图，得到特征区域数据；
56.特征识别单元，用于重新构建特征识别模型，将分类结果和分类特征图同时输入至特征识别模型中，得到土豆图像的识别结果，识别结果为：黄大土豆、黄中土豆、黄小土豆、白大土豆、白中土豆和白小土豆。
57.在一些实施例中，尺寸分类单元中，基于分类特征图的图像轮廓，得到土豆区域，基于土豆区域计算特征区域数据，将特征区域数据与阈值比较，得到尺寸分类结果。
58.本实施例中，计算特征区域数据的过程为统计土豆区域中像素点的个数，同时设置阈值区间，将像素点的个数与阈值区间比较，若像素点的个数大于阈值，则尺寸分类结果为大号土豆，若像素点的个数处于阈值区间，则尺寸分类结果为中号土豆，若像素点的个数小于阈值区间，则尺寸分类结果为小号土豆。
59.在一些实施例中，图像分类模块包括：标签标记单元和图像分类单元；
60.标签标记单元，用于基于识别结果，标记待测图像；
61.图像分类单元，用于将标记好的待测图像进行分类，同时将对应待测图像中的土豆进行分类。
62.本发明的技术效果为：
63.本发明通过图像获取模块，获取不同环境生长的土豆图像，将土豆图像分为训练图像、测试图像和待测图像；通过模型构建模块，构建神经网络识别模型，并基于训练图像训练神经网络识别模型，其中神经网络识别模型包括：卷积神经网络和全卷积神经网络，卷积神经网络，用于提取土豆图像中的颜特征，全卷积神经网络，用于提取土豆图像中的尺寸特征；通过图像识别模块，将待测图像输入至神经网络识别模型中，得到土豆图像的识别结果；通过图像分类模块，将待测图像进行分类。本发明能够解决现有技术中土豆分类时间长的问题，通过网络模型进行图像识别，能够提高土豆分类效率，还可以同时对土豆颜、尺寸进行差异化分类，提高土豆分类的准确度，最终能够获得土豆更加合理的销售价格。
64.以上所述，仅为本技术较佳的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应该以权利要求的保护范围为准。

技术特征：

1.一种基于深度学习的土豆图像识别系统，其特征在于，包括：图像获取模块、模型构建模块、图像识别模块和图像分类模块，其中所述图像获取模块、所述模型构建模块、所述图像识别模块和所述图像分类模块依次连接；所述图像获取模块，用于获取不同环境生长的土豆图像，将所述土豆图像分为训练图像、测试图像和待测图像；所述模型构建模块，用于构建神经网络识别模型，并基于所述训练图像训练所述神经网络识别模型，其中所述神经网络识别模型包括：卷积神经网络和全卷积神经网络，所述卷积神经网络，用于提取所述土豆图像中的颜特征，所述全卷积神经网络，用于提取所述土豆图像中的尺寸特征；所述图像识别模块，用于将所述待测图像输入至所述神经网络识别模型中，得到土豆图像的识别结果；所述图像分类模块，用于基于所述识别结果，将所述待测图像进行分类。2.根据权利要求1所述的基于深度学习的土豆图像识别系统，其特征在于，所述图像获取模块包括：图像获取单元和图像处理单元，其中所述图像获取单元、图像处理单元分别与所述模型构建模块连接；所述图像获取单元，用于获取土豆图像，或者截取土豆视频中的土豆图像；所述图像处理单元，用于将所述土豆图像转换成同样格式、同样分辨率，对所述土豆图像进行对比度增强的预处理操作；同时通过数据增强，随机水平翻转和随机打乱所述训练图像。3.根据权利要求1所述的基于深度学习的土豆图像识别系统，其特征在于，所述卷积神经网络采用alexnet网络模型，所述alexnet网络模型包括：依次连接的五个卷积层和三个全连接层，alexnet网络模型采用relu非线性激活函数，alexnet网络模型用于提取所述土豆图像中的颜特征。4.根据权利要求3所述的基于深度学习的土豆图像识别系统，其特征在于，所述模型构建模块包括：模型构建单元、模型训练单元和模型测试单元；其中所述模型构建单元、所述模型训练单元和所述模型测试单元分别与所述图像识别模块连接；所述模型构建单元，用于构建alexnet神经网络模型和全卷积神经网络；所述模型训练单元，用于通过处理后的训练图像分别训练所述alexnet神经网络模型、全卷积神经网络，得到训练好的alexnet神经网络模型、全卷积神经网络；所述模型测试单元，用于根据所述测试图像分别测试训练好的alexnet神经网络模型、全卷积神经网络。5.根据权利要求4所述的基于深度学习的土豆图像识别系统，其特征在于，所述模型测试单元中，还包括计算测试误差，基于所述测试误差，分别调整alexnet神经网络模型和全卷积神经网络的模型参数，基于调整后的模型参数，继续根据测试图像进行模型参数调整的过程，直至迭代次数达到预设次数。6.根据权利要求4所述的基于深度学习的土豆图像识别系统，其特征在于，所述图像识别模块包括：颜分类单元、尺寸分类单元和特征识别单元，其中所述颜分类单元、所述尺寸分类单元和所述特征识别单元分别与所述图像分类模块连接；所述颜分类单元，用于通过数据增强处理所述待测图像，并将处理后的待测图像输
入至所述alexnet神经网络模型中，输出分类结果；所述尺寸分类单元，用于通过数据增强处理所述待测图像，并将处理后的待测图像输入至全卷积神经网络中，得到分类特征图，基于所述分类特征图，得到特征区域数据；所述特征识别单元，用于重新构建特征识别模型，将所述分类结果和所述分类特征图同时输入至所述特征识别模型中，得到土豆图像的识别结果，所述识别结果为：黄大土豆、黄中土豆、黄小土豆、白大土豆、白中土豆和白小土豆。7.根据权利要求6所述的基于深度学习的土豆图像识别系统，其特征在于，所述尺寸分类单元中，基于所述分类特征图的图像轮廓，得到土豆区域，基于所述土豆区域计算特征区域数据，将所述特征区域数据与阈值比较，得到尺寸分类结果。8.根据权利要求1所述的基于深度学习的土豆图像识别系统，其特征在于，所述图像分类模块包括：标签标记单元和图像分类单元；所述标签标记单元，用于基于识别结果，标记所述待测图像；所述图像分类单元，用于将标记好的待测图像进行分类，同时将对应待测图像中的土豆进行分类。

技术总结

本发明公开了一种基于深度学习的土豆图像识别系统，本发明属于图像识别领域，包括：图像获取模块、模型构建模块、图像识别模块和图像分类模块，通过图像获取模块，获取不同环境生长的土豆图像，将土豆图像分为训练图像、测试图像和待测图像；通过模型构建模块，构建神经网络识别模型，并基于训练图像训练神经网络识别模型，其中神经网络识别模型包括：卷积神经网络和全卷积神经网络，卷积神经网络用于提取土豆图像中的颜特征，全卷积神经网络用于提取土豆图像中的尺寸特征；通过图像识别模块，将待测图像输入至神经网络识别模型中，得到土豆图像的识别结果；通过图像分类模块将待测图像进行分类。本发明能够提高土豆分类效率和分类准确度。和分类准确度。和分类准确度。