董进华　郑力新

【摘 要】针对传统农业人工分拣金针菇造成的低效率与成本高的问题，设计一个架设在OpenVINO平台加速推理CNN网络分类的在线分拣系统，弥补农产品（金针菇）分拣在视觉检测上的缺口。通过测试表明，该系统具备农产品分拣的准确性和实时性，具有良好的应用场景。

【关键词】CNN;OpenVINO;金针菇;分类

中图分类号： TS201.2文献标识码： A文章编号： 2095-2457（2019）29-0078-002

DOI：10.19694/j.cnki.issn2095-2457.2019.29.035

Accelerating CNN Classification Based on OpenVINO

DONG Jin-hua1，2 ZHENG Li-xin*1，2

（1.College of Engineering， Huaqiao University， Quanzhou Fujian 362021， China;

2.Industrial Intelligence and System Research center of  Huaqiao University， Quanzhou Fujian 362021， China）

【Abstract】In order to solve the problem of low efficiency and high cost caused by traditional agricultural manual sorting of Enoki Mushroom， an online sorting system based on OpenVINO accelerated reasoning CNN classification was designed to make up for the gap in visual inspection of agricultural products （Enoki Mushroom） sorting. The test results show that the system has the accuracy and real-time of agricultural products sorting， and has a good application scenario.

【Key words】CNN; OpenVINO; Enoki Mushroom; Classification

0 引言

在中国这样一个农业大国，农业是主要生产力之一。农业生产的自动化将有助于优化农产品的产量，确保可持续的生产力[1]。金针菇是国内四大主要食用菌品种之一，随着生产力的发展，针对金针菇分拣阶段还处于人工挑选，耗费人力和资源，对于企业而言，人工挑选带来的成本不可估量。因此，对于金针菇分拣已成为生物科技企业的业内难题[2]。

农产品生长特性的不确定性，传统特征融合机器学习的方法在农产品检测中经常出现检测不准确[3]。卷积神经网络（CNN）对图像的分类准确性和泛化能力已经高于传统算法，但是CNN网络参数庞大，运行速度慢，因此保证检测速度和降低开发成本是十分必要的。

本文构建一个基于OpenVINO加速模型推理，CNN为特征骨干网络的检测模型，最终使用OpenCV框架实现分拣模型。

1 基于OpenVINO的CNN模型方法

LeNet和AlexNet是卷板网络（CNN）的开山里程碑[4]，其网络定义了CNN基本架构：卷积层、池化层、全连接等，如图1展示。在之后的网络模型的改進无不是由此得到的启发。

1.1 CNN框架

卷积神经网络的学习过程如下图所示。

图1 简易CNN示意图

本文使用的13层CNN框架如下描述：

1.1.1 输入

Input层：以32×32×3的RGB样本作为输入

1.1.2 隐藏层

隐藏层包含8层，由卷积层（C）和池化层（S）混合构成。

1.1.3 输出层

输出包含4个网络层，2个全连接（F）、1个Softmax层和分类结果。

在CNN模型构建之后，为提高网络的泛化能力，需要对样本进行相应的图像增强[5]。

1.2 OpenVINO

OpenVINO整合OpenCV、OpenVX、OpenCL等[7]，该工具包可以通过基于Intel CPU及核显Integrated GPU加速芯片。OpenVINO工具包运行架构如图2。

图2 OpenVINO核心组件图

2 实验

2.1 实验数据

样本由江苏省华绿科技有限公司提供采集，该数据有10000张金针菇菇帽几个生长状态，对其金针菇菇帽裁剪菇帽尺寸在56*56*3左右。

图3 金针菇菇帽分类网络模型图

2.2 实验步骤

神经网络通过多通道并行训练提高识别精度。本文检测算法由三个部分组成。

a.收集的图片，将金针菇分为4种人工确定的生长状态图片。

b.将图像进行增强算法。

c.样本发送到经过训练的分类模型，对所有图像进行分类。

d.IR模型转换并使用OpenCV对其端口调用和检测。分类网络的模型图如图3。

2.3 实验结果

实验模型的最终的分类准确率如下表1所示，每一类别测试达较高准确率，其平均准确率达98.35%。

表1 模型识别准确率結果

在评估检测速度结果中，本文采用三种对比形式，分别为GPU（1080Ti）、CPU（intel core i5-8500@3.00GHz）和OpenVINO平台部署+CPU（i5-8500@3.00GHz）。统计单张样本1024*1280*3（切割为多张图32*32*3作为输入）的帧率，如图4。

在CPU平台上检测速度基本很慢，一批次样本输入基本在1秒2张左右，通过OpenVINO加速下虽然达

不到GPU的运行速度但是较单独CPU平台提高了近6倍。

图4 不同平台检测帧率FPS（帧/秒）对比图

3 结论

基于深度学习的研究已经成为当今人工智能领域的热门方向，越来越多的科研人员将目光锁定在深度学习的研究和应用上。其中卷积神经网络（CNN）作为一种受欢迎的深度学习框架，在图像识别和图像分类方面的优势也越来越明显。农产品品质检测是一种图像识别应用，本文提出使用CNN作为农产品检测的特征骨干网络具有高准确性，对于减少人工分拣降低人力成本具有重要意义，模型架设在OpenVINO的平台加速可以满足实际生产中的应用的成本需求，为企业节省了一大笔经济开支。

【参考文献】

[1]Pretty J， Sutherland W J， Ashby J. The top 100 questions of importance to the future of global agriculture[J]. International journal of agricultural sustainability， 2010， 8（4）， pp： 219-236.

[2]郑远攀，李广阳，李晔.深度学习在图像识别中的应用研究综述[J].计算机工程与应用，2019，55（12）：20-36.

[3]王振，张善文，赵保平.基于级联卷积神经网络的作物病害叶片分割[J/OL].计算机工程与应用：1-12[2019-08-20].

[4]Sladojevic S， Arsenovic M， Anderla A. Deep neural networks based recognition of plant diseases by leaf image classification[J].Computational intelligence and neuroscience， 2016.

[5]杨成香. 金针菇优良菌株的筛选及遗传多样性分析[D].南京农业大学，2007.

[6]Kim S C， Kang T J. Texture classification and segmentation using wavelet packet frame and Gaussian mixture model[J]. Pattern Recognition， 2007， 40（4）， pp. 1207-1221.

[7]英特尔OpenVINO工具包为创新智能视觉提供更多可能[J].中国信息化，2018（08）：51.

[8]陈铂垒.基于树莓派和神经计算棒的智能家居机器人[J].单片机与嵌入式系统应用，2019，19（07）：56-59+64.

[9]Li C， Cao Q， Guo F. A method for color classification of fruits based on machine vision[J]. WSEAS Transactions on Systems， 2009， 8（2）， pp. 312-321.