高速綠通鮮活農產品智能識別系統(tǒng)

摘 要：我國針對農產品運輸現(xiàn)狀，出臺了鮮活農產品運輸“綠色通道”政策，明確規(guī)定對合法整車裝載鮮活農產品的車輛免收通行費。在該背景下，設計了一種面向高速綠通鮮活農產品的智能識別手持系統(tǒng)。該系統(tǒng)基于輕量級MobileNetV3神經網絡，采用分層神經網絡識別技術實現(xiàn)對高速綠通鮮活農產品的有效識別。利用ESP32-CAM芯片與OV2640攝像頭模組進行圖片采集，通過TCP-IP協(xié)議與Socket套接字技術進行數(shù)據(jù)通信，實現(xiàn)了在手持設備上實時判斷并顯示高速綠通鮮活農產品分類情況。系統(tǒng)利用輕量級網絡與OpenCV實現(xiàn)圖片的識別與處理。相較于傳統(tǒng)方法，該系統(tǒng)所需的模型參數(shù)更少，識別準確率更高，響應速度更快。經多次實驗驗證，該系統(tǒng)可以有效地區(qū)分各類高速綠通鮮活農產品，實現(xiàn)對高速綠通鮮活農產品的智能識別，具有極為廣闊的應用前景。

關鍵詞：智能識別系統(tǒng)；鮮活農產品識別；分層神經網絡；輕量級神經網絡；OpenCV；圖片識別

中圖分類號：TP27；TP393 文獻標識碼：A 文章編號：2095-1302（2025）03-00-04

0 引 言

隨著農業(yè)的快速發(fā)展，我國針對農產品運輸現(xiàn)狀，出臺了鮮活農產品運輸“綠色通道”政策，助力推進高速“綠色通道”建設，全面落實對鮮活農產品運輸車輛免收通行費的政策[1]。盡管國家對于高速綠通鮮活農產品運輸車輛通行費的減免政策日益完善，但仍存在操作流程缺乏統(tǒng)一性、目錄解讀存在差異性、查驗效率低下以及社會輿論壓力較大等問題[2]。在此背景下，隨著智能識別技術與神經網絡技術的發(fā)展，高速綠通鮮活農產品智能識別系統(tǒng)應運而生。隨著國家優(yōu)惠政策的全面推動與落實，社會對于科學統(tǒng)一的目錄解讀標準和自動化輔助識別綠通鮮活農產品的需求愈發(fā)迫切，相關產品的設計已成為當務之急。

本文采用輕量級MobileNetV3神經網絡為基礎，搭建分層神經網絡，能夠實現(xiàn)對22大類、166小類鮮活農產品的精準識別與檢測，并將檢測的結果進行可視化顯示。該系統(tǒng)集高速綠通鮮活農產品的采集、批處理、識別與可視化顯示功能于一體，是一款多功能自動化嵌入式系統(tǒng)。相較于傳統(tǒng)的大模型圖片識別系統(tǒng)，本系統(tǒng)采用了輕量級神經網絡，參數(shù)量更小，不僅保證了識別準確率，還實現(xiàn)了更快的識別速度，更加適合嵌入式系統(tǒng)的應用。該系統(tǒng)準確率高、實用性強，能夠為高速收費站工作人員提供準確、快速的智能識別結果。本系統(tǒng)的推出將有力推動鮮活農產品運輸“綠色通道”的建設，提高農產品綠色運輸?shù)男?，有助于公路運輸體系的逐步完善。同時，確保“綠色通道”政策的嚴格規(guī)范實施，將極大地方便人們的生活，促進農產品的銷售，對提高農民群眾的收入起到很大作用。

1 系統(tǒng)需求分析

1.1 功能需求分析

本系統(tǒng)設計包括六個主要功能模塊，分別實現(xiàn)Web爬蟲爬取數(shù)據(jù)集、OpenCV對獲取的數(shù)據(jù)集進行批處理、訓練MobileNetV3神經網絡、圖片采集、信息交互、可視化等功能。

Web爬蟲爬取數(shù)據(jù)集：通過Web爬蟲技術從百度圖片分別爬取22大類、166小類鮮活農產品圖片。所爬取的圖片將自動存儲于服務器，為后續(xù)的圖片處理流程提供基礎數(shù)據(jù)集。這些數(shù)據(jù)集將作為神經網絡的輸入，用于訓練網絡參數(shù)。

OpenCV對獲取的數(shù)據(jù)集進行批處理：需要將Web爬蟲爬取的圖片統(tǒng)一處理為224×224×3的標準格式，使用有效的插值手段來避免圖片縮放時的失真情況。

訓練MobileNetV3神經網絡：將統(tǒng)一處理后的圖片輸入神經網絡，通過調節(jié)神經網絡的結構模型、損失函數(shù)、優(yōu)化器進行參數(shù)的訓練，并將得到的參數(shù)模型進行保存。在得到所有小類模型后，將小類模型搭建為分層神經網絡以實現(xiàn)圖片的分層識別。

圖片采集：通過驅動攝像頭模組，實時采集待識別的圖片信息，并通過ESP32-CAM將所識別到的圖片上傳至服務器，供服務器識別處理。

信息交互：服務器將接收的圖片輸入神經網絡進行識別并得到結果后，通過Socket套接字將得到的結果回傳至芯片端，以供后續(xù)芯片進行顯示，實現(xiàn)信息的交互。

可視化：在得到服務器回傳的結果后，芯片驅動OLED屏幕將識別的高速鮮活農產品種類信息進行可視化顯示，供高速收費站工作人員查看，實現(xiàn)輔助判斷。

1.2 非功能需求分析

識別準確率需求：通過深度學習與神經網絡算法來保證系統(tǒng)對22大類、166小類高速綠通鮮活農產品識別的準確率。

識別速率需求：通過輕量級神經網絡來控制模型參數(shù)大小，在高速收費站工作人員采集到圖片后快速進行圖片識別與處理，并將識別結果快速返回，減少等待時間。

易用性需求：針對非專業(yè)的使用者（如高速收費站工作人員），系統(tǒng)設計需確保操作便捷、可視化界面友好，同時要求培訓周期短，易于上手使用。

成本需求：鑒于我國高速收費站數(shù)量龐大，對本產品需求量大，系統(tǒng)需具備高性價比，以確保能夠在大范圍內經濟、高效地部署與應用。

2 系統(tǒng)總體設計

高速綠通鮮活農產品的智能識別系統(tǒng)的整體框架如圖1所示。該系統(tǒng)主要由圖片信息采集系統(tǒng)、圖片處理與識別系統(tǒng)、信息交互傳輸系統(tǒng)與可視化顯示系統(tǒng)組成。

圖片信息采集系統(tǒng)主要由ESP32-CAM芯片與OV2640攝像頭模組組成，負責高速綠通鮮活農產品的信息采集；圖片處理與識別系統(tǒng)利用MobileNetV3與OpenCV技術實現(xiàn)對圖片的批處理與識別；信息交互系統(tǒng)通過TCP-IP協(xié)議與Socket套接字技術實現(xiàn)ESP32-CAM芯片與服務器間的交互；可視化顯示系統(tǒng)由ESP32-CAM芯片與SSD1306驅動0.96英寸OLED屏幕進行識別結果的顯示。其中圖片處理與識別技術是本文系統(tǒng)的核心，包括Web爬蟲爬取數(shù)據(jù)集、OpenCV對圖片大小進行重處理、訓練MobileNetV3模型、將待識別的圖片輸入模型并給出比對結果。訓練MobileNetV3模型的主要環(huán)節(jié)有構造數(shù)據(jù)集、根據(jù)數(shù)據(jù)集劃分訓練集與測試集、調制網絡參數(shù)、進行模型訓練、保存訓練結果、根據(jù)結果搭建分層神經網絡，供后續(xù)直接使用。各系統(tǒng)的工作流程如圖2所示。

3 系統(tǒng)關鍵技術與實現(xiàn)

系統(tǒng)實現(xiàn)了圖片采集、圖片處理與識別、信息交互傳輸與可視化顯示等各模塊軟硬件的集成化設計。系統(tǒng)的關鍵技術包括Web爬蟲技術、OpenCV批處理技術、神經網絡技術、攝像頭模組采集信息技術、TCP-IP協(xié)議與Socket套接字技術、可視化顯示技術等。

3.1 Web爬蟲技術

Web爬蟲技術能夠設法讀取網絡中非結構化數(shù)據(jù)，并將其進行結構化保存[3]。通過Python的requests庫進行數(shù)據(jù)集的獲取，通過偽裝headers從百度圖片獲取所需數(shù)據(jù)集的JSON文件，在爬取圖片時尋找網頁之間的刷新規(guī)律為：

pn=pageNumber*30 （1）

即每頁30張圖片，自動進行刷新以獲取新的圖片并對爬取的結果進行解析，獲取其中圖片的URL地址并建立網絡鏈接，最后對網頁數(shù)據(jù)中的目標圖片進行下載管理[4]。

3.2 OpenCV批處理技術

OpenCV在計算機視覺方面表現(xiàn)優(yōu)異，本文系統(tǒng)通過OpenCV庫對Web爬蟲爬取的圖片進行批處理，得到224×224×3的標準JPEG格式圖片。鑒于處理過程中會遇到各種尺寸的圖片，調整圖片尺寸成為必要步驟，這通常需要通過插值處理來實現(xiàn)。但是OpenCV庫提供了強大的resize（）函數(shù)，極大地簡化了這一過程。在選擇插值方式時，為了確保圖片在縮放后既能保持細節(jié)清晰，又能避免失真和鋸齒現(xiàn)象，選用INTER_LANCZOS4的插值方式，即在8×8像素鄰域中使用Lanczos算法進行插值[5]。

3.3 神經網絡技術

卷積神經網絡CNN在圖片智能處理方面表現(xiàn)優(yōu)異，但傳統(tǒng)的卷積神經網絡參數(shù)量大、運算量大、反應時間長，無法在嵌入式設備上運行。為了解決這個問題，研究者們提出了輕量級神經網絡，其中MobileNet網絡表現(xiàn)最佳。MobileNetV3 是由谷歌團隊提出的輕量化網絡模型，其核心思想為深度可分離卷積[6]。

MobileNetV3相較于前一版本使用了一種新的激活函數(shù)：

（2）

使用新的激活函數(shù)來代替ReLU6函數(shù)，與ReLU函數(shù)相比其計算速度更快，對量化過程更友好。

對CNN網絡、GoogleNet網絡與MobileNetV3網絡進行了對比評估，所有網絡均在相同的優(yōu)化器和損失函數(shù)條件下進行測試。通過對比算法準確率、識別速率與模型搭建難度等因素，發(fā)現(xiàn)CNN網絡識別準確率為51.6%，GoogleNet網絡識別準確率為75.2%，MobileNetV3網絡識別準確率為75.4%。準確率曲線如圖3所示，三種網絡不同指標的對比結果見表1。經過全面權衡，最終決定采用MobileNetV3神經網絡作為系統(tǒng)的核心算法。同時，因為高速綠通鮮活農產品的22大類別相較于166種小類別而言，其類間特征差異更為明顯，因此采用分層神經網絡，在訓練時首先訓練各小類模型，其次訓練各大類模型，分別得到模型參數(shù)文件，再由大類至小類搭建網絡模型，實現(xiàn)分層識別，以此增加模型識別的準確率。

在訓練網絡模型過程中，通過自行構建DataSet數(shù)據(jù)集，并將數(shù)據(jù)集中90%的數(shù)據(jù)用來訓練模型，10%的數(shù)據(jù)用來測試。采用隨機生成的方式來劃分訓練集與測試集的DataLoader，設置batch_size為64，進行批處理。隨后，將生成的DataLoader輸入到MobileNetV3網絡模型中，同時選用CrossEntropyLoss作為損失函數(shù)。在優(yōu)化器的選擇中，隨機梯度下降算法SGD與Adam優(yōu)化算法均為較佳算法，故本系統(tǒng)在相同的模型下分別從準確率、梯度下降方式、優(yōu)缺點等方面對比了SGD與Adam優(yōu)化器，具體見表2。

對比結果如圖4所示，SGD優(yōu)化器準確率僅為57.5%，而Adam優(yōu)化器的準確率為75.4%。相較于SGD優(yōu)化器，Adam是一種自適應學習率的優(yōu)化算法，結合了一階動量與二階動量。因此Adam優(yōu)化器無疑是一種更優(yōu)的選擇。

3.4 攝像頭模組采集信息技術

ESP32是一款支持2.4 GHz WiFi連接的芯片，具備功耗低、穩(wěn)定性強的優(yōu)點，適用于各種應用場景[7]。而ESP32-CAM則是一個集成了小尺寸攝像頭模組的解決方案，通過外接OV2640攝像頭模組，用戶可以在Arduino IDE中輕松選擇適配的開發(fā)板和端口。編寫Arduino代碼，借助ESP32提供的豐富庫函數(shù)來控制攝像頭，實現(xiàn)拍照和視頻流傳輸?shù)裙δ?。在配置好WiFi網絡后，ESP32-CAM能夠實現(xiàn)對高速綠色通道中鮮活農產品信息的實時采集與傳輸。

3.5 TCP-IP協(xié)議與Socket套接字技術

Sockets是一組專為用戶設計的接口，用于實現(xiàn)信息交換[8]。在信息交換過程中，服務器會建立一個Socket套接字，用于監(jiān)聽特定的網絡地址。與此同時，客戶端ESP32-CAM芯片也會建立一個套接字并與服務器連接。連接成功后，ESP32-CAM芯片通過該連接向服務器發(fā)送高速綠通鮮活農產品的圖片。服務器將接收到的圖片輸入至分層神經網絡中進行識別，將識別的結果再次通過Socket套接字傳輸至ESP32-CAM芯片，由此完成信息交互[9]。

3.6 可視化顯示技術

可視化顯示技術主要通過ESP32-CAM芯片驅動一塊 0.96英寸的SSD1306 OLED顯示屏來實現(xiàn)。ESP32-CAM芯片在接收到服務器回傳的識別結果的套接字后，通過使用SSD1306驅動的增強固件及字庫來實現(xiàn)漢字的顯示[10]，以供高速收費站工作人員進行輔助判斷。

4 結 語

本文提出了一種基于輕量級MobileNetV3神經網絡的高速綠通鮮活農產品識別系統(tǒng)，旨在輔助解決在執(zhí)行“綠色通道”政策時所存在的目錄解讀不一致、查驗效率不高、社會輿論對于查驗結果不滿等問題。借助本產品，高速收費站工作人員可以更加高效、準確地辨別鮮活農產品的具體種類，同時有利于提高社會輿論對查驗結果的認可性，彌補了傳統(tǒng)檢查中的不足，進一步助力落實國家鮮活農產品運輸“綠色通道”政策。當然，此高速綠通鮮活農產品識別系統(tǒng)中還存在不足，但是隨著科學技術的發(fā)展，高速綠通鮮活農產品識別系統(tǒng)將會更加智能與普及。

注：本文通訊作者為齊錦。

參考文獻

[1] 高文，郭詩瑀. 促進鮮活農產品產銷對接" 保障“菜籃子”市場供應[N]. 農民日報，2023-02-01（002）.

[2] 王鑫.基于數(shù)據(jù)服務體系的高速公路綠色通道智能檢測系統(tǒng)研究[J].自動化與儀器儀表，2021（10）：1-4.

[3] 秦雅琴，馬玲玲.網絡爬蟲技術在交通信息獲取中的應用綜述[J].武漢理工大學學報：交通科學與工程版，2020，44（3）：456-461.

[4] ABUKAUSAR M， DHAKA V S， SINGH S K.Web crawler： a review [J]. International journal of computer applications， 2013， 63（2）： 31-36.

[5] 鮑雪.圖像縮放失真抑制技術與分類算法研究[D].哈爾濱：哈爾濱理工大學，2021.

[6] HOWARD A， SANDLER M， CHEN B. Searching for MobileNetV3 [C]// 2019 IEEE/CVF International Conference on Computer Vision （ICCV）. Seoul， South Korea： IEEE， 2019.

[7] Espressif Systems. ESP32硬件設計指南[EB/OL].[2022-01-13].https：//www.espressif.com.cn/sites/default/files/documentation/esp32_hardware_design_guidelines_cn.pdf.

[8] 王豐茂，吳戀，王雪，等.基于人工智能的果蔬識別及種植指導系統(tǒng)[J].物聯(lián)網技術，2024，14（3）：98-101.

[9] 肖美華，余立全，肖攀. Socket通信程序模型抽取及可靠性驗證[J].計算機科學，2012，39（11）：102-105.

[10]孫國祥，蔡嘉奇，周新竹，等.基于陣列式ESP32-CAM的番茄根系表型原位測量方法[J].農業(yè)工程學報，2023（18）：172-182.