进行苹果、香蕉、橙子的水果识别用于测试的VOC数据集仅300张图片，大部分的图片背景为白色，有少部分的背景干扰，有需要的可以下载测试。

1、yolo算法4类水果检测数据集，类别为香蕉、苹果、橘子、草莓，标签格式为VOC和YOLO两种格式，数据质量高，都是采集真实的各种场景的数据，使用lableimg标注软件标注，标注框质量高 2、 数量： 700+ 3、可以直接用于yolo算法水果识别

这个是水果识别的MATLAB程序,包含HSV非均匀量化,K均值聚类,LBP算子,MBLBP算子,还有粒子群,灰度共生矩阵,以及纹理特征提取.

1、yolov5水果检测，包含yolov5s和yolov5m两种训练好的水果检测权重，目标类别为apple、banana和orange 3个类别，并附有几百张水果数据集 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 3、采用pytrch框架，python代码

深度学习基于卷积神经网络水果识别分类系统源码+演示视频+项目总结ppt。 本项目是一个非常完整的深度学习实践项目。借助AI进行水果分类，可以有效的识别香蕉，苹果，奇异果等水果，并且可以联入互联网进行时间，天气温度，湿度的获取，有效的解放人们双手，有助于科学地贮藏不同种类的水果 水果种类识别 (CNN,3+3) + 联网获取天气，时间数据 + 提供相应水果贮藏建议…… 1.AI功能本地运算，无需借助云端。 2.水果识别准确率较高，系统运行稳定，鲁棒性强。 3.系统可移植性强，应用场景广。 本项目是一个非常完整的深度学习实践项目。借助AI进行水果分类，可以有效的识别香蕉，苹果，奇异果等水果，并且可以联入互联网进行时间，天气温度，湿度的获取，有效的解放人们双手，有助于科学地贮藏不同种类的水果 水果种类识别 (CNN,3+3) + 联网获取天气，时间数据 + 提供相应水果贮藏建议…… 1.AI功能本地运算，无需借助云端。 2.水果识别准确率较高，系统运行稳定，鲁棒性强。 3.系统可移植性强，应用场景广。

1、yolov5水果新鲜程度检测，包含yolov5s和yolov5m两种训练好的水果好坏检测权重，有pyqt界面，目标类别为apple、bad banana、banana和bad apple 共4个类别，并附有几百张水果新鲜程度检测数据集，标签格式为txt和xml两种，分别保存在两个文件夹中 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 3、采用pytrch框架，python代码

1、yolov3水果检测，包含yolov3和yolov3_tiny两种训练好的水果检测权重，目标类别为apple、banana和orange 3个类别，并附有几百张水果数据集 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 3、采用pytrch框架，python代码

包含大部分的水果，总共有几万张图片，每个类别几千张

前端使用uniapp制作 后端使用若依前后端分离框架 检测模型采用VGG、Alexnet 文件包含课程设计报告书、数据库、源码、PPT、演示视频、操作步骤 一、所需软件 1. 识别模块:根据requirements.txt安装依赖包 2. 后端：mysql-8.0.28和Redis 3. pycharm、IDEA、HBuilderX、Navicat 15 for MySQL 二、运行过程 1.安装mysql-8.0.28和Redis 2.运行数据库文件 3.打开Redis和mysql 4.在IDEA打开运行后端文件，记得修改Redis端口和密码和数据库密码和端口号 5.在py运行requests.py文件发送get和put请求（一定要有模型，没有就训练），模型文件在models文件中 6.在HBuilderX打开前端文件，开始运行 7.开始使用

基于BP神经网络的水果识别研究.pdf