基于VGG-16和迁移学习的苹果识别

针对传统苹果识别方法通用性差、识别精度低等问题，提出了一种基于VGG-16的改进模型，并与AlexNet、VGGNet16、GoogleNet等经典模型从训练集、验证集上的精度和损失方面进行对比，发现改进模型不仅比其它经典模型的收敛速度更快而且精度也更高，接近100%。利用改进模型从迁移学习和数据增强技术方面解决了数据集样本有限的问题，结果表明，改进模型结合迁移学习在不同数据集上的表现基本一致，精度方面均可以达到98%以上。实验方法可以应用于工业或者农业领域中的苹果识别和分类，有效地提高生产效益。