论文部分内容阅读
在农业产业化推动下,农产品超市化经营已成为零售终端的主导模式。为解决超市农产品售卖过程中,价格需依靠人工记忆的问题,实现农产品的智能识别,本研究提出了基于多示例多标签学习的农产品图像识别方法。具体研究内容如下：(1)多类别果蔬图像识别问题的学习框架研究。分析比较监督学习框架和半监督学习框架根据多类别果蔬图像特点,确定由多示例多标签学习为果蔬图像建模,克服了以往监督学习只能处理单标签图像的不足。(2)多示例学习包生成方法的研究。本文提出了两种包生成方法,一种是基于固定形状区域的包生成方法,在单色块及其邻域算法基础上注入了目标导向的概念,使得应用于自然场景图像的算法能够应用于物体识别图像,有效命中图像中的果蔬。另一种是基于图像分割的包生成方法,将K均值聚类算法应用于图像,以图像像素的RGB值作为样本数据进行聚类,实现图像分割。考虑到聚类需由用户提供聚类数目这一不便因素,引入聚类有效性评估指标,能够满足自适应分割的需求。并改进现有的评估指标,使其具有可扩展性。(3)研究多示例多标签学习的退化策略。对比了以多示例学习为桥梁的退化策略,以多标签学习为桥梁的退化策略,以及退化至多示例学习的策略,分析研究图像的特点以及监督学习、多示例学习和多标签学习的特点,确定将多示例多标签学习退化为多示例学习,利用多示例学习算法训练果蔬模型。(4)组织多类别果蔬图像库共5189幅图像,分别在自采集的多类别果蔬图像集以及Amsterdam图像库中的单类别果蔬图像上对提出的方法进行测试。结果表明能够识别不同光照、存在干扰物的环境背景下,以任意方式摆放的多类别果蔬图像,两种方法的平均识别准确率分别达到了86.22%及84.04%,且对于单类别果蔬图像较全局方法具有较高识别率,能够达到95.45%,对多类别果蔬的。总的来说,利用基于多示例多标签学习的图像识别方法,对开展超市农产品的自动售卖工作提供了一定的理论依据和参考价值。