基于某神經(jīng)網(wǎng)絡(luò)地水果識別

1、實(shí)用標(biāo)準(zhǔn)文案水果識別、水果識別算法設(shè)計(jì)：從水果圖像可以看出，僅從水果的主要顏色就可以把它們區(qū)分開。于是我們 先提取出主要顏色，然后用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類。設(shè)計(jì)步驟如下：1）用K-均值方法對每幅圖像進(jìn)行聚類。然后提取出水果的主要顏色。2）把每幅圖像水果主要顏色的 R、G B三個(gè)分量分別作為水果的三個(gè)特征，把它們作為神經(jīng)網(wǎng)絡(luò)的輸入。3）把一部分提取出的水果特征作為訓(xùn)練樣本訓(xùn)練 BP網(wǎng)絡(luò)。4）讀取未知類別的水果圖像，然后用K-均值聚類，提取主要顏色，把主要顏色的R、G B三個(gè)分量輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，即可對水果進(jìn)行分類。二、實(shí)驗(yàn)1、特征提取用k-均值方法對水果圖像分類，要分的類別數(shù)依賴于圖像顏色復(fù)

2、雜度， 從圖像可直觀看出三種水果的主要顏色有較大的區(qū)別，因此，我們把圖像聚 成兩類，然后提取出主要顏色。以下是一幅桃子圖像聚類的結(jié)果原始圖像聚類結(jié)果把所有水果主要顏色的R、G B三個(gè)分量以及每個(gè)水果所屬類別存放到一個(gè) 數(shù)據(jù)文件里（我們存放在characters.mat 里），以提供給訓(xùn)練及測試神經(jīng)網(wǎng)絡(luò)用。 2、訓(xùn)練神經(jīng)網(wǎng)絡(luò)首先我們選擇比較常用的 BP網(wǎng)絡(luò)。網(wǎng)絡(luò)為兩層，其中第一層的傳遞函數(shù)為 tan-sigoid ，在輸出層使用線性傳遞函數(shù) （purelin ）。由于我們要得到的是三個(gè) 目標(biāo)，所以輸出層使用3個(gè)神經(jīng)元，而第一層的神經(jīng)元需要有試驗(yàn)確定，在這個(gè)實(shí)驗(yàn)中，通過反復(fù)試驗(yàn)，我們發(fā)現(xiàn)第一層使用

3、6個(gè)神經(jīng)元最為合適，這個(gè)時(shí)候誤 差能夠達(dá)到最好，分類效果也比較理想。神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，我們從 characters.mat文件中讀取所有水果的特征 和水果所屬類別，作為樣本。其中一半的樣本用于訓(xùn)練，訓(xùn)練最大循環(huán)次數(shù)為 100,然后用所有的樣本進(jìn)行測試。由于每次的初始化是隨機(jī)的，因此，我們可 以反復(fù)訓(xùn)練，然后記錄訓(xùn)練結(jié)果比較的網(wǎng)絡(luò)。訓(xùn)練過程發(fā)現(xiàn)，網(wǎng)絡(luò)識別率很容易 達(dá)到100%以下是我們訓(xùn)練過程中識別率為 100%寸，神經(jīng)網(wǎng)絡(luò)的收斂圖。最后 的誤差可達(dá)10-6。1O-1O - O - O1 .1 .1Performa nee is 3.09984e-006, Goal is 0102030405

4、060100 Epochs708090100-4-OOStop Training三、萬法比較1、提取兩個(gè)主顏色上面的方法中，我們只提取一個(gè)主顏色作為水果特征，如果我們提取兩個(gè)組顏色作為水果特征，結(jié)果會不會更好呢？我們先對圖像聚成兩類，然后分割出水果，對分割出的水果再聚兩類，提取出兩個(gè)顏色作為特征。然后訓(xùn)練網(wǎng)絡(luò)。我們 發(fā)現(xiàn)這種情況下識別率仍然為 100%但收斂速度很快，最后誤差可達(dá)10，2下圖 是其收斂過程。不過這種情況下，結(jié)果很依賴于神經(jīng)網(wǎng)絡(luò)初始值的選擇， 初始值 不好，結(jié)果會比較差。Stop T ramg2、加入粗糙度特征從水果圖可以直觀看出，從顏色上很容易把蘋果分開，但是個(gè)別桃子和桔子 有

5、較大的相似度，然而，可以發(fā)現(xiàn)桔子表面比桃子表面光滑，于是，我們可以想 到加入紋理特征(這里指粗糙度)，來更好的區(qū)分桃子和桔子。粗糙度的計(jì)算用 如下公式：g(i,j,d)=|f(i, j) f (i +d, j) +|f(i, j) f(i d,j)+|f(i,j) f(i,j+d)|+|f(i,j)-f(i,j-d)計(jì)算所有的g(i,j,d)( 本文中d=3)，然后計(jì)算平均值，作為粗糙度特征， 于是我們用一個(gè)顏色和一個(gè)粗糙度作為水果特征，然后訓(xùn)練神經(jīng)網(wǎng)絡(luò)。從結(jié)果種 情況下識別率仍然為100%但收斂速度最快，最后誤差可達(dá)10”下圖是其收斂 過程。不過這種情況下，結(jié)果還是比較依賴于神經(jīng)網(wǎng)絡(luò)初始值的

6、選擇， 初始值不 好，結(jié)果會比較差。總的來說，這是效果最好的。40 EpochsSttDp Training三種情況比較:特征情況識別率收斂速度對網(wǎng)絡(luò)初始值的倚賴程度一個(gè)主顏色100%一般較小兩個(gè)主顏色100%較快很大顏色和粗糙度100%最快較大（綜合效果最好）程序文件:fruitrecog nize.m水果識別主程序fruitrecog ni ze.fig水果識別界面characters1.mat一個(gè)顏色是的所有水果特征characters2.mat一個(gè)顏色是的所有水果特征characters3.mat一個(gè)顏色特征和粗糙度特征bpn etl.mat bp nelt.emf以一個(gè)顏色作為特征時(shí)訓(xùn)練的網(wǎng)絡(luò)和誤差圖。bpn et2.mat bpn et2.emf以兩個(gè)顏色作為