摘要
图像识别作为计算机视觉任务中比较重要的一部分，其发展一直受到国内外学者的
关注，其中的水果图像识别技术能够促进当代智慧农业与智慧城市的发展，具有很高的
研究价值。目前常用的水果识别方法并不能满足生产生活中快速准确的识别需求，所以
需要研究一种新型的水果图像识别技术。随着近年来深度学习技术的迅猛发展，卷积神
经网络（CNN）在图像识别领域中表现极其出色。因此，本文在深入研究CNN理论的
基础上，将经典的CNN模型应用于水果图像识别中，并根据实际问题优化与改进CNN
模型，以此提高水果识别的性能。本文的主要工作如下：
（1）系统分析了传统水果图像分类与识别方法的基本流程与算法，并使用小规模
水果图像集对这类方法进行了实验测试。实验结果表明，基于机器学习算法的传统水果
图像识别方法的识别效果处于较低水平，需要使用CNN进行进一步的实验。
（2）为了满足CNN模型训练时的数据需求，本文使用数据增强技术与TFRecord
结构扩充并制作了水果图像数据集，用于加速数据读取与模型训练。随后，采用迁移学
习方法对VGG16进行微调并训练，得到的水果识别准确率为97.17%，远高于传统的水
果识别方法。
（3）针对VGG16模型文件过大与识别精度不够高等问题，本文参照VGG结构设
计了一种规模更小的改进CNN模型。经实验验证，这种改进CNN模型的水果识别准确
率为98.13%，相比VGG16模型有所提高，且模型参数更少。
（4）针对传统CNN如VGG普遍存在的模型参数量大、收敛速度慢、训练时间长
等问题，本文设计了一种多尺度CNN模型，并分别从激活函数、权重初始化方法、优
化函数这三方面对模型进行改进与优化。实验结果表明，基于多尺度CNN及其改进模
型的水果识别方法的识别准确率分别为98.27%与98.81%，相比传统CNN有了进一步
的提高。
通过各种实验结果的分析与对比可以看出，基于CNN的水果识别方法的效果要远强
于传统方法，但仍存在一些不足。本文针对这些不足所设计的多尺度CNN在进一步提升
水果识别准确率的同时，大大提高了模型的收敛速度，展现出了基于多尺度CNN的水果
识别技术的强大性能与优越性。
关键词：图像识别水果识别卷积神经网络迁移学习多尺度CNN
KeyWords:imagerecognitionfruitrecognitionconvolutionneuralnetworktransfer
learningmulti-scaleCNN
目录
摘要I
AbstractII
第1章绪论1
1.1课题研究背景与意义1
1.2国内外研究现状3
1.2.1相关技术的研究现状3
1.2.2水果识别的研究现状3
1.3论文研究内容和组织结构5
1.3.1主要研究内容5
1.3.2论文组织结构5
第2章传统的水果图像分类与识别方法7
2.1引言7
2.2HOG特征提取方法7
2.2.1简介7
2.2.2特征提取流程7
2.3特征分类算法10
2.3.1K近邻算法10
2.3.2朴素贝叶斯算法11
2.3.3支持向量机11
2.4相关实验与分析12
2.4.1实验环境12
2.4.2实验过程13
2.4.3实验结果14
2.5本章小结15
第3章卷积神经网络相关理论17
3.1引言17
3.2传统神经网络模型17
3.3卷积神经网络结构19
3.3.1输入层19