翟超飞，马宇亮，赵德金

（延边大学工学院，吉林 延边 133000）

0 引言

近年来，卷积神经网络(CNN)发展迅速，极大地推动了计算机视觉领域的前进步伐。通过局部连接和共享权值，卷积神经网络不仅降低了权值的数目，也出色地减少了过拟合现象[1]。凭借泛化能力优异这一特点，卷积神经网络广泛应用于物品分类、目标检测、目标识别等。与全连接网络比较，卷积神经网络减少了参数量，可以预防过拟合，且拥有平移不变性，在输入的图像为多维时，此图像能够直接成为网络的输入。近年来，水果分类领域涌现了许多机器学习技术，但其大多在特征选取与图像的预处理阶段进行了复杂耗时的工作[2]。和传统的图像识别技术相比，卷积神经网络具有不俗的容错率、杰出的并行处理能力以及强大的自学能力，并且自适应性能好，分辨率优异[3]。本文利用卷积神经网络提出了一个对苹果、香蕉、柠檬、西瓜、橘子进行识别的卷积模型。

1 用于水果识别的神经网络结构

1.1 模型选择

如图1为经典的LeNet-5的模型结构，共由2个卷积层、2个池化层与3个全连接层组成，且每个特征平面共用一组权值。

图1 LeNet-5 模型结构

由于数据量较小，本文卷积神经网络结构在借鉴LeNet模型的基础上，采用2 个卷积层、2 个池化层、2 个全连接层以及一个Softmax 层和激活函数（ReLU）构成[4]。输入图片大小为100×100，通道数为3。第一层卷积层Conv1 采用5×5 的卷积核，步长为1，紧跟着最大池化层进行下采样，步长为2，第二层卷积层Conv1 采用3×3 的卷积核，步长为1，紧跟着最大池化层，步长为2，池化之后将数据压平，通过两个神经元数分别为1 024、256 的全连接层，再通过Softmax 层输出类别，以实现水果的分类。……