果蔬新鲜度识别分类-人工智能毕设

毕设论文辅导

1779人浏览 · 2025-09-04 17:22:02

毕设论文辅导 · 2025-09-04 17:22:02 发布

大家好，我是B站的UP主：我喜欢吃小熊饼干。我在CSDN会写一些文章介绍我做的项目，这些项目我都录制了详细的讲解视频（约4-6个小时的内容量），讲解基础知识，环境配置，代码使用等内容。

详细了解请移步：

详细讲解视频-我喜欢吃小熊饼干的个人主页-哔哩哔哩视频https://space.bilibili.com/284801305

几分钟快速预览项目效果的演示视频：

【计算机毕设】基于深度学习的果蔬新鲜度识别分类【水果蔬菜新鲜度】【CNN】【Transformer】【卷积神经网络】

详细的讲解视频合集：

合集第一集：主要讲对整个教程的介绍，深度学习项目的基本做法和基本概念。然后介绍具体该项目的基本做法。如何去扩张项目，增加更多的内容。（这里不会涉及到代码，纯从项目的做法的角度，以PPT讲解的方式带大家入门，建立深度学习的基本概念）
合集第二集：毕设选题指导，毕设服务等内容
合集第三集：从代码使用和演示的角度，介绍项目的内容。科普深度学习环境配置的知识，如何配置项目，如何使用项目，更换数据集训练，完成特定的课题。
合集第四集：讲解文档相关的内容，开题报告、开题ppt、开题答辩，论文写作，论文答辩等

第一集和第三集比较重要，可以整体看下这两个视频。

下面我用文字介绍一下项目的内容

项目的背景意义：

果蔬作为居民日常膳食中维生素、膳食纤维的主要来源，在我国年总产量超 5 亿吨，涵盖数百种品类，既是保障民生的基础农产品，也是农户增收、农业经济发展的重要支柱。然而，果蔬因含水量高、易腐烂的特性，在 “采摘 - 仓储 - 运输 - 零售” 全链条中面临严重的新鲜度损耗问题 —— 我国果蔬流通损耗率长期维持在 15%-25%，远超发达国家 5% 以下的水平，每年因新鲜度下降导致的浪费超 8000 万吨，直接经济损失达千亿元。这一问题的根源，在于传统新鲜度判断依赖人工经验，存在显著局限：在采摘端，农户凭肉眼观察果实色泽、硬度判断成熟度，易误采未成熟或过熟果蔬，前者货架期短，后者易在运输中腐烂；在仓储运输环节，工作人员难以实时监测批量果蔬的新鲜度变化，无法及时分拣变质个体，导致 “一颗腐烂污染一批”；在零售端，销售人员对新鲜度的分级标准主观模糊，既可能将轻微变质的果蔬混入正常商品，损害消费者健康，也可能误判尚在保质期内的果蔬为变质品，造成不必要的浪费。

从消费端来看，随着健康意识提升，消费者对果蔬新鲜度、安全性的要求愈发严格，但自身缺乏专业判断能力 —— 仅凭外观难以识别果蔬内部霉变（如苹果心腐、胡萝卜内部糠心）或早期腐烂迹象，易购买到 “金玉其外败絮其中” 的产品，既造成经济损失，还可能引发肠胃不适等健康风险。据调研，超 65% 的消费者曾因误判果蔬新鲜度遭遇消费纠纷，近 40% 的消费者愿为 “新鲜度可量化、可追溯” 的果蔬支付 10%-20% 的溢价，凸显市场对精准新鲜度识别的迫切需求。

果蔬新鲜度识别分类图像分类项目依托计算机视觉、深度学习技术，突破人工判断的局限：通过高清图像采集果蔬的外观特征（果皮色泽变化、果斑数量、叶片萎蔫程度）、纹理特征（表皮褶皱密度、果肉质地纹理）及细微变化（如霉点初期色泽、果柄枯萎程度），结合多维度特征模型分析，可实现对 30 种以上常见果蔬（如苹果、草莓、生菜、番茄）新鲜度的精准分级（如新鲜、轻度失鲜、中度变质、严重腐烂），识别准确率超 97%，单张图像分析耗时不足 1 秒，且能捕捉肉眼难以察觉的早期变质迹象（如直径 0.5 毫米以下的霉点）。这一技术突破可贯穿产业全链条：在采摘端，帮助农户科学判断最佳采摘时机，减少未熟 / 过熟果蔬比例；在仓储运输环节，嵌入智能分拣设备可实时筛选变质果蔬，降低批量污染风险，将流通损耗率降低 8%-12%；在零售端，通过智能秤、自助终端等载体，为消费者直观展示果蔬新鲜度等级，提升消费信任；在冷链物流中，结合图像识别与温湿度监测数据，可追溯新鲜度下降的关键节点，优化物流方案。

此外，项目成果还可拓展至更多场景：在社区团购领域，通过图像识别确认果蔬新鲜度，减少售后纠纷；在食品加工行业，精准筛选符合新鲜度标准的原料，保障产品质量；在海关检疫环节，快速识别进口果蔬的新鲜度，防范变质果蔬入境。从长远来看，该技术不仅能减少果蔬资源浪费、降低产业成本、守护消费者健康，还能推动果蔬产业从 “经验化新鲜度管理” 向 “数据化精准管控” 转型，为农产品品质升级提供技术支撑，对助力农业绿色可持续发展、提升我国果蔬产业国际竞争力具有重要现实意义。

项目的技术路线图

项目的数据集信息如下：

项目里实现了9种常见的模型，包括：

CNN架构的模型：

1.AlexNet

2.VGG

3.ResNet

4.MobileNet

5.DenseNet

6.ConvNeXt

7.ShuffleNet

Transformer架构的模型：

8. Swin_Transformer

9. VIT

在我的设计的项目里，一般结构如下：

model.py: 定义模型结构

train.py：训练模型

csv文件夹里是每次训练模型生成的日志文件

logs文件夹里是TensorBoard的日志文件

weights文件夹里存储最终训练得到的模型。

举例子，ResNet模型的核心代码如下（其他模型类似，不在赘述）：

class BasicBlock(nn.Module):
    expansion = 1

    def __init__(self, in_channel, out_channel, stride=1, downsample=None, **kwargs):
        super(BasicBlock, self).__init__()
        self.conv1 = nn.Conv2d(in_channels=in_channel, out_channels=out_channel,
                               kernel_size=3, stride=stride, padding=1, bias=False)
        self.bn1 = nn.BatchNorm2d(out_channel)
        self.relu = nn.ReLU()
        self.conv2 = nn.Conv2d(in_channels=out_channel, out_channels=out_channel,
                               kernel_size=3, stride=1, padding=1, bias=False)
        self.bn2 = nn.BatchNorm2d(out_channel)
        self.downsample = downsample

    def forward(self, x):
        identity = x
        if self.downsample is not None:
            identity = self.downsample(x)

        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu(out)

        out = self.conv2(out)
        out = self.bn2(out)

        out += identity
        out = self.relu(out)

        return out


class Bottleneck(nn.Module):
    expansion = 4

    def __init__(self, in_channel, out_channel, stride=1, downsample=None,
                 groups=1, width_per_group=64):
        super(Bottleneck, self).__init__()

        width = int(out_channel * (width_per_group / 64.)) * groups

        self.conv1 = nn.Conv2d(in_channels=in_channel, out_channels=width,
                               kernel_size=1, stride=1, bias=False)  # squeeze channels
        self.bn1 = nn.BatchNorm2d(width)
        # -----------------------------------------
        self.conv2 = nn.Conv2d(in_channels=width, out_channels=width, groups=groups,
                               kernel_size=3, stride=stride, bias=False, padding=1)
        self.bn2 = nn.BatchNorm2d(width)
        # -----------------------------------------
        self.conv3 = nn.Conv2d(in_channels=width, out_channels=out_channel*self.expansion,
                               kernel_size=1, stride=1, bias=False)  # unsqueeze channels
        self.bn3 = nn.BatchNorm2d(out_channel*self.expansion)
        self.relu = nn.ReLU(inplace=True)
        self.downsample = downsample

    def forward(self, x):
        identity = x
        if self.downsample is not None:
            identity = self.downsample(x)

        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu(out)

        out = self.conv2(out)
        out = self.bn2(out)
        out = self.relu(out)

        out = self.conv3(out)
        out = self.bn3(out)

        out += identity
        out = self.relu(out)

        return out


class ResNet(nn.Module):

    def __init__(self,
                 block,
                 blocks_num,
                 num_classes=1000,
                 include_top=True,
                 groups=1,
                 width_per_group=64):
        super(ResNet, self).__init__()
        self.include_top = include_top
        self.in_channel = 64

        self.groups = groups
        self.width_per_group = width_per_group

        self.conv1 = nn.Conv2d(3, self.in_channel, kernel_size=7, stride=2,
                               padding=3, bias=False)
        self.bn1 = nn.BatchNorm2d(self.in_channel)
        self.relu = nn.ReLU(inplace=True)
        self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1)
        self.layer1 = self._make_layer(block, 64, blocks_num[0])
        self.layer2 = self._make_layer(block, 128, blocks_num[1], stride=2)
        self.layer3 = self._make_layer(block, 256, blocks_num[2], stride=2)
        self.layer4 = self._make_layer(block, 512, blocks_num[3], stride=2)
        if self.include_top:
            self.avgpool = nn.AdaptiveAvgPool2d((1, 1))  # output size = (1, 1)
            self.fc = nn.Linear(512 * block.expansion, num_classes)

        for m in self.modules():
            if isinstance(m, nn.Conv2d):
                nn.init.kaiming_normal_(m.weight, mode='fan_out', nonlinearity='relu')

    def _make_layer(self, block, channel, block_num, stride=1):
        downsample = None
        if stride != 1 or self.in_channel != channel * block.expansion:
            downsample = nn.Sequential(
                nn.Conv2d(self.in_channel, channel * block.expansion, kernel_size=1, stride=stride, bias=False),
                nn.BatchNorm2d(channel * block.expansion))

        layers = []
        layers.append(block(self.in_channel,
                            channel,
                            downsample=downsample,
                            stride=stride,
                            groups=self.groups,
                            width_per_group=self.width_per_group))
        self.in_channel = channel * block.expansion

        for _ in range(1, block_num):
            layers.append(block(self.in_channel,
                                channel,
                                groups=self.groups,
                                width_per_group=self.width_per_group))

        return nn.Sequential(*layers)

    def forward(self, x):
        x = self.conv1(x)
        x = self.bn1(x)
        x = self.relu(x)
        x = self.maxpool(x)

        x = self.layer1(x)
        x = self.layer2(x)
        x = self.layer3(x)
        x = self.layer4(x)

        if self.include_top:
            x = self.avgpool(x)
            x = torch.flatten(x, 1)
            x = self.fc(x)

        return x

并且项目对模型进行了优化改进，改进的内容是增加CBAM注意力机制，项目里可以实现对以上任意一种模型增加CBAM注意力机制。

常见的做法是先选择2-4种候选模型（9种模型都用有点多，推荐选部分你喜欢的模型）做对比实验，选出性能最好的模型，在最优的模型的基础上，进一步增加cbam注意力机制，进行优化改进。如果老师要求高，可以在进一步做消融实验（即模型改进优化前后的对比实验）。

CBAM机制的核心代码如下：

# CBAM 注意力模块实现 (可复用)
class CBAM(nn.Module):
    def __init__(self, channels: int, reduction_ratio: int = 16, kernel_size: int = 7):
        super(CBAM, self).__init__()
        # 通道注意力
        self.channel_att = nn.Sequential(
            nn.AdaptiveAvgPool2d(1),
            nn.Conv2d(channels, channels // reduction_ratio, kernel_size=1, bias=False),
            nn.ReLU(inplace=True),
            nn.Conv2d(channels // reduction_ratio, channels, kernel_size=1, bias=False),
            nn.Sigmoid()
        )

        # 空间注意力
        self.spatial_att = nn.Sequential(
            nn.Conv2d(2, 1, kernel_size=kernel_size, padding=kernel_size // 2, bias=False),
            nn.Sigmoid()
        )

    def forward(self, x: torch.Tensor) -> torch.Tensor:
        # 通道注意力
        channel_att = self.channel_att(x)
        x_channel = x * channel_att

        # 空间注意力
        max_pool = torch.max(x_channel, dim=1, keepdim=True)[0]
        avg_pool = torch.mean(x_channel, dim=1, keepdim=True)
        spatial_att = self.spatial_att(torch.cat([max_pool, avg_pool], dim=1))
        x_out = x_channel * spatial_att

        return x_out

CBAM结构的示意图如下：

CBAM注意力机制是一种用于前馈卷积神经网络的简单而有效的注意力模块。给定一个中间特征图，CBAM模块会沿着两个独立的维度（通道和空间）依次推断注意力图，然后将注意力图与输入特征图相乘以进行自适应特征优化。由于CBAM是轻量级的通用模块，因此可以忽略的该模块的开销而将其无缝集成到任何CNN架构中，并且可以与基础CNN一起进行端到端训练。

首先，输入是一个中间特征图，将特征图输入至Channel Attention Module 获取通道注意力，然后将注意力权重作用于中间特征图。

然后，将施加通道注意力的特征图输入至Spatial Attention Module 获取空间注意力，然后将注意力权重作用到特征图上。

最终，经过这两个注意力模块的串行操作，最初的特征图就经过了通道和空间两个注意力机制的处理，自适应细化特征。