本研究中使用的数据库包括44406张水果图像，我们在6个月的时间内收集了这些图像。我们在实验室环境中在下面提到的不同场景下拍摄的图像。我们在清晰的背景上拍摄了所有图像，分辨率为320×258像素。我们使用高清罗技网络摄像头拍摄照片。在收集这个数据库的过程中，我们创建了各种各样的挑战，这些挑战是我们在超市和水果店的真实识别场景中必须面对的，例如光、阴影、阳光、姿势变化，为了使我们的模型对光照变化、相机捕获伪影、镜面反射阴影和阴影具有鲁棒性，可能有必要应对这些变化。我们测试了我们的模型在所有场景中的鲁棒性，它表现得非常好。

Folder structure

有15种不同的水果，包括44406张图像。针对15个不同类别，我们的数据集中有15个文件夹，它们的水果子类别保存在子文件夹中，比如
对于苹果，有一个文件夹，在主文件夹中有六个子文件夹用于子类别。所有水果的子类别都存在于其相关子文件夹中

Data collection

本研究中使用的数据库包括44406张水果图像，我们收集了这些图像6个月内。在我们实验室的不同环境下拍摄的图像我们在下面提到的场景。我们用清晰的背景拍摄了所有图像分辨率为320×258像素。我们使用高清罗技网络摄像头拍摄照片。在期间收集这个数据库，我们创造了各种各样的挑战，这是我们在现实世界中必须面对的超市和水果店中的识别场景，如光、影、阳光、姿势变化，为了使我们的模型鲁棒，可能需要处理照明变化、相机捕捉瑕疵、镜面反射着色和阴影。我们测试了我们的该模型在所有场景中都具有健壮性，并且性能非常好。
所有图像都存储在RGB颜色空间中，每个通道8位。这些图像是在一天的不同时间和不同日期为同一类别收集。这些特性增加了数据集的可变性，并代表了更真实的场景。图像已经质量和照明有很大差异。照明是图像中的变化之一。事实上光照可以使同一水果的两个图像与不同种类的两个图片相比不太相似水果。我们使用了自己的智能称重机和相机来拍摄所有图像。水果数据集是在相对不受约束的条件下收集的。还有图像打开房间灯，关闭房间灯，移动相机和智能体重计靠近我们实验室窗户的地方比开着的窗户、关着的窗户和开着的窗帘，关闭窗帘。对于超市中的实际应用程序，可能需要处理照明变化、相机捕捉瑕疵、镜面反射着色和阴影。以下是我们在收集数据集期间考虑的几个条件。

1、不同种类水果的姿势变化
2、水果元素数量的变异性
3、使用高清摄像头拍摄500万像素快照
4、颜色相同但类别不同且光照变化的水果图像
5、裁剪和部分遮挡
6、不同颜色的同类水果图像
7、不同的照明条件（例如荧光灯、自然光、一些水果店
8、超市没有阳光，因此很容易影响识别系统
9、六种不同类型的苹果水果图像
10、具有镜面反射阴影和阴影的三类芒果
11、三类猕猴桃图像
12、自然和人工照明对图像的影响
13、用手部分咬合