基于某神经网络地水果识别.doc

水果识别一、水果识别算法设计: 从水果图像可以看出,仅从水果的主要颜色就可以把它们区分开。于是我们先提取出主要颜色,然后用BP神经网络进行分类。设计步骤如下:用K-均值方法对每幅图像进行聚类。然后提取出水果的主要颜色。把每幅图像水果主要颜色的R、G、B三个分量分别作为水果的三个特征,把它们作为神经网络的输入。把一部分提取出的水果特征作为训练样本训练BP网络。读取未知类别的水果图像,然后用K-均值聚类,提取主要颜色,把主要颜色的R、G、B三个分量输入到训练好的神经网络,即可对水果进行分类。二、实验1、特征提取用k-均值方法对水果图像分类,要分的类别数依赖于图像颜色复杂度,从图像可直观看出三种水果的主要颜色有较大的区别,因此,我们把图像聚成两类,然后提取出主要颜色。以下是一幅桃子图像聚类的结果原始图像聚类结果 把所有水果主要颜色的R、G、B三个分量以及每个水果所属类别存放到一个数据文件里(),以提供给训练及测试神经网络用。2、训练神经网络 首先我们选择比较常用的BP网络。网络为两层,其中第一层的传递函数为tan-sigoid,在输出层使用线性传递函数(purelin)。由于我们要得到的是三个目标,所以输出层使用3个神经元,而第一层的神经元需要有试验确定,在这个实验中,通过反复试验,我们发现第一层使用6个神经元最为合适,这个时候误差能够达到最好,分类效果也比较理想。 神经网络训练过程中,,作为样本。其中一半的样本用于训练,训练最大循环次数为100,然后用所有的样本进行测试。由于每次的初始化是随机的,因此,我们可以反复训练,然后记录训练结果比较的网络。训练过程发现,网络识别率很容易达到100%,以下是我们训练过程中识别率为100%时,神经网络的收敛图。最后的误差可达。三、方法比较1、提取两个主颜色上面的方法中,我们只提取一个主颜色作为水果特征,如果我们提取两个组颜色作为水果特征,结果会不会更好呢?我们先对图像聚成两类,然后分割出水果,对分割出的水果再聚两类,提取出两个颜色作为特征。然后训练网络。我们发现这种情况下识别率仍然为100%,但收敛速度很快,最后误差可达下图是其收敛过程。不过这种情况下,结果很依赖于神经网络初始值的选择,初始值不好,结果会比较差。 2、加入粗糙度特征 从水果图可以直观看出,从颜色上很容易把苹果分开,但是个别桃子和桔子有较大的相似度,然而,可以发现桔子表面比桃子表面光滑,于是,我们可以想到加入纹理特征(这里指粗糙度),来更好的区分桃子和桔子。粗糙度的计算用如下公式: 计算所有的g(i,j,d)(本文中d=