本发明涉及水果筛选方法技术领域，具体为一种基于无监督深度学习的水果分级筛选方法。
背景技术：
深度学习就是一种特征学习方法，把原始数据通过一些简单的但是非线性的模型转变成为更高层次的，更加抽象的表达，通过足够多的转换的组合，非常复杂的函数也可以被学习，在水果的筛选方法应用中，存在诸多问题，不能够有效的将优质水果逐级筛选出来，人工成本较高，即使少数具备智能水果筛选设备也存在不足之处，不能够充分提取水果图像特征从而实现优次水果分类识别输出，无法确保特征向量在映射到不同特征空间时能够尽可能多的保留特征信息，无法克服了由于随机初始化权值参数而导致的训练时间长、局部最优问题，从而不能有效逐级区分优质和劣质水果，可靠性较低，筛选准确性不高，因此能够解决此类问题的一种基于无监督深度学习的水果分级筛选方法的实现势在必行。
技术实现要素：
本发明要解决的技术问题是克服现有的缺陷，提供一种基于无监督深度学习的水果分级筛选方法，能够有效的将水果按优劣品质逐级筛选出来，能够有效的降低人工成本，能够充分提取水果图像特征，实现优次水果分类识别输出，可以确保特征向量在映射到不同特征空间时，能够尽可能多的保留特征信息，有效克服了由于随机初始化权值参数而导致的训练时间长、局部最优问题，从而有效逐级区分优质和劣质水果，可靠性高，筛选准确性高，可以有效解决背景技术中的问题。
为实现上述目的，本发明提供一种基于无监督深度学习的水果分级筛选方法：包括以下步骤：
s1)水果图像采集：通过ccd摄像头和dsp视频处理系统构成的机器采集模块采集等预设量不同外部特征规格的样本水果的图片；
s2)水果图像预处理：对每张图片进行中心化和尺寸标准化的归一化处理预处理操作，对原始图像进行滤波处理，通过中值滤波实现图像去噪，以减小原始图像的噪声，对滤波后的图像进行灰度化，每张图像均被处理为大小为32cm×32cm，并保证图像特征向量维数与输入层的随机单元数相同，输出层的输出单元个数可与待分类数据样本的类别数相同，得到图像的特征向量；
s3)无监督训练：采用贪婪无监督学习算法对各层受限玻尔兹曼机进行自底向上的逐层训练，使用无优次的水果签样本集，每次只训练一层受限玻尔兹曼机的方式，并逐层初始化化网络参数，使用训练样本对深度信念网络模型进行无监督预训练，输出经训练后提取的训练样本的特征向量；
s4)分类器训练：将训练后深度信念网络输出水果图像特征向量，将水果图像特征向量输入支持向量机的svm分类器进行训练，得到优、次水果两种分类识别输出的相应svm参数，完成最终网络模型的训练将训练后深度信念网络输出作为支持向量机分类器的输入，对分类器的进行训练，并得到相应的分类器参数；
s5)分级筛选：将待分级的水果放置在输送流水线上，以均匀的速度运行，通过安装在工控机上训练后的分类器通过进行优次水果的识别结果输出，工控机上控制单元接受分类结果输出信息，通过控制指令对水果进行分类操作，将水果分类到相应等级的出果口中。
作为本发明的一种优选技术方案：所述输送流水线输送水果的速度为2-6m/分钟。
与现有技术相比，本发明的有益效果是：能够有效的将水果按优劣品质逐级筛选出来，能够有效的降低人工成本，能够充分提取水果图像特征，实现优次水果分类识别输出，可以确保特征向量在映射到不同特征空间时，能够尽可能多的保留特征信息，有效克服了由于随机初始化权值参数而导致的训练时间长、局部最优问题，从而有效逐级区分优质和劣质水果，可靠性高，筛选准确性高。
附图说明
图1为本发明一种基于无监督深度学习的水果分级筛选方法的步骤图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供以下技术方案：
实施例一：通过ccd摄像头和dsp视频处理系统构成的机器采集模块采集等预设量不同外部特征规格的样本水果的图片，能够准确合理的采集水果样本图像，便于分类器学习训练后依次为基准对水果优劣辨别筛选，对每张图片进行中心化和尺寸标准化的归一化处理预处理操作，对原始图像进行滤波处理，通过中值滤波实现图像去噪，以减小原始图像的噪声，对滤波后的图像进行灰度化，每张图像均被处理为大小为32cm×32cm，实现图像的规范化预处理，保证图像能够正常特征式标识，便于语言处理，并保证图像特征向量维数与输入层的随机单元数相同，输出层的输出单元个数可与待分类数据样本的类别数相同，得到图像的特征向量，采用贪婪无监督学习算法对各层受限玻尔兹曼机进行自底向上的逐层训练，使用无优次的水果签样本集，每次只训练一层受限玻尔兹曼机的方式，并逐层初始化化网络参数，能够尽可能多的保留特征信息，有效克服了由于随机初始化权值参数而导致的训练时间长、局部最优问题，使用训练样本对深度信念网络模型进行无监督预训练，输出经训练后提取的训练样本的特征向量，将训练后深度信念网络输出水果图像特征向量，能够充分提取水果图像特征，实现优次水果分类识别输出，将水果图像特征向量输入支持向量机的svm分类器进行训练，得到优、次水果两种分类识别输出的相应svm参数，完成最终网络模型的训练将训练后深度信念网络输出作为支持向量机分类器的输入，对分类器的进行训练，并得到相应的分类器参数，将待分级的水果放置在输送流水线上，输送流水线输送水果的速度为2m/分钟，以均匀的速度运行，实现对水果的稳速输送，便于筛分作业，通过安装在工控机上训练后的分类器通过进行优次水果的识别结果输出，工控机上控制单元接受分类结果输出信息，通过控制指令对水果进行分类操作，将水果分类到相应等级的出果口中，保证对水果的分级筛选。
实施例二：通过ccd摄像头和dsp视频处理系统构成的机器采集模块采集等预设量不同外部特征规格的样本水果的图片，能够准确合理的采集水果样本图像，便于分类器学习训练后依次为基准对水果优劣辨别筛选，对每张图片进行中心化和尺寸标准化的归一化处理预处理操作，对原始图像进行滤波处理，通过中值滤波实现图像去噪，以减小原始图像的噪声，对滤波后的图像进行灰度化，每张图像均被处理为大小为32cm×32cm，实现图像的规范化预处理，保证图像能够正常特征式标识，便于语言处理，并保证图像特征向量维数与输入层的随机单元数相同，输出层的输出单元个数可与待分类数据样本的类别数相同，得到图像的特征向量，采用贪婪无监督学习算法对各层受限玻尔兹曼机进行自底向上的逐层训练，使用无优次的水果签样本集，每次只训练一层受限玻尔兹曼机的方式，并逐层初始化化网络参数，能够尽可能多的保留特征信息，有效克服了由于随机初始化权值参数而导致的训练时间长、局部最优问题，使用训练样本对深度信念网络模型进行无监督预训练，输出经训练后提取的训练样本的特征向量，将训练后深度信念网络输出水果图像特征向量，能够充分提取水果图像特征，实现优次水果分类识别输出，将水果图像特征向量输入支持向量机的svm分类器进行训练，得到优、次水果两种分类识别输出的相应svm参数，完成最终网络模型的训练将训练后深度信念网络输出作为支持向量机分类器的输入，对分类器的进行训练，并得到相应的分类器参数，将待分级的水果放置在输送流水线上，输送流水线输送水果的速度为4m/分钟，以均匀的速度运行，实现对水果的稳速输送，便于筛分作业，通过安装在工控机上训练后的分类器通过进行优次水果的识别结果输出，工控机上控制单元接受分类结果输出信息，通过控制指令对水果进行分类操作，将水果分类到相应等级的出果口中，保证对水果的分级筛选。
实施例三：通过ccd摄像头和dsp视频处理系统构成的机器采集模块采集等预设量不同外部特征规格的样本水果的图片，能够准确合理的采集水果样本图像，便于分类器学习训练后依次为基准对水果优劣辨别筛选，对每张图片进行中心化和尺寸标准化的归一化处理预处理操作，对原始图像进行滤波处理，通过中值滤波实现图像去噪，以减小原始图像的噪声，对滤波后的图像进行灰度化，每张图像均被处理为大小为32cm×32cm，实现图像的规范化预处理，保证图像能够正常特征式标识，便于语言处理，并保证图像特征向量维数与输入层的随机单元数相同，输出层的输出单元个数可与待分类数据样本的类别数相同，得到图像的特征向量，采用贪婪无监督学习算法对各层受限玻尔兹曼机进行自底向上的逐层训练，使用无优次的水果签样本集，每次只训练一层受限玻尔兹曼机的方式，并逐层初始化化网络参数，能够尽可能多的保留特征信息，有效克服了由于随机初始化权值参数而导致的训练时间长、局部最优问题，使用训练样本对深度信念网络模型进行无监督预训练，输出经训练后提取的训练样本的特征向量，将训练后深度信念网络输出水果图像特征向量，能够充分提取水果图像特征，实现优次水果分类识别输出，将水果图像特征向量输入支持向量机的svm分类器进行训练，得到优、次水果两种分类识别输出的相应svm参数，完成最终网络模型的训练将训练后深度信念网络输出作为支持向量机分类器的输入，对分类器的进行训练，并得到相应的分类器参数，将待分级的水果放置在输送流水线上，输送流水线输送水果的速度为5m/分钟，以均匀的速度运行，实现对水果的稳速输送，便于筛分作业，通过安装在工控机上训练后的分类器通过进行优次水果的识别结果输出，工控机上控制单元接受分类结果输出信息，通过控制指令对水果进行分类操作，将水果分类到相应等级的出果口中，保证对水果的分级筛选。
实施例四：通过ccd摄像头和dsp视频处理系统构成的机器采集模块采集等预设量不同外部特征规格的样本水果的图片，能够准确合理的采集水果样本图像，便于分类器学习训练后依次为基准对水果优劣辨别筛选，对每张图片进行中心化和尺寸标准化的归一化处理预处理操作，对原始图像进行滤波处理，通过中值滤波实现图像去噪，以减小原始图像的噪声，对滤波后的图像进行灰度化，每张图像均被处理为大小为32cm×32cm，实现图像的规范化预处理，保证图像能够正常特征式标识，便于语言处理，并保证图像特征向量维数与输入层的随机单元数相同，输出层的输出单元个数可与待分类数据样本的类别数相同，得到图像的特征向量，采用贪婪无监督学习算法对各层受限玻尔兹曼机进行自底向上的逐层训练，使用无优次的水果签样本集，每次只训练一层受限玻尔兹曼机的方式，并逐层初始化化网络参数，能够尽可能多的保留特征信息，有效克服了由于随机初始化权值参数而导致的训练时间长、局部最优问题，使用训练样本对深度信念网络模型进行无监督预训练，输出经训练后提取的训练样本的特征向量，将训练后深度信念网络输出水果图像特征向量，能够充分提取水果图像特征，实现优次水果分类识别输出，将水果图像特征向量输入支持向量机的svm分类器进行训练，得到优、次水果两种分类识别输出的相应svm参数，完成最终网络模型的训练将训练后深度信念网络输出作为支持向量机分类器的输入，对分类器的进行训练，并得到相应的分类器参数，将待分级的水果放置在输送流水线上，输送流水线输送水果的速度为6m/分钟，以均匀的速度运行，实现对水果的稳速输送，便于筛分作业，通过安装在工控机上训练后的分类器通过进行优次水果的识别结果输出，工控机上控制单元接受分类结果输出信息，通过控制指令对水果进行分类操作，将水果分类到相应等级的出果口中，保证对水果的分级筛选。
本发明好处：能够有效的将水果按优劣品质逐级筛选出来，能够有效的降低人工成本，能够充分提取水果图像特征，实现优次水果分类识别输出，可以确保特征向量在映射到不同特征空间时，能够尽可能多的保留特征信息，有效克服了由于随机初始化权值参数而导致的训练时间长、局部最优问题，从而有效逐级区分优质和劣质水果，可靠性高，筛选准确性高。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
1.一种基于无监督深度学习的水果分级筛选方法，其特征在于，包括以下步骤：
s1)水果图像采集：通过ccd摄像头和dsp视频处理系统构成的机器采集模块采集等预设量不同外部特征规格的样本水果的图片；
s2)水果图像预处理：对每张图片进行中心化和尺寸标准化的归一化处理预处理操作，对原始图像进行滤波处理，通过中值滤波实现图像去噪，以减小原始图像的噪声，对滤波后的图像进行灰度化，每张图像均被处理为大小为32cm×32cm，并保证图像特征向量维数与输入层的随机单元数相同，输出层的输出单元个数可与待分类数据样本的类别数相同，得到图像的特征向量；
s3)无监督训练：采用贪婪无监督学习算法对各层受限玻尔兹曼机进行自底向上的逐层训练，使用无优次的水果签样本集，每次只训练一层受限玻尔兹曼机的方式，并逐层初始化化网络参数，使用训练样本对深度信念网络模型进行无监督预训练，输出经训练后提取的训练样本的特征向量；
s4)分类器训练：将训练后深度信念网络输出水果图像特征向量，将水果图像特征向量输入支持向量机的svm分类器进行训练，得到优、次水果两种分类识别输出的相应svm参数，完成最终网络模型的训练将训练后深度信念网络输出作为支持向量机分类器的输入，对分类器的进行训练，并得到相应的分类器参数；
s5)分级筛选：将待分级的水果放置在输送流水线上，以均匀的速度运行，通过安装在工控机上训练后的分类器通过进行优次水果的识别结果输出，工控机上控制单元接受分类结果输出信息，通过控制指令对水果进行分类操作，将水果分类到相应等级的出果口中。
2.根据权利要求1所述的一种基于无监督深度学习的水果分级筛选方法，其特征在于：所述输送流水线输送水果的速度为2-6m/分钟。
技术总结