近年來,人工智能技術(shù)推動(dòng)了社會(huì)快速發(fā)展。越來越多智能化產(chǎn)品給人們的生活帶來巨大的便利,其中就包括大型超市中一系列智能化服務(wù)設(shè)備,提高了顧客的購物體驗(yàn),同時(shí)也為超市帶來一定的收益。然而,超市中智能化設(shè)備仍然不夠健全,例如給散裝蔬菜稱重的電子秤,依然需要人工手動(dòng)輸入蔬菜的單價(jià),導(dǎo)致效率較低。因此,為了提高超市的運(yùn)行效率和改善顧客的購物體驗(yàn),智能化稱重設(shè)備顯得至關(guān)重要。超市散裝蔬菜智能化稱重設(shè)備需要準(zhǔn)確地對(duì)蔬菜目標(biāo)進(jìn)行檢測(cè),同時(shí)完成稱重和計(jì)價(jià)功能,從而給顧客帶來較大的便利,解決排隊(duì)煩惱。其中,智能化稱重設(shè)備的蔬菜檢測(cè)功能是最重要的部分。當(dāng)前的目標(biāo)檢測(cè)算法主要包括傳統(tǒng)的機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法。與傳統(tǒng)的機(jī)器學(xué)習(xí)方法相比,深度學(xué)習(xí)方法在計(jì)算機(jī)視覺方面表現(xiàn)尤為突出,因此本文基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法實(shí)現(xiàn)對(duì)蔬菜快速檢測(cè)。本文主要包括以下內(nèi)容:由于國內(nèi)外公開的蔬菜數(shù)據(jù)集還不存在,所以需要自己從超市和互聯(lián)網(wǎng)中收集蔬菜圖片,并從大量的蔬菜圖片中篩選出有效的數(shù)據(jù)。在本文中蔬菜圖片總計(jì)7632張,共有20個(gè)類別,并且都是超市內(nèi)常見的蔬菜。然后,使用標(biāo)注工具將蔬菜圖片標(biāo)注成PASCAL VOC數(shù)據(jù)格式用于模型... 

【文章來源】：鄭州大學(xué)河南省 211工程院校

【文章頁數(shù)】：67 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

人工蔬菜稱重設(shè)備

1緒論2顯得非常重要。通過調(diào)查發(fā)現(xiàn)，超市的散裝蔬菜區(qū)域通常會(huì)專門安排2位職員進(jìn)行蔬菜稱重計(jì)價(jià)，但是較低的稱重效率將導(dǎo)致該區(qū)域經(jīng)常出現(xiàn)排隊(duì)情況，使得顧客購買欲下降，給超市造成一定的損失，如圖1.1所示為人工蔬菜稱重設(shè)備。雖然超市也使用一些自助稱重設(shè)備如圖1.2所示，但操作較為復(fù)雜仍然難以解決該問題，因此智能化電子稱重設(shè)備非常需要。在研發(fā)智能化散裝蔬菜稱重打碼設(shè)備過程中面臨的首要問題就是如何準(zhǔn)確地檢測(cè)蔬菜目標(biāo)。目前依靠傳統(tǒng)的圖像處理算法實(shí)現(xiàn)蔬菜目標(biāo)檢測(cè)會(huì)導(dǎo)致魯棒性較低，難以部署到實(shí)際應(yīng)用中。隨著深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域的快速發(fā)展，其在醫(yī)療[4]、安防[5]、交通[6]等領(lǐng)域均得到廣泛應(yīng)用。因此，基于深度學(xué)習(xí)方法設(shè)計(jì)出精準(zhǔn)、高效的蔬菜目標(biāo)檢測(cè)算法具有較大的研究意義。本文主要是對(duì)超市中常見的蔬菜類別進(jìn)行檢測(cè)算法研究，并設(shè)計(jì)出智能稱重系統(tǒng)用于取代傳統(tǒng)的人工稱重設(shè)備，該設(shè)備只需顧客將選購的蔬菜放置稱重臺(tái)，就可以迅速地進(jìn)行檢測(cè)、稱重和打印條形碼。圖1.1人工蔬菜稱重設(shè)備圖1.2自助稱重設(shè)備1.2研究現(xiàn)狀1.2.1傳統(tǒng)圖像處理的目標(biāo)檢測(cè)算法利用傳統(tǒng)圖像處理算法完成圖像識(shí)別或者目標(biāo)檢測(cè)，其思想首先通過某種特征提取算法獲取圖像特征，然后利用合適的分類器實(shí)現(xiàn)分類。目前眾多學(xué)者為適應(yīng)于不同場(chǎng)景，針對(duì)傳統(tǒng)的特征提取和分類算法進(jìn)行不斷地優(yōu)化和創(chuàng)新，從而應(yīng)用于實(shí)際生活中。

信息獲取目標(biāo)的特征。NavneetDala[7]最先利用HOG特征與SVM分類器實(shí)現(xiàn)行人檢測(cè)，并且檢測(cè)效果較好。將HOG特征應(yīng)用到行人檢測(cè)主要是因?yàn)樾腥嗽谶\(yùn)動(dòng)過程中產(chǎn)生的形變較小，該方法可以較好地捕獲到行人的輪廓信息。如果目標(biāo)發(fā)生遮擋、姿勢(shì)幅度過大以及方向改變，那么檢測(cè)目標(biāo)的效果將會(huì)受到影響。為了解決以上問題，F(xiàn)elzenszwalb[11]等人提出可形變部件模型方法(DeformablePartModel，DPM)，該方法利用圖結(jié)構(gòu)的部件模型策略和多組件策略分別解決目標(biāo)的形變問題和多視角問題。DPM算法被提出后就成為目標(biāo)檢測(cè)算法中的重要方法。如圖1.3所示，使用HOG方法可以較好地提取蔬菜的輪廓信息。在1999年DavidLowe提出SIFT特征，該方法是一種尺度不變性和光照不變性的特征描述子，其主要思想是在不同的尺度空間上搜索特征點(diǎn)，并分析計(jì)算特征點(diǎn)的方向。SIFT特征與HOG特征相比，它對(duì)旋轉(zhuǎn)和尺度縮放保持不變性同時(shí)具有抗遮擋的優(yōu)點(diǎn)，而HOG特征通常用于剛性物體的特征提齲圖1.3蔬菜圖像與提取的HOG特征在1996年T.Ojala等人提出局部二值模式特征，該算法可以提取圖像的局部

【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)YOLO v3算法及其在安全帽檢測(cè)中的應(yīng)用[J]. 王兵,李文璟,唐歡.  計(jì)算機(jī)工程與應(yīng)用. 2020(09)
[2]基于類加權(quán)YOLO網(wǎng)絡(luò)的水下目標(biāo)檢測(cè)[J]. 朱世偉,杭仁龍,劉青山.  南京師大學(xué)報(bào)(自然科學(xué)版). 2020(01)
[3]基于3D卷積神經(jīng)網(wǎng)絡(luò)的腦腫瘤醫(yī)學(xué)圖像分割優(yōu)化[J]. 曹祺煒,王峰,牛錦.  現(xiàn)代電子技術(shù). 2020(03)
[4]無人超市識(shí)別技術(shù)及其應(yīng)用進(jìn)展[J]. 舒渤予.  科技與創(chuàng)新. 2020(01)
[5]基于深度學(xué)習(xí)的行人和車輛檢測(cè)[J]. 徐謙,李穎,王剛.  吉林大學(xué)學(xué)報(bào)(工學(xué)版). 2019(05)
[6]基于遷移學(xué)習(xí)的蔬菜圖像識(shí)別方法[J]. 賴佩霞,王曉東,章聯(lián)軍.  寧波大學(xué)學(xué)報(bào)(理工版). 2019(05)
[7]基于輕量化SSD的車輛及行人檢測(cè)網(wǎng)絡(luò)[J]. 鄭冬,李向群,許新征.  南京師大學(xué)報(bào)(自然科學(xué)版). 2019(01)
[8]基于顏色及紋理特征的果蔬種類識(shí)別方法[J]. 陶華偉,趙力,奚吉,虞玲,王彤.  農(nóng)業(yè)工程學(xué)報(bào). 2014(16)

碩士論文
[1]基于深度學(xué)習(xí)的目標(biāo)識(shí)別及安防應(yīng)用研究[D]. 石棟.北京工業(yè)大學(xué) 2019
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的蔬菜識(shí)別及應(yīng)用研究[D]. 韓朋朋.安徽大學(xué) 2018
[3]基于RFID與機(jī)器學(xué)習(xí)的智能超市管理系統(tǒng)研究、設(shè)計(jì)與實(shí)現(xiàn)[D]. 岳世彬.廣西大學(xué) 2017
[4]物聯(lián)網(wǎng)環(huán)境下智能超市相關(guān)問題的研究[D]. 錢進(jìn).燕山大學(xué) 2016
[5]蔬菜識(shí)別算法研究[D]. 倪舟.東南大學(xué) 2015



本文編號(hào)：3077567