基于卷积神经网络与机器学习的苹果等级分类研究.pdfVIP

摘要

摘要

苹果的等级分类是细化苹果销售市场、促进苹果销售的重要手段。苹果的分级市

场主要存在两种分级方式，分别是人工分级和机器分级，人工分级效率低下，机器分

级又很容易造成二次损伤。图像分类技术的发展日益成熟，基于苹果外观的等级分类

方法既可以提高生产效率，又可以避免苹果的二次损伤，使得苹果的等级分级质量得

到保证。但是在传统的图像分类任务中，往往通过提取苹果的单一特征进行判断，这

种方法对于复杂的苹果图像的分类是有难度的。因此，本文提出一种基于集成学习的

多CNN_ML算法，利用卷积神经网络（ConvolutionalNeuralNetwork,CNN）提取苹

MachineLearning,ML

果图像特征，结合机器学习（）算法进行图像分类，可以提高

苹果等级分类的准确率。本文的主要工作如下：

（1）构建苹果数据集。目前公开的苹果数据集对于特等果、一等果、二等果、

等外果（包括污点果、裂口果、结疤果、腐烂果）缺乏细分类，本文通过人工拍摄和

网络搜索等方式进行收集，并通过数据增强技术，最终构建了一个全新的苹果等级分

类数据集AGCD。

2CNN_MLCNN

（）构建模型。首先，应用迁移学习方法，使用预训练的流行

架构：VGG-16、VGG-19、Inception_V3、ResNet-50、MobileNet和EfficientNet来选

择苹果特征提取模型，结果发现EfficientNet在这6中网络模型中具有最高的分类准

EfficientNetMLK-K-Nearest

确率。其次使用提取的苹果特征来训练算法：最近邻（

Neighbors,KNN）、随机森林分类器（RandomForestsClassifier,RFC）、支持向量机

（SupportVectorMachine,SVM）。结果表明，分类准确率得到了提高。

3CNN_ML

（）构建基于集成学习的多模型。通过分析现有单分类器算法，引入

投票集成的方法将单一CNN_ML模型进行集成。该方法首先使用CNN提取苹果图

像的特征信息，将这些特征与分别与KNN、RFC、SVM等算法结合起来，并使用投

票机制将多个CNN_ML模型进行集成。通过集成，获得了98.21%的分级准确率，分

级准确率相对于单个CNN_ML模型得到进一步提升。根据实验结果，本文在对苹果

等级分类方面取得了成功，提供了一种新的方法思考。

4

（）设计苹果等级分类系统。基于卷积神经网络与机器学习的苹果等级分类系

统面向不同的用户，采用了不同的部署方式，一种是采用Django框架部署网站，一

种是采用PyQt5框架部署GUI程序，均实现了苹果图像的信息采集、图像上传和结

I

摘要

果显示，展示了苹果的等级分类效果。

关键词：卷积神经网络；机器学习；集成学习；苹果；等级分类

II

ABSTRACT

ABSTRACT

Appleclassificationisanimportantmeanstorefinetheapplesalesmarketand

promoteapplesales.Thereare