基于深度学习的蔬菜识别Vegatable

【S2023061人工智能毕设之基于CNN的多种类蔬菜智能识别系统（pytorch+pyqt5+opencv）】 https://www.bilibili.com/video/BV1xM4y1X7bD/?share_source=copy_web&vd_source=3d18b0a7b9486f50fe7f4dea4c24e2a4

http://【S2023061人工智能毕设之基于CNN的多种类蔬菜智能识别系统 https://www.bilibili.com/video/BV1xM4y1X7bD/?share_source=copy_web&vd_source=3d18b0a7b9486f50fe7f4dea4c24e2a4

研究目的：

伴随着科技的发展和人工智能时代的来临，图像识别、文字处理、语音识别等技术应用广泛。作为人工智能的核心，图像识别技术日益火热。在乡村振兴的政策背景下，实现果蔬、粮食产业与信息技术产业的融合，是未来的发展趋势。当今中国农业是完全开放的农业，若能将信息技术和农产业合为一体，实现智慧的农业，则能大大提高产业效率和竞争力。

我国是世界蔬菜生产和消费的第一大国，在日常饮食结构中食物中仍占主要部分，占每日摄取总量的 39%，在农作物种植产量中位列第二，仅次于粮食[1]。蔬菜从生产到销售是全国从业人员较多的产业，保证蔬菜产业不断稳定向前是我国保护稳定、惠及民生、和谐发展的民心工程之一。

目前，蔬菜销售大多采用人工识别的方式，这种人工识别蔬菜及其分级的方式存在信息采集效率低、分级不规范、安全追溯难、人工成本高等诸多问题。针对这些问题，本课题将深度学习中的注意力机制引入蔬菜识别工作中，通过处理图像、提取特征等步骤，排除特征外的冗余信息，使模型将注意力集中于蔬菜的特有信息上，进而提高识别蔬菜图像的精度。

3. 本课题的研究内容

本论文的主要研究内容分为以下几个方面： 构建基于蔬菜色彩和纹理的蔬菜图像数据集，用于网络模型的训练与测试。由于本课题主要研究差异性较小的蔬菜图像的分类，因此在构建数据集时，在蔬菜样本一定的情况下，考虑采用数据增强的方式增加样本数量。 以卷积神经网络模型为基础，通过调整网络层卷积核大小、个数、训练方法等研究各层参数对蔬菜识别率的影响；运用参数迁移技术，得到卷积神经网络的参数初始得到蔬菜的初步识别结果。 在原有网络模型的基础上，加入注意力机制，通过调整模型结构等方法对模型进行优化，得到最终适用于研究蔬菜分类识别的模型。

4. 本课题的实行方案、进度及预期效果

实行方案： 蔬菜图像分类的技术流程为：输入图像、图像预处理、图像特征提取、图像 的分类识别。本课题的方案如下图所示： 图1 方案流程

5. 已查阅参考文献

吉甫成.浏阳市蔬菜产业现状特点和发展思路.长江蔬菜,2019(12):77-80. 陶华伟 , 赵力 , 奚吉 , 等 . 基于颜色及纹理特征的果蔬种类识别方法 [J]. 农业工程学报,2014,30(16):305-311. 倪舟.  蔬菜识别算法研究[D].东南大学,2015. 阳江平.  基于计算机视觉的果蔬识别方法研究[D].大连理工大学,2011. Wan P, Arash T, Hequn T, et al. A methodology for fresh tomato maturity detection using computer vision[J]. Computers & Electronics in Agriculture, 2018,146:43-50. Cavallo D P, Cefola M, Pace B, et al. Contactless and non-destructive chlorophyll content prediction  by  random  forest  regression:  A  case  study  on  fresh-cut  rocket  leaves[J]. Computers & Electronics in Agriculture, 2017,140:303-310.

Pytorch框架，

包含opencv,numpy, matplotlib,pyqt5等库

算法流程