基于神经网络的水果识别

1、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：1) 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。2) 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。3) 把一部分提取出的水果特征作为训练样本训练BP网络。4) 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

2、，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（我们存放在characters.mat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

3、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，我们从characters.mat文件中读取所有水果的特征和水果所属类别，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

4、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=3)，然后计算平均值，作为粗糙度特征，于是我们用一个颜色和一个粗糙度作为水果特征，然后训练神经网络。从结果种情况下

5、识别率仍然为100%，但收敛速度最快，最后误差可达下图是其收敛过程。不过这种情况下，结果还是比较依赖于神经网络初始值的选择，初始值不好，结果会比较差。总的来说，这是效果最好的。三种情况比较：特征情况识别率收敛速度对网络初始值的倚赖程度一个主颜色100%一般较小 两个主颜色100%较快很大颜色和粗糙度100%最快较大（综合效果最好）程序文件：fruitrecognize.m水果识别主程序fruitrecognize.fig水果识别界面characters1.mat一个颜色是的所有水果特征characters2.mat一个颜色是的所有水果特征characters3.mat一个颜色特征和粗糙度特征bpnet1.mat bpne1t.emf 以一个颜色作为特征时训练的网络和误差图。bpnet2.mat bpnet2.emf以两个颜色作为特征时训练的网络和误