基于人工智能的果蔬识别及种植指导系统

摘 要：为解决人们对果蔬的识别和营养的搭配问题以及实现人们自己种植果蔬的愿望，设计开发了一款基于人工智能的果树识别及种植指导的系统。通过神经网络的图像识别技术、非线性降维的图像识别技术、YOLOv3 图像目标检测算法和模式识别技术等实现的主要功能包括：获取并发布前端所呈现的信息，包括热门文章、饮食推荐及营养搭配等；并对需要发布在前端页面的文章进行审核。前端功能模块主要是为用户提供果蔬识别、种植指导以及健康饮食推荐等功能，使用户能够及时获得相应的果蔬知识及健康的营养搭配方式，为人们的生活带来方便。经过多次调试和验证，该系统的性能稳定，功能实现效果较为良好。

关键词：人工智能；卷积神经网络；图像识别技术；非线性降维技术；YOLOv3 模式识别；爬虫

中图分类号：TP393；TP27 文献标识码：A 文章编号：2095-1302（2024）03-00-04

0 引 言

随着果蔬产业发展迅速，果蔬逐渐成为全国人均消费量最大的食品，是种植业中对全国农村居民人均可支配收入增长贡献最大的。同时，伴随着果蔬种类越来越多，果蔬识别以及营养搭配就成了一个至关重要的问题[1-3]。

本文研究的基于人工智能的果蔬识别及种植指导系统是集果蔬识别、种植指导、健康饮食于一体的多功能系统。该系统主要由后台管理模块及前端功能模块两大部分组成。后台管理模块主要是获取并发布前端所呈现的信息，包括热门文章、饮食推荐及营养搭配等，并对需要发布在前端页面的文章进行审核。前端功能模块主要是为用户提供果蔬识别、种植指导以及健康饮食推荐等功能，使用户能够及时获得相应的果蔬知识及健康的营养搭配方式，方便人们生活。

1 系统需求分析

1.1 功能需求分析

本系统设计六个主要功能模块，分别实现果蔬识别界面、特征检测、特征识别、特征分类、识别结果、自动爬取文章等功能。

果蔬识别界面功能：用户需要在果蔬识别界面选择待识别的相应果蔬特征图片或相应果蔬特征图片文件夹路径。果蔬识别界面将用户选择的数据进行发送，并且实时显示返回的识别结果，数据库端实时存储并且云备份。

特征检测功能：需要接收果蔬识别界面发送的相应图片数据，使用有效的算法来检测图像中的特征区域，并能够合理存储检测结果。

特征识别功能：由于特征没有固定的边界和长度，因此应选择合适的深度学习方法进行识别，同时合理存储检测结果。

特征分类功能：判断识别到的特征是否是相应果蔬特征，将二分类结果的数据文件保存在本地，将识别结果反馈回识别界面。

识别结果：在上一步将果蔬特征分类成功后，识别出图片相应的特征，通过算法计算出该图片上的果蔬品种，把图片存储备份到训练集，在下一次调用时会自动在检测集中添加使用。通过深度学习优化算法，提升算法的精确度，减少损失函数带来的误差值。

自动爬取文章：识别出果蔬种类后，通过自动爬取系统的聚焦网络爬虫技术在之前审核好的特定网站爬取相应的果蔬文章，有营养搭配、种植指导等相关果蔬的文章推荐。此外用户也可以手动爬取，通过输入关键词搜索需求果蔬的文章进行阅读。

1.2 非功能需求分析

（1）识别准确率需求：通过深度学习算法来保证系统准确率，系统对果蔬图片的特征二分类准确率需达92%。

（2）兼容性需求：系统支持多种浏览器访问并识别果蔬图片，需采用高兼容性的语言实现果蔬界面识别。

（3）安全性需求：用户注册所填写的信息以及进行果蔬识别的记录和浏览相应文章的记录仅用户和管理员可见。

（4）易用性需求：在果蔬界面主要呈现三色态，背景边框为白绿色，文字为黑色，一眼望去，美观舒适。首先是操作简单，易于阅读：登录成功后，用户可通过两种方式进行果蔬识别，分别是本地图片识别（又可分为本地图片路径识别和网址图片识别）和拍照识别，其次是系统爬取的文章可以通过超链接的形式跳转到其他页面，对难以理解的专业术语或者词语进行解释，方便用户理解阅读。

2 系统的总体设计

基于人工智能的果蔬识别及种植指导系统整体设计主要分为四个层次：分别为图像传感器、图像爬取、图像预处理、图像识别。该系统的总体框架如图1所示，图像传感层次主要是对用户传入已保存的图片或是摄像头直接采集的图片，经过交互，再进行预处理，最后进行图像问题筛查后，在云端备份返回预处理结果。同理可得，经过图像预处理后的图像识别返回的结果同样经过此流程。在云端备份大量数据，通过多层卷积神经网络进行深度学习后，不断精确图像的识别结果，达到图像数据越多识别越准确的目的。系统总体框架如图1所示。

系统功能模块如图2所示。主要由后台管理模块及前端功能模块两大部分组成。后台管理模块主要是获取并发布前端所呈现的信息，包括热门文章、饮食推荐及营养搭配等，并对需要发布在前端页面的文章进行审核。前端功能模块主要是为用户提供果蔬识别、种植指导以及健康饮食推荐等功能，使用户能够及时获得相应的果蔬知识及健康的营养搭配方式，给人们的生活带来方便。其次分为管理员和用户，两者权限不一，相对于用户，管理员具有对用户信息和所爬取的文章信息进行增、删、查、改和审核的权限，保证系统信息的安全性和可靠性。

3 系统关键技术与实现

系统实现了采集、图象处理、标定和分级等各程序模块的集成化设计。系统的关键技术主要包括神经网络的图像识别技术、非线性降维的图像识别技术、YOLOv3 图像目标检测算法、模式识别和聚焦网络爬虫等[4-10]。

本文借鉴了DenseNet和Xception的全局池化计算出果蔬特征向量，通过全连接层保证足够多的果蔬特征，然后加入BN层防止过拟合，最后再使用Softmax进行分类。

本系统的关键模块有6个：果蔬识别界面、特征检测、特征识别、特征分类、识别结果、自动爬取文章等模块。

果蔬识别界面模块：在Web界面，用户可以通过果蔬识别界面选择待识别图片数据的存放位置或对单一图片数据进行识别；识别完成后，用户可以看到检测结果。

特征检测模块：采用基于深度学习的算法，利用常用的自然场景特征检测网络CTPN进行图片区域的候选区域选取和连接。

特征识别模块：负责对从上个模块得到的图像进行特征识别，利用训练好的CRNN 神经网络和连接时序分类模型CTC进行端到端的特征识别。

特征分类模块：负责对特征识别模块得到的特征进行相应果蔬特征分类，本模块采用了特征分类常用的FC-CNN神经网络。

识别结果模块：负责对识别结果模块得到的图片进行相应果蔬图片分类存储，训练集和检测集备份等待使用；再对上一个模块的特征区域进行检测，保存的结果在识别结果模块进行使用。

自动爬取文章模块：使用常用的聚焦爬虫，对识别的果蔬信息进行信息爬取，爬取过程中会根据用户信息判断爬取的文章内容应如何选择。例如：文章用户是老年人，会推荐对应老年人保健区的营养搭配文章。以此类推，对中少年以及儿童如是。

本系统采用FC-CNN水果图像分类算法的批量规范化（BN）处理过拟合问题，相对于Dropout，BN的训练速度更快，避免了梯度消失或爆炸的问题[11-13]。批量规范化顾名思义就是对每一层输入数据的标准化处理，保持数据的分布相同，表达式如下：

（1）

式中：μx为xi的平均值；σx2为xi的方差；γ、β为输出满足标准高斯分布的正则项，平均值为0，方差值为1。

损失函数的设计：本文通过Softmax loss这种比较常用的损失函数，将预测转化为非负值，并将其标准化，从而得到类别的概率分布。这种概率预测用于计算多项Logistic loss，即：

（2）

为防止过拟合现象，本文又在损失函数中加入了L2 正则化，降低网络中一些神经元的权值抑制过拟合，公式为：

（3）

式中：λ是正则项系数，文中λ=0.000 5。本文所使用的损失函数为Softmax loss，即：

（4）

3.1 神经网络的图像识别技术

神经网络图像识别能够使得计算机的行为和思维更接近于人类，提高图像识别过程的稳定性。

根据卷积神经网络的特点，专门设计一个处理图像的网络。卷积神经网络的图像识别技术主要是对系统中水果、蔬菜的颜色、形状及各项属性进行识别。采集目标图片作为标准图像，归纳出不同种类水果和蔬菜图像的特征数据作为基础模板；通过反复训练，最终实现具有图形识别功能的果蔬识别分析系统。

3.2 非线性降维的图像识别技术

图像识别技术中非线性降维是比较常用的一种技术。对图像进行降维的技术可以有效解决计算机处理复杂图像存在的高成本、外在风险影响识别效率的准确性等问题。

由于果蔬识别系统中所需的空间维度通常很高，但在高维度空间中果蔬图像的分布不均匀，非常不利于计算机对图像的识别。而通过非线性的降维技术可以得到分布紧凑的果蔬图像，从而提高果蔬识别技术的准确性。

3.3 YOLOv3图像目标检测算法

在图像识别中利用YOLOv3图像目标检测算法能够提高图像目标检测的准度和速度，其主要是运用深度递归神经网络进行目标检测和目标定位。本质上，YOLOv3就是一个实现了回归功能的深度卷积神经网络。

3.4 模式识别

模式识别在图像识别方面的应用效果非常显著，是通过识别程序识别图像的特征信息[14-15]。模式识别的系统框图如图3所示。

3.5 基于聚焦网络爬虫的信息抓取模式识别

种植指导与饮食推荐系统主要采用的是聚焦网络爬虫[16]。通过系统搜索界面输入关键词进行聚焦网络爬虫，从而聚焦于某一个相关主题范围内进行相关数据的爬取。图4为本系统的聚焦网络爬虫的结构体系。

4 实验效果与展示

根据稀缺植物以及稀缺水果在不同条件下的多次实验得出数据见表1所列。

由表1可以看出，该系统的识别准确性与环境的明暗程度大致成正比，数据正确、安全。

图5为系统首页界面图，图6为水果识别效果图，图7为蔬菜识别效果图。

5 结 语

本文的基于人工智能的果蔬识别及种植指导系统解决了人们无法辨识健康可食用的果蔬以及一些用户想自己种植而缺少专业指导技术等问题；同时本文的种植指导系统具有提供专家经验以及专业知识的功能，为广大群众和种植户带来了极大的便利，为人们饮食方面的健康性、安全性提供了保障。新鲜的绿色果蔬已经成为了大多数民众的追求，绿色果蔬的营养搭配也随之成为重中之重。本文设计的基于人工智能的果蔬识别及种植指导系统是集果蔬识别、种植指导、健康饮食于一体的多功能指导系统，能够对绿色果蔬进行智能、准确、快速地识别。

参考文献

[1]覃丽萍.易腐果蔬动态保质期评估和库存管理策略探讨—基于集成射频识别技术[J].技术与市场，2022，29（8）：83-86.

[2]苏伟鹏. 基于深度学习的果蔬图像识别的研究与应用[D].南昌：南昌大学，2021.

[3]简钦，张雨墨，简献忠. FC-CNN：基于卷积神经网络的水果图像分类算法[J].农业装备与车辆工程，2021，59（1）：67-71.

[4]刘亚平.计算机图像处理与识别技术应用[J].电子质量，2022，43（10）：94-97.

[5]王子睿. 基于异构计算的广告图片识别系统设计与实现[D].北京：北京邮电大学，2020.

[6]张世豪，冼丽英，高敏，等.基于深度学习的神经网络智能图像识别技术应用于宫颈鳞状上皮内病变细胞学筛查的可行性研究[J].中国临床新医学，2019，12（3）：282-285.

[7]孟广仕.图像识别技术在人工智能中的应用[J].信息与电脑（理论版），2018，12（12）：152-153.

[8]季秀怡.浅析人工智能中的图像识别技术[J].电脑知识与技术，2016，12（14）：147-148.

[9]赵一舟，欧瑶，李江岚，等.基于图像识别的家蚕蛹体形数据库构建和初步分析[J].蚕学通讯，2016，36（2）：14-17.

[10]刘伟，邹伟红，卢彦杰，等.基于迁移学习和模型融合的中药材图像识别研究[J].湖南中医药大学学报，2022，42（5）：809-814.

[11]施强.基于BP神经网络的计算机图像智能识别方法[J].电脑编程技巧与维护，2022，29（10）：134-137.

[12]徐自远.面向人工智能算法下图像识别技术分析[J].数字技术与应用，2021，39（10）：4-6.

[13]汪勇.人工智能算法下图像识别技术的应用[J].电子技术与软件工程，2022，11（21）：180-183.

[14]唐厂，蒋良孝，陈云亮.基于华为“智能基座”的模式识别课程案例库建设与实践[J].软件导刊，2023，22（6）：48-52.

[15]漆颢，胡敏，王艳.基于物联网技术的智慧病房系统的总体设计[J].物联网技术，2021，11（11）：79-80.

[16]孙立伟，何国辉，吴礼发.网络爬虫技术的研究[J].电脑知识与技术，2010，6（15）：4112-4115.