[发明专利]基于深度学习网络的堆肥腐熟实时预测方法

说明书

本发明公开了一种基于深度学习网络的堆肥腐熟实时预测方法，以堆肥的堆体内温度、湿度、表面图像深度特征向量作为堆肥的描述特征，借助于深度学习方法高效学习能力，实现腐熟的在线实时监测。腐熟预测过程起始于堆体温度、湿度实时测量和图像采集，方法首先对图像进行预处理，由卷积神经网络(CNN)提取图像的深度特征，然后与堆体温度、湿度组合作为腐熟判断过程的输入量，送入循环神经网络(RNN)预测出当前时刻是否腐熟。本发明提出的相对完善、合理、准确的堆肥腐熟实时监测方法，为生产提供指导。

技术领域

本发明涉及一种运用信息技术使用堆肥温度、湿度、图像信息通过深度学习网络实现的堆肥腐熟实时预测方法，属于农业信息学领域。

背景技术

在农业生产中，为了维持和提高土壤肥力需要向土壤施入一定量的有机质材料，在施用前利用微生物对这些材料进行一定程度的腐解处理叫腐熟。堆肥生产方式分静态方式、动态方式，本发明以直线型发酵槽堆肥方式为研究对象。发酵槽的宽度一般2.0～6.0m，深度0.3～2.0m，长度20～60m。堆肥的一次发酵时间一般在15～25d，然后再将完成一次发酵的堆肥送入二次发酵场地进行后熟发酵。在实际生产中一次发酵与二次发酵也可在同一发酵槽内完成，但是这种方式加长了发酵槽的占用时间，影响畜禽粪便的处理能力，如能实时监测到腐熟完成，将提高场地利用效率。

腐熟度定义为堆肥的发酵完成程度，直接反映堆肥质量。故而企业在生产实践中习惯采用腐熟度来表示堆肥进行程度，腐熟度的变化体现在物理、化学、生物这3个方面。化学、生物指标一般要通过复杂费时的实验测得，而物理指标监测则相对简单。常用的物理指标有：温度、气味、色度、光学特性等。但如果直接用其作为腐熟判断指标，存在诸多限制。

综合以上分析，亟需一种相对完善、合理、准确的堆肥腐熟实时监测方法，为生产提供指导。

发明内容

本发明针对背景技术中存在的问题，提出一种基于深度学习网络的堆肥腐熟实时预测方法，包括以下步骤：

S1、提取t时刻堆肥温度、湿度数据以及t时刻堆肥表面灰度图像数据；

S2、预处理，将堆肥表面灰度图像数据进行中值滤波；

S3、基于S2获得的数据，构建卷积神经网络CNN进行堆肥图像特征提取；

S4、将堆肥温度、湿度数据和堆肥图像特征，组合形成堆肥实时特征向量，堆肥实时特征向量通过最小最大法归一化进行整合；

S5、基于S4获得的数据，采用循环神经网络RNN进行预测。

优选的，S1中，通过下式提取t时刻堆肥温度、湿度数据：

P_t＝[p_t,1,p_t,2,p_t,3]

D_t＝[d_t,1,d_t,2,d_t,3]

其中，p_t,1,p_t,2,p_t,3分别表示堆肥中距离堆肥表面垂直距离20cm、40cm、60cm处摄氏温度，d_t,1,d_t,2,d_t,3分别表示堆肥中距离堆肥表面垂直距离20cm、40cm、60cm处湿度。

优选的，S1中，通过下式提取t时刻堆肥表面灰度图像数据：

其中，H_t是图像灰度矩阵，拍摄时摄像头正对堆肥表面拍摄，距离堆肥表面1-2米，取拍摄图像正中间区域80*80像素，n＝80。

优选的，S2中，对堆肥表面灰度图像采用大小为3*3的滤波窗口进行中值滤波。