【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
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 |
|
|
Pytorch框架,
包含opencv,numpy, matplotlib,pyqt5等库
算法流程