摘要：  为提高水果种类识别的准确性，本文提出一种基于优化粒子群结合BP神经网络的识别算法。在算法初期，针对不同种类水果图像样本，借助K均值聚类分割算法，融合彩色信息和灰度信息，完成目标图像的准确分割，提取目标区域在HSV颜色空间下非均匀量化后的颜色特征，使用分块局部二值模式和灰度共生矩阵，分别提取局部和全局纹理特征，并对与粒子群算法（particle swarm optimization，PSO）结合的BP神经网络进行优化，以获得最优的BP神经网络权值和阈值，同时使用分块的LBP算子和GLCM方法，采用Matlab 2017b软件，对苹果、草莓、柠檬3种水果图像局部和整体纹理信息进行提取，并与传统的PSO-BP神经网络、IPSO-BP神经网络及单一BP神经网络训练之后对测试样本的识别相对误差进行比较。研究结果表明，虽然标准PSO-BP算法对图形的分割效率和识别能力不能与深度学习结果相媲美，但在优化后的PSO-BP中，将3种水果识别率与RCNN系列的优化结果相比并不逊色，且与结合ResNet的SSD算法的结果对比中表现出优异性。该算法保证了图像分割目标的完整性，有效控制了整体算法的时间性，提高了识别过程的精确性。该研究对水果识别精度的提高具有重要的应用价值。

关键词：  水果识别; K均值算法; 粒子群算法; 图像分割; 神经网络

中图分类号： TP391.413  文献标识码： A

在落实“互联网+农业”战略和智慧农业改革的背景下，传统农业与高新技术融合已成为发展趋势。水果产业是农业重要组成部分，对水果实现高效快捷的智能识别分类具有深远意义，融入图像识别技术可减少劳动力消耗，且高识别率和短周期有利于水果分类储存与保鲜。……