[发明专利]一种基于深度学习的农作物果实分拣算法

说明书

本发明涉及一种基于深度学习的农作物果实分拣算法，包括：步骤1、构建卷积神经网络(CNN)；步骤2、读入所有数据，将数据划分为训练集和测试集，进行卷积神经网络(CNN)的训练；步骤3、利用卷积神经网络(CNN)识别出农作物果实种类，并将数据写入对应的数据库。本发明的有益效果是：本发明提高农作物果实分拣效率和降低分拣的失误率，从而降低水果生产成本。本发明将目前技术成熟的深度学习图像识别技术同传统安全的PLC控制器相结合，制作一台方便、安全、智能和高效率的农作物果实分拣机。本发明农作物果实识别正确率高、速度快，鲁棒性高、实用性广泛，可以解决传统人工分拣效率低、人工成本高的问题。

技术领域

本发明涉及农作物果实分拣领域，尤其涉及一种基于深度学习的农作物果实分拣算法。

背景技术

我国作为一个传统的农业大国，每年农作物果实的产量和销售量相较于之前都有大幅提高。但是我国在水果的后期分拣处理方面存在长期大量的依赖人工作业的现象，这就会导致农作物果实分拣的效率和标准度会因人而异、因地而异、因时而异。长期大量使用人工对水果进行分拣还会出现错误率随工作时间递增，农作物果实生产成本随工人数量递增等情况，这样会增加生产成本，导致农作物果实在价格上的竞争力相对偏低。

发明内容

本发明的目的是克服现有技术中的不足，提供一种基于深度学习的农作物果实分拣算法。

这种基于深度学习的农作物果实分拣算法，包括以下步骤：

步骤1、构建卷积神经网络(CNN)；卷积神经网络由输入层、卷积层、下采样层、全连接层和分类器这五个部分组成；输入层的输入为水果图像灰度像素矩阵；输入层的输入上传到卷积层，卷积层包括卷积层C1和卷积层C2；下采样层包括下采样层S1和下采样层S2；输出层采用全连接的连接方式与下采样层S2的特征图连接；

步骤2、读入所有数据，将数据划分为训练集和测试集，进行卷积神经网络(CNN)的训练；

步骤3、利用卷积神经网络(CNN)识别出农作物果实种类，并将数据写入对应的数据库；

步骤4、计算机利用python中pymysql库文件，对数据库进行操作，再通过组态软件读取数据库的数据，PLC控制器得到控制信号，启动电磁阀完成农作物果实分类。

作为优选，所述步骤2具体包括如下步骤：

步骤2.1、建立三个神经元，将x₁和x₂作为卷积神经网络的两个输入，将两个输入和三个神经元之间的权重依次记为w₁₁、w₁₂、···、w₂₃，三个神经元的偏置分别为b₁、b₂和b₃；权重w无范围限定，取决于激活函数，如果激活函数是sigmoid或tanh，要避免权重w过大，导致x*w+b过大，配合激活函数使out一直都是1，使整个CNN无意义；

步骤2.2、将所有权重初始化为随机数，使用训练集中的全部样本训练一次(即开始第一个epoch)；将第一个批处理(batch)送入卷积神经网络(CNN)；

步骤2.2.1、采用梯度下降作为优化算法，选取随机数作为卷积神经网络的初始参数，进行前向传播和反向传播，将结果与期望值比较，计算损失函数并更新卷积神经网络(CNN)的参数：

out＝g(f(x₁w₁₁+x₂w₂₁+b₁)·w₁₃+f(x₁w₁₂+x₂w₂₂+b₂)·w₂₃+b₃)