来 晓

（浙江农林大学 信息工程学院，杭州311300）

0 引 言

果蔬农产品种类繁多，对其进行自动分类识别在商品交易智能化以及无人零售推广方面具有重要意义。近年来物联网技术的广泛应用，贸易发展的主要方向趋于商品交易智能化［1］。在新冠病毒疫情影响下，以智能取餐柜为代表的无人零售业率先兴起，国家鼓励全面推行“无接触”服务，无人零售迎来了新的机会，因此亟需设计表征效果更好的果蔬智能分类器，提高果蔬识别的准确率。

近年来，基于深度学习的计算机视觉研究取得了重大的进展。识别任务的成功与否很大程度上取决于能否获得大量的训练样本，标记训练样本是一个昂贵的过程。针对果蔬识别研究，目前大多处于构建数据集、优化分类模型阶段［2］。随着深度学习的不断发展与完善，深度卷积神经网络（Convolutional neural network，CNN）广泛应用于各个领域，尤其是在图像识别、自然语言处理中取得了巨大的成果。深度神经网络相比传统机器学习方法减少了人工干预过程，拥有自主学习特征和表达能力。AlexNet、VggNet16、Inception V3等经典的深度卷积神经网络，通过数据增强、Dropout方法防止过拟合，使模型适应性更强。

本文基于迁移学习方法对深度学习模型进行改进，使用全局池化技术解决全连接问题，在自主构建的F＆V果蔬数据集上进行迁移学习，用较少的计算资源提高模型识别率。针对融合两个库出现的数据不平衡问题，利用模型融合的方法合并果蔬数据集。采用特定……