轻量级卷积神经网络模型在水果分类中的创新应用与卓越成果

为解决深度学习技术不适用于移动设备等问题，研究人员开展基于 MobilenetV3 的水果分类研究，模型准确率高。

　　在过去几年里，许多深度学习技术被应用于水果分类。然而，这些技术并不适用于移动设备或任何轻量级设备。它们还需要大量的存储空间，并且在多种训练条件下进行训练的成本非常高昂。因此，在不牺牲分类结果的前提下，研究轻量级卷积神经网络（Convolutional Neural Network，CNN）模型具有迫切需求。在这项研究中，研究人员对比了此前研究中应用于水果分类的几种深度学习模型的研究结果。详细讨论了数据集、实际应用和模型架构。此外，研究人员还研究了多种用于水果分类的深度学习方法，并提出了一种基于 MobileNetV3 的超轻量级模型。该模型能够帮助系统聚焦于输入图像的最重要特征。研究人员还使用了 Hard-Swish（H-Swish）函数替代 ReLU6。Swish 函数虽能提升非线性，但对移动相关硬件设备而言效率不高，因此在 MobileNetV3 模型中采用 H-Swish 函数。研究人员提出了一种适用于各类移动应用的非线性函数，并改进了有效的网络偏差架构。所提出的模型在指定数据集上表现出色，且未出现过拟合现象。测试结果显示，该模型在 Fruit360 和真实世界数据集这两个数据集上表现良好，在 Fruit360 数据集上的准确率达到 99.2%，在真实世界数据集上的准确率为 89.3%。