基于TensorFlow的水果識別系統設計

劉朝輝　王維高

摘要：人工智能的發展給人們的日常生活以及社會發展帶來了極大的便利，無人超市的出現要求對目標識別進行深入研究。該系統采用深度學習理論以及TensorFlow 學習框架來實現水果識別。利用卷積神經網絡訓練數據集，得出各類水果的代表性特征，從而準確進行水果識別。

關鍵詞：水果識別;TensorFlow;卷積神經網絡

中圖分類號： TP18? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）03-0190-02

Abstract：The development of artificial intelligence has brought a lot of convenience to people's daily life and social development. The emergence of unmanned supermarket requires in-depth research on target recognition. This system adopts deep learning theory and TensorFlow learning framework to realize fruit recognition， and uses convolutional neural network training data set to obtain the representative characteristics of all kinds of fruits， so as to accurately carry out fruit recognition.

Key words：fruit recognition; TensorFlow; Convolutional neural network

隨著人工智能的發展，智能化服務在零售、醫療、食品等行業得到了廣泛應用，如支付寶的刷臉支付、無人超市、無人智能停車場等。機器視覺與深度學習研究幫助人工智能取得了大幅進步。機器視覺賦予機器模仿人類視覺自動完成信息處理能力，深度學習給予機器學習能力，兩者有機結合起來能夠很好地代替人類完成對目標對象的分類及辨識任務。日常生活中，水果提供人體必需的營養素，在人們飲食結構中不可或缺。若在銷售過程中，實現水果種類的自動分類，會為人們生活提供不小的便利，有助于無人超市的發展。本文主要研究基于深度學習的水果識別算法，通過卷積神經網絡提取訓練更加抽象的特征，完成水果的分類識別，降低了特征提取的難度，識別率也有所提高。

1 傳統圖像識別

傳統圖像識別技術的步驟可分為：數據采集，數據預處理，特征提取，特征匹配四步。傳統圖像特征提取主要取決于人為設計的提取器，這一步要有相關的專業知識配合，而且每個方法都是應用于不同領域，泛化能力及魯棒性不高。所以，傳統圖像識別技術對解決某些特定場景的、可人工定義、設計、理解的圖像任務具有不錯的效果。

2 卷積神經網絡

最近幾年里，卷積神經網絡（CNN）得到巨大的發展，這項技術的進步徹底地改變了計算機視覺領域，也推動了計算機視覺領域的前進。卷積神經網絡能取得巨大成功離不開其所采取的局部連接和共享權值的方法，不僅降低了權值的數目使得網絡易于優化，也對減少過擬合現象有著出色的表現。在輸入的圖像是多維圖像時，此種優勢尤其顯著，這樣圖像就能夠直接成為網絡的輸入，舍去了傳統圖像識別需要龐雜的特征提取和數據重建的步驟。和傳統的圖象識別技術相比，卷積神經網絡具有如下優點：具有不俗的容錯率、杰出的并行處理能力以及強大的自學能力，面臨環境信息龐雜，背景知識不明，推理規則不清晰這些情況下的問題時，容許樣品有較大的缺損、畸變，運行速度快，自適應性能好，具備優異的分辨率。憑借泛化能力優異這一特點，卷積神經網絡在物品分類，目標檢測，目標識別等領域都被廣泛應用。

卷積神經網絡通常包括如下幾部分：1）卷積層：卷積層是經由卷積操作對輸入圖像進行降維和特征提取;2）池化層：池化層的作用是縮小模型提高計算速度，降低過擬合概率提高魯棒性，池化層通常在卷積層后邊，“池化”的是卷積層的輸出;3）激活函數：激活函數在所有神經網絡中都起著至關重要的作用，它將非線性因素引入網絡以解決線性模型表達能力不足的缺陷;4）全連接層：全連接層可以將局部特征經由權值矩陣連接成完整的圖。

3 TensorFlow基本原理

目前使用率最高的機器學習框架當屬TensorFlow。它是一個開源的、基于 Python 的機器學習框架，它由谷歌開發，并在圖形分類、音頻處理、推薦系統和自然語言處理等場景下有著豐富的應用。TensorFlow 允許將深度神經網絡的計算部署到任意數量的 CPU 或 GPU 的服務器、PC 或移動設備上，且只利用一個 TensorFlow API[1]。

TensorFlow 是一個使用數據流圖 （data flow graphs） 用于數值計算的開源軟件庫。數據流圖是是一個有向圖，使用節點（一般用圓形或者方形描述，表示一個數學操作或者數據輸入的起點和數據輸出的終點）和線（表示數字、矩陣或者 Tensor 張量）來描述數學計算。數據流圖可以方便地將各個節點分配到不同的計算設備上完成異步并行計算，非常適合大規模的機器學習應用。

4 系統設計與分析

4.1 系統設計流程

本文研究的是對各類水果的圖片進行必要的圖像處理后，利用卷積神經網絡技術，完成對不同水果的分類以及準確的識別，整個水果識別系統將分為以下幾步：

1） 數據采集

本次實驗的數據集來源于Kaggle，共70多類水果，共約3萬張圖片，如圖1所示。

2） 數據預處理

數據預處理一般在神經網絡訓練前都必不可少，因此在搭建卷積神經網絡前需要對輸入圖像進行預處理。一般圖像預處理包括以下三個步驟：①圖像灰度化;②圖像的幾何變換即平移、旋轉、鏡像、裁剪等;③圖像增強，增強圖像中的有用信息。在本次實驗剛開始測試階段，識別準確率一直達不到要求，最終發現在本次水果識別實驗中，對圖像的灰度化處理適得其反。因為水果的顏色是不同類水果的重要特征之一，故而在圖像預處理過程中舍去了圖像的灰度化。

3） 設計卷積神經網絡模型

本次實驗選用卷積神經網絡LeNet-5，激活函數選用Relu函數，選用dropout和Softmax函數做分類器。

LeNet-5共7層（不包含輸入層），其中有2個卷積層，2個池化層，3個全連接層，其結構圖如圖2所示。

本次實驗所選擇Relu函數是當前相當流行的一種激活函數， 在面對梯度消失這個在深度學習領域最大的問題時，Relu函數憑借其計算速度快，收斂速度快的特點，通常被優先推薦使用[2]。其函數公式為：[fx=max （0，x）]，函數圖像如圖3所示，Softmax函數在機器學習或者深度學習中發揮著極其重要的作用。它會將輸入映射為0-1之間的實數，同時歸一化保證其和為1，所以多分類的概率相加之和也就等于1。

4） 網絡訓練

卷積神經網絡設計完成后，即可對搭建好的卷積神經網絡進行訓練并將訓練好的模型存儲，本次實驗設定的訓練次數為5000次。

5） 讀取模型進行測試

完成網絡訓練之后，即可利用訓練好的網絡模型，從測試圖片集中隨機抽取水果圖片進行識別測試，驗證識別準確率。

4.2 實驗結果與分析

在對網絡進行了5000次的訓練之后，其準確率已經達到了100%的水準，如圖4所示。然后對其進行測試。實驗隨機抽取了測試數據集中的100張水果圖片進行識別測試，結果顯示每次均能準確的辨認出水果名稱，這里只截取部分實驗數據，如圖5～圖8所示。由此可見本系統對測試集圖片的識別準確率已經達到了100%，說明本系統所采用的卷積神經網絡可以很好地完成學習任務，準確的完成水果識別。

5 結束語

人工智能技術，圖像處理和計算機視覺技術的發展的愈發成熟，無人售賣超市在實際生活中也越來越常見，對水果識別的研究對現實生活的進步有著很大意義。本文采用了卷積神經網絡技術并對其進行訓練測試，對不同水果的識別有著很高的準確率。該系統設計的完成，具有一定的實用價值，但也依賴深度學習的發展，同時也存在著不可忽略的問題，如在完成度上由于數據集不夠充分，對一些殘次水果的識別率上不夠精準，需要后續繼續優化。

參考文獻：

[1] 李慧穎，李薇，邢艷芳，等.基于TensorFlow的人臉識別系統設計[J].計算機時代，2020（9）：61-63.

[2] 王梓桐.基于神經網絡的水果識別系統設計[J].信息通信，2020，33（7）：56-58.

[3] 楊毅.基于深度學習的水果識別研究[J].信息與電腦（理論版），2019，31（21）：119-120.

[4] 曾平平，李林升.基于卷積神經網絡的水果圖像分類識別研究[J].機械設計與研究，2019，35（1）：23-26，34.

【通聯編輯：李雅琪】