摘 要：為解決人們對(duì)果蔬的識(shí)別和營(yíng)養(yǎng)的搭配問題以及實(shí)現(xiàn)人們自己種植果蔬的愿望，設(shè)計(jì)開發(fā)了一款基于人工智能的果樹識(shí)別及種植指導(dǎo)的系統(tǒng)。通過神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別技術(shù)、非線性降維的圖像識(shí)別技術(shù)、YOLOv3 圖像目標(biāo)檢測(cè)算法和模式識(shí)別技術(shù)等實(shí)現(xiàn)的主要功能包括：獲取并發(fā)布前端所呈現(xiàn)的信息，包括熱門文章、飲食推薦及營(yíng)養(yǎng)搭配等；并對(duì)需要發(fā)布在前端頁面的文章進(jìn)行審核。前端功能模塊主要是為用戶提供果蔬識(shí)別、種植指導(dǎo)以及健康飲食推薦等功能，使用戶能夠及時(shí)獲得相應(yīng)的果蔬知識(shí)及健康的營(yíng)養(yǎng)搭配方式，為人們的生活帶來方便。經(jīng)過多次調(diào)試和驗(yàn)證，該系統(tǒng)的性能穩(wěn)定，功能實(shí)現(xiàn)效果較為良好。

關(guān)鍵詞：人工智能；卷積神經(jīng)網(wǎng)絡(luò)；圖像識(shí)別技術(shù)；非線性降維技術(shù)；YOLOv3 模式識(shí)別；爬蟲

中圖分類號(hào)：TP393；TP27 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2024）03-00-04

0 引 言

隨著果蔬產(chǎn)業(yè)發(fā)展迅速，果蔬逐漸成為全國(guó)人均消費(fèi)量最大的食品，是種植業(yè)中對(duì)全國(guó)農(nóng)村居民人均可支配收入增長(zhǎng)貢獻(xiàn)最大的。同時(shí)，伴隨著果蔬種類越來越多，果蔬識(shí)別以及營(yíng)養(yǎng)搭配就成了一個(gè)至關(guān)重要的問題[1-3]。

本文研究的基于人工智能的果蔬識(shí)別及種植指導(dǎo)系統(tǒng)是集果蔬識(shí)別、種植指導(dǎo)、健康飲食于一體的多功能系統(tǒng)。該系統(tǒng)主要由后臺(tái)管理模塊及前端功能模塊兩大部分組成。后臺(tái)管理模塊主要是獲取并發(fā)布前端所呈現(xiàn)的信息，包括熱門文章、飲食推薦及營(yíng)養(yǎng)搭配等，并對(duì)需要發(fā)布在前端頁面的文章進(jìn)行審核。前端功能模塊主要是為用戶提供果蔬識(shí)別、種植指導(dǎo)以及健康飲食推薦等功能，使用戶能夠及時(shí)獲得相應(yīng)的果蔬知識(shí)及健康的營(yíng)養(yǎng)搭配方式，方便人們生活。

1 系統(tǒng)需求分析

1.1 功能需求分析

本系統(tǒng)設(shè)計(jì)六個(gè)主要功能模塊，分別實(shí)現(xiàn)果蔬識(shí)別界面、特征檢測(cè)、特征識(shí)別、特征分類、識(shí)別結(jié)果、自動(dòng)爬取文章等功能。

果蔬識(shí)別界面功能：用戶需要在果蔬識(shí)別界面選擇待識(shí)別的相應(yīng)果蔬特征圖片或相應(yīng)果蔬特征圖片文件夾路徑。果蔬識(shí)別界面將用戶選擇的數(shù)據(jù)進(jìn)行發(fā)送，并且實(shí)時(shí)顯示返回的識(shí)別結(jié)果，數(shù)據(jù)庫端實(shí)時(shí)存儲(chǔ)并且云備份。

特征檢測(cè)功能：需要接收果蔬識(shí)別界面發(fā)送的相應(yīng)圖片數(shù)據(jù)，使用有效的算法來檢測(cè)圖像中的特征區(qū)域，并能夠合理存儲(chǔ)檢測(cè)結(jié)果。

特征識(shí)別功能：由于特征沒有固定的邊界和長(zhǎng)度，因此應(yīng)選擇合適的深度學(xué)習(xí)方法進(jìn)行識(shí)別，同時(shí)合理存儲(chǔ)檢測(cè)結(jié)果。

特征分類功能：判斷識(shí)別到的特征是否是相應(yīng)果蔬特征，將二分類結(jié)果的數(shù)據(jù)文件保存在本地，將識(shí)別結(jié)果反饋回識(shí)別界面。

識(shí)別結(jié)果：在上一步將果蔬特征分類成功后，識(shí)別出圖片相應(yīng)的特征，通過算法計(jì)算出該圖片上的果蔬品種，把圖片存儲(chǔ)備份到訓(xùn)練集，在下一次調(diào)用時(shí)會(huì)自動(dòng)在檢測(cè)集中添加使用。通過深度學(xué)習(xí)優(yōu)化算法，提升算法的精確度，減少損失函數(shù)帶來的誤差值。

自動(dòng)爬取文章：識(shí)別出果蔬種類后，通過自動(dòng)爬取系統(tǒng)的聚焦網(wǎng)絡(luò)爬蟲技術(shù)在之前審核好的特定網(wǎng)站爬取相應(yīng)的果蔬文章，有營(yíng)養(yǎng)搭配、種植指導(dǎo)等相關(guān)果蔬的文章推薦。此外用戶也可以手動(dòng)爬取，通過輸入關(guān)鍵詞搜索需求果蔬的文章進(jìn)行閱讀。

1.2 非功能需求分析

（1）識(shí)別準(zhǔn)確率需求：通過深度學(xué)習(xí)算法來保證系統(tǒng)準(zhǔn)確率，系統(tǒng)對(duì)果蔬圖片的特征二分類準(zhǔn)確率需達(dá)92%。

（2）兼容性需求：系統(tǒng)支持多種瀏覽器訪問并識(shí)別果蔬圖片，需采用高兼容性的語言實(shí)現(xiàn)果蔬界面識(shí)別。

（3）安全性需求：用戶注冊(cè)所填寫的信息以及進(jìn)行果蔬識(shí)別的記錄和瀏覽相應(yīng)文章的記錄僅用戶和管理員可見。

（4）易用性需求：在果蔬界面主要呈現(xiàn)三色態(tài)，背景邊框?yàn)榘拙G色，文字為黑色，一眼望去，美觀舒適。首先是操作簡(jiǎn)單，易于閱讀：登錄成功后，用戶可通過兩種方式進(jìn)行果蔬識(shí)別，分別是本地圖片識(shí)別（又可分為本地圖片路徑識(shí)別和網(wǎng)址圖片識(shí)別）和拍照識(shí)別，其次是系統(tǒng)爬取的文章可以通過超鏈接的形式跳轉(zhuǎn)到其他頁面，對(duì)難以理解的專業(yè)術(shù)語或者詞語進(jìn)行解釋，方便用戶理解閱讀。

2 系統(tǒng)的總體設(shè)計(jì)

基于人工智能的果蔬識(shí)別及種植指導(dǎo)系統(tǒng)整體設(shè)計(jì)主要分為四個(gè)層次：分別為圖像傳感器、圖像爬取、圖像預(yù)處理、圖像識(shí)別。該系統(tǒng)的總體框架如圖1所示，圖像傳感層次主要是對(duì)用戶傳入已保存的圖片或是攝像頭直接采集的圖片，經(jīng)過交互，再進(jìn)行預(yù)處理，最后進(jìn)行圖像問題篩查后，在云端備份返回預(yù)處理結(jié)果。同理可得，經(jīng)過圖像預(yù)處理后的圖像識(shí)別返回的結(jié)果同樣經(jīng)過此流程。在云端備份大量數(shù)據(jù)，通過多層卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行深度學(xué)習(xí)后，不斷精確圖像的識(shí)別結(jié)果，達(dá)到圖像數(shù)據(jù)越多識(shí)別越準(zhǔn)確的目的。系統(tǒng)總體框架如圖1所示。

系統(tǒng)功能模塊如圖2所示。主要由后臺(tái)管理模塊及前端功能模塊兩大部分組成。后臺(tái)管理模塊主要是獲取并發(fā)布前端所呈現(xiàn)的信息，包括熱門文章、飲食推薦及營(yíng)養(yǎng)搭配等，并對(duì)需要發(fā)布在前端頁面的文章進(jìn)行審核。前端功能模塊主要是為用戶提供果蔬識(shí)別、種植指導(dǎo)以及健康飲食推薦等功能，使用戶能夠及時(shí)獲得相應(yīng)的果蔬知識(shí)及健康的營(yíng)養(yǎng)搭配方式，給人們的生活帶來方便。其次分為管理員和用戶，兩者權(quán)限不一，相對(duì)于用戶，管理員具有對(duì)用戶信息和所爬取的文章信息進(jìn)行增、刪、查、改和審核的權(quán)限，保證系統(tǒng)信息的安全性和可靠性。

3 系統(tǒng)關(guān)鍵技術(shù)與實(shí)現(xiàn)

系統(tǒng)實(shí)現(xiàn)了采集、圖象處理、標(biāo)定和分級(jí)等各程序模塊的集成化設(shè)計(jì)。系統(tǒng)的關(guān)鍵技術(shù)主要包括神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別技術(shù)、非線性降維的圖像識(shí)別技術(shù)、YOLOv3 圖像目標(biāo)檢測(cè)算法、模式識(shí)別和聚焦網(wǎng)絡(luò)爬蟲等[4-10]。

本文借鑒了DenseNet和Xception的全局池化計(jì)算出果蔬特征向量，通過全連接層保證足夠多的果蔬特征，然后加入BN層防止過擬合，最后再使用Softmax進(jìn)行分類。

本系統(tǒng)的關(guān)鍵模塊有6個(gè)：果蔬識(shí)別界面、特征檢測(cè)、特征識(shí)別、特征分類、識(shí)別結(jié)果、自動(dòng)爬取文章等模塊。

果蔬識(shí)別界面模塊：在Web界面，用戶可以通過果蔬識(shí)別界面選擇待識(shí)別圖片數(shù)據(jù)的存放位置或?qū)我粓D片數(shù)據(jù)進(jìn)行識(shí)別；識(shí)別完成后，用戶可以看到檢測(cè)結(jié)果。

特征檢測(cè)模塊：采用基于深度學(xué)習(xí)的算法，利用常用的自然場(chǎng)景特征檢測(cè)網(wǎng)絡(luò)CTPN進(jìn)行圖片區(qū)域的候選區(qū)域選取和連接。

特征識(shí)別模塊：負(fù)責(zé)對(duì)從上個(gè)模塊得到的圖像進(jìn)行特征識(shí)別，利用訓(xùn)練好的CRNN 神經(jīng)網(wǎng)絡(luò)和連接時(shí)序分類模型CTC進(jìn)行端到端的特征識(shí)別。

特征分類模塊：負(fù)責(zé)對(duì)特征識(shí)別模塊得到的特征進(jìn)行相應(yīng)果蔬特征分類，本模塊采用了特征分類常用的FC-CNN神經(jīng)網(wǎng)絡(luò)。

識(shí)別結(jié)果模塊：負(fù)責(zé)對(duì)識(shí)別結(jié)果模塊得到的圖片進(jìn)行相應(yīng)果蔬圖片分類存儲(chǔ)，訓(xùn)練集和檢測(cè)集備份等待使用；再對(duì)上一個(gè)模塊的特征區(qū)域進(jìn)行檢測(cè)，保存的結(jié)果在識(shí)別結(jié)果模塊進(jìn)行使用。

自動(dòng)爬取文章模塊：使用常用的聚焦爬蟲，對(duì)識(shí)別的果蔬信息進(jìn)行信息爬取，爬取過程中會(huì)根據(jù)用戶信息判斷爬取的文章內(nèi)容應(yīng)如何選擇。例如：文章用戶是老年人，會(huì)推薦對(duì)應(yīng)老年人保健區(qū)的營(yíng)養(yǎng)搭配文章。以此類推，對(duì)中少年以及兒童如是。

本系統(tǒng)采用FC-CNN水果圖像分類算法的批量規(guī)范化（BN）處理過擬合問題，相對(duì)于Dropout，BN的訓(xùn)練速度更快，避免了梯度消失或爆炸的問題[11-13]。批量規(guī)范化顧名思義就是對(duì)每一層輸入數(shù)據(jù)的標(biāo)準(zhǔn)化處理，保持?jǐn)?shù)據(jù)的分布相同，表達(dá)式如下：

（1）

式中：μx為xi的平均值；σx2為xi的方差；γ、β為輸出滿足標(biāo)準(zhǔn)高斯分布的正則項(xiàng)，平均值為0，方差值為1。

損失函數(shù)的設(shè)計(jì)：本文通過Softmax loss這種比較常用的損失函數(shù)，將預(yù)測(cè)轉(zhuǎn)化為非負(fù)值，并將其標(biāo)準(zhǔn)化，從而得到類別的概率分布。這種概率預(yù)測(cè)用于計(jì)算多項(xiàng)Logistic loss，即：

（2）

為防止過擬合現(xiàn)象，本文又在損失函數(shù)中加入了L2 正則化，降低網(wǎng)絡(luò)中一些神經(jīng)元的權(quán)值抑制過擬合，公式為：

（3）

式中：λ是正則項(xiàng)系數(shù)，文中λ=0.000 5。本文所使用的損失函數(shù)為Softmax loss，即：

（4）

3.1 神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別技術(shù)

神經(jīng)網(wǎng)絡(luò)圖像識(shí)別能夠使得計(jì)算機(jī)的行為和思維更接近于人類，提高圖像識(shí)別過程的穩(wěn)定性。

根據(jù)卷積神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，專門設(shè)計(jì)一個(gè)處理圖像的網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別技術(shù)主要是對(duì)系統(tǒng)中水果、蔬菜的顏色、形狀及各項(xiàng)屬性進(jìn)行識(shí)別。采集目標(biāo)圖片作為標(biāo)準(zhǔn)圖像，歸納出不同種類水果和蔬菜圖像的特征數(shù)據(jù)作為基礎(chǔ)模板；通過反復(fù)訓(xùn)練，最終實(shí)現(xiàn)具有圖形識(shí)別功能的果蔬識(shí)別分析系統(tǒng)。

3.2 非線性降維的圖像識(shí)別技術(shù)

圖像識(shí)別技術(shù)中非線性降維是比較常用的一種技術(shù)。對(duì)圖像進(jìn)行降維的技術(shù)可以有效解決計(jì)算機(jī)處理復(fù)雜圖像存在的高成本、外在風(fēng)險(xiǎn)影響識(shí)別效率的準(zhǔn)確性等問題。

由于果蔬識(shí)別系統(tǒng)中所需的空間維度通常很高，但在高維度空間中果蔬圖像的分布不均勻，非常不利于計(jì)算機(jī)對(duì)圖像的識(shí)別。而通過非線性的降維技術(shù)可以得到分布緊湊的果蔬圖像，從而提高果蔬識(shí)別技術(shù)的準(zhǔn)確性。

3.3 YOLOv3圖像目標(biāo)檢測(cè)算法

在圖像識(shí)別中利用YOLOv3圖像目標(biāo)檢測(cè)算法能夠提高圖像目標(biāo)檢測(cè)的準(zhǔn)度和速度，其主要是運(yùn)用深度遞歸神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)檢測(cè)和目標(biāo)定位。本質(zhì)上，YOLOv3就是一個(gè)實(shí)現(xiàn)了回歸功能的深度卷積神經(jīng)網(wǎng)絡(luò)。

3.4 模式識(shí)別

模式識(shí)別在圖像識(shí)別方面的應(yīng)用效果非常顯著，是通過識(shí)別程序識(shí)別圖像的特征信息[14-15]。模式識(shí)別的系統(tǒng)框圖如圖3所示。

3.5 基于聚焦網(wǎng)絡(luò)爬蟲的信息抓取模式識(shí)別

種植指導(dǎo)與飲食推薦系統(tǒng)主要采用的是聚焦網(wǎng)絡(luò)爬蟲[16]。通過系統(tǒng)搜索界面輸入關(guān)鍵詞進(jìn)行聚焦網(wǎng)絡(luò)爬蟲，從而聚焦于某一個(gè)相關(guān)主題范圍內(nèi)進(jìn)行相關(guān)數(shù)據(jù)的爬取。圖4為本系統(tǒng)的聚焦網(wǎng)絡(luò)爬蟲的結(jié)構(gòu)體系。

4 實(shí)驗(yàn)效果與展示

根據(jù)稀缺植物以及稀缺水果在不同條件下的多次實(shí)驗(yàn)得出數(shù)據(jù)見表1所列。

由表1可以看出，該系統(tǒng)的識(shí)別準(zhǔn)確性與環(huán)境的明暗程度大致成正比，數(shù)據(jù)正確、安全。

圖5為系統(tǒng)首頁界面圖，圖6為水果識(shí)別效果圖，圖7為蔬菜識(shí)別效果圖。

5 結(jié) 語

本文的基于人工智能的果蔬識(shí)別及種植指導(dǎo)系統(tǒng)解決了人們無法辨識(shí)健康可食用的果蔬以及一些用戶想自己種植而缺少專業(yè)指導(dǎo)技術(shù)等問題；同時(shí)本文的種植指導(dǎo)系統(tǒng)具有提供專家經(jīng)驗(yàn)以及專業(yè)知識(shí)的功能，為廣大群眾和種植戶帶來了極大的便利，為人們飲食方面的健康性、安全性提供了保障。新鮮的綠色果蔬已經(jīng)成為了大多數(shù)民眾的追求，綠色果蔬的營(yíng)養(yǎng)搭配也隨之成為重中之重。本文設(shè)計(jì)的基于人工智能的果蔬識(shí)別及種植指導(dǎo)系統(tǒng)是集果蔬識(shí)別、種植指導(dǎo)、健康飲食于一體的多功能指導(dǎo)系統(tǒng)，能夠?qū)G色果蔬進(jìn)行智能、準(zhǔn)確、快速地識(shí)別。

參考文獻(xiàn)

[1]覃麗萍.易腐果蔬動(dòng)態(tài)保質(zhì)期評(píng)估和庫存管理策略探討—基于集成射頻識(shí)別技術(shù)[J].技術(shù)與市場(chǎng)，2022，29（8）：83-86.

[2]蘇偉鵬. 基于深度學(xué)習(xí)的果蔬圖像識(shí)別的研究與應(yīng)用[D].南昌：南昌大學(xué)，2021.

[3]簡(jiǎn)欽，張雨墨，簡(jiǎn)獻(xiàn)忠. FC-CNN：基于卷積神經(jīng)網(wǎng)絡(luò)的水果圖像分類算法[J].農(nóng)業(yè)裝備與車輛工程，2021，59（1）：67-71.

[4]劉亞平.計(jì)算機(jī)圖像處理與識(shí)別技術(shù)應(yīng)用[J].電子質(zhì)量，2022，43（10）：94-97.

[5]王子睿. 基于異構(gòu)計(jì)算的廣告圖片識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].北京：北京郵電大學(xué)，2020.

[6]張世豪，冼麗英，高敏，等.基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)智能圖像識(shí)別技術(shù)應(yīng)用于宮頸鱗狀上皮內(nèi)病變細(xì)胞學(xué)篩查的可行性研究[J].中國(guó)臨床新醫(yī)學(xué)，2019，12（3）：282-285.

[7]孟廣仕.圖像識(shí)別技術(shù)在人工智能中的應(yīng)用[J].信息與電腦（理論版），2018，12（12）：152-153.

[8]季秀怡.淺析人工智能中的圖像識(shí)別技術(shù)[J].電腦知識(shí)與技術(shù)，2016，12（14）：147-148.

[9]趙一舟，歐瑤，李江嵐，等.基于圖像識(shí)別的家蠶蛹體形數(shù)據(jù)庫構(gòu)建和初步分析[J].蠶學(xué)通訊，2016，36（2）：14-17.

[10]劉偉，鄒偉紅，盧彥杰，等.基于遷移學(xué)習(xí)和模型融合的中藥材圖像識(shí)別研究[J].湖南中醫(yī)藥大學(xué)學(xué)報(bào)，2022，42（5）：809-814.

[11]施強(qiáng).基于BP神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)圖像智能識(shí)別方法[J].電腦編程技巧與維護(hù)，2022，29（10）：134-137.

[12]徐自遠(yuǎn).面向人工智能算法下圖像識(shí)別技術(shù)分析[J].數(shù)字技術(shù)與應(yīng)用，2021，39（10）：4-6.

[13]汪勇.人工智能算法下圖像識(shí)別技術(shù)的應(yīng)用[J].電子技術(shù)與軟件工程，2022，11（21）：180-183.

[14]唐廠，蔣良孝，陳云亮.基于華為“智能基座”的模式識(shí)別課程案例庫建設(shè)與實(shí)踐[J].軟件導(dǎo)刊，2023，22（6）：48-52.

[15]漆顥，胡敏，王艷.基于物聯(lián)網(wǎng)技術(shù)的智慧病房系統(tǒng)的總體設(shè)計(jì)[J].物聯(lián)網(wǎng)技術(shù)，2021，11（11）：79-80.

[16]孫立偉，何國(guó)輝，吳禮發(fā).網(wǎng)絡(luò)爬蟲技術(shù)的研究[J].電腦知識(shí)與技術(shù)，2010，6（15）：4112-4115.