目前市场上水果和蔬菜的种类繁多，且存在着不同品种的果蔬相似，同种果蔬又在背景干扰、果肉是否裸露等情况下形态差异巨大的问题。人眼常难以发现其局部的细微差别并准确分类，市场上急需一种简单方便的果蔬识别工具。针对果蔬类间差异小和类内差异大的特点，本文利用基于深度卷积特征的细粒度图像分类算法实现对果蔬识别。首先，综述果蔬图像分类和细粒度图像分类的研究进展；其次，选择基于弱监督细粒度分类的三种代表性算法星座算法、双线性CNN算法和NTS-net算法，基于标准数据集CUB200-2011和果蔬数据集Vegfruit分别构建模型并设计算法对比试验，实验结果表明（1）NTS-net和双线性CNN分别在CUB和Vegfruit的精度最高，为87.1%和76.6%（2）双线性CNN对于类间形态的变化具有更好的稳定性。测试Vegfruit中形态差异巨大的四母类图片，双线性CNN的分类精度高且精度变化差异小于6.5%；（3）基于Vgg-16构建的双线性CNN时平均分类准确率较vgg-19、Google-net分别高出0.31%、7.11%，针对Vegfruit更适合使用Vgg-16构建双线性CNN模型。基于Vgg-16的双线性CNN构建果蔬细粒度识别模型后，进一步开发果蔬细粒度识别APP，包括果蔬识别、果蔬百科、果蔬知识实时获取等关键模块，提供了一种方便且准确的果蔬自动识别工具。
目录
1 绪论 2
1.1 研究背景 2
1.2 果蔬细粒度分类研究综述 3
1.2.1 图像分类在果蔬领域上的研究综述 3
1.2.2 细粒度图像分类研究综述 4
1.2.3 存在问题分析 5
1.3 研究内容 6
1.4 技术路线 6
2 基于卷积神经网络的弱监督细粒度分类算法 7
2.1 卷积神经网络 7
2.2 深度学习平台 8
2.2.1 caffe 8
2.2.2 pytorch 8
2.3基于弱监督的细粒度分类算法 9
2.3.1 星座算法 9
2.3.2 双线性CNN 9
2.3.3 NTSnet算法 10
3 算法选择与模型构建 11 *景先生毕设|www.jxszl.com +Q: &351916072& 

3.1 问题描述 11
3.2 建模材料 12
3.3 建模数据构造及评价指标选择 13
3.4 网络训练与模型构建 13
3.4.1 深度学习环境搭建 13
3.4.2 网络超参数确定 14
3.4.3 模型训练与测试过程 14
3.5 针对果蔬数据集的最优分类模型选择 18
3.5.1 果蔬数据集和CUB2002011数据集上的模型精度比较 18
3.5.2 不同算法对VegFruit不同类别的精度比较 19
3.5.3 双线性CNN特征学习网络选择 20
4 果蔬识别工具系统设计与实现 20
4.1 果蔬识别app需求分析 20
4.1.1 用户功能分析 20
4.1.2 果蔬识别模块用例及活动图 21
4.1.3 果蔬百科模块用例及活动图 22
4.1.4 果蔬知识实时获取模块用例及活动图 23
4.1.5 个人信息管理模块用例及活动图 24
4.1.6 用户登录注册模块用例及活动图 25
4.2 数据库设计 26
4.2.1 数据库概念设计 26
4.2.2 数据库逻辑设计 28
4.3 Android端果蔬识别实现与测试 29
4.3.1 Android端果蔬识别实现 29
4.3.2 服务端调用模型果蔬识别实现 30
4.3.3 果蔬识别测试 31
4.4 Android端知识实时获取实现与测试 32
4.4.1 网络爬虫实现 32
4.4.2 知识实时获取实现 33
4.4.3 知识实时获取测试 35
4.5 android端果蔬百科实现与测试 36
4.5.1 果蔬百科实现 36
4.5.2 果蔬百科测试 37
4.6 Android端用户登陆注册实现与测试 38
4.6.1 用户登陆注册实现 38
4.6.2 用户登陆注册测试 40
4.7 Android端用户管理实现与测试 40
4.7.1 用户管理实现 40
4.7.2 用户管理测试 41
4.8 服务器操作数据库模块实现与测试 42
4.8.1 服务器网络响应模块实现 42
4.8.2 服务器端操作数据库实现 43
4.8.3 操作数据库测试 43
5 总结与展望 44
5.1 总结 44
5.2 展望 44
致谢 45
参考文献： 45
基于CNN的果蔬细粒度识别模型构建与app开发
引言
在以往的果蔬图像识别中，分类的对象都是如“苹果”、“蘑菇”和“卷心菜”这种传统类别，这些果蔬图像之间差异较大分别属于不同类别，而在现实场景中，例如果蔬市场，存在着图像目标常常来自于某一传统类别下细粒度级别的分类的问题，例如柑桔分为椪柑、糖橙和枳等等。由于子类间存在较大的类内差异，而类内差异细微，相比于传统的图像分类任务更困难，因而需要引入细粒度图像分类方法，该方法具有现实场景下的广泛应用价值和深入研究需要。得益于深度学习的快速发展，近年来细粒度图像分类相关研究逐渐深入。细粒度图像分类，也称子类别图像分类，主要这类针对类间差异小、类内差异大的计算机视觉问题，目标是对物体子类进行定位、识别并检测。生活中，面对这类果蔬子类识别问题，人们常常根据经验通过肉眼判断，市场上也迫切需要一个通过简单的用户交互就能识别出果蔬品种的移动端果蔬识别工具。
绪论
1.1 研究背景
果蔬市场上，水果和蔬菜的品种繁多，不少同类蔬果长相相似，若无相关经验很难区分。我国是一个蔬菜水果大国，随着果蔬商品化的迅速发展，对果蔬进行图像分类的研究也愈来愈多。
传统意义上的图像分类主要包括语义级分类和实例级分类两类。语义级分类主要用于识别出不同类别的对象，包括对象识别[23]、场景识别[12]等；而实例级分类则是对不同的个体之间的分类，例如人脸识别[45]等。
但对于品种繁多果蔬图像分类，传统意义上的图像分类并不能满足需求。如图1所示，果蔬在大类下有品种之分，例如柑桔类包含金柑、脐橙、糖橙等，仅仅知道该水果是柑桔并不能满足人们日常生活中的需要；果蔬市场上，不同类别之间差异有时十分微小，如图2所示，没有生活经验的人常常错认葱和韭菜。这时，细粒度图像分类的引入可以很好的解决这种情况。
///

原文链接：http://www.jxszl.com/jsj/jsjkxyjs/563892.html