[发明专利]一种番茄生长状态的智能分析方法及智能分析装置

权利要求书

1.一种番茄生长状态的智能分析方法，其特征在于，所述智能分析方法包括：

预先建立番茄生长分析模型，所述番茄生长分析模型包括线性回归模型和卷积神经网络模型；

获取番茄生长图像，将所述番茄生长图像分别导入到所述线性回归模型和所述卷积神经网络模型中；

所述线性回归模型对所述番茄生长图像分析计算导出番茄当前的生长期生长指标；

所述卷积神经网络模型对所述番茄生长图像分析计算导出番茄当前的果叶生长指标。

2.如权利要求1所述的智能分析方法，其特征在于，所述预先建立番茄生长分析模型具体包括：

导入生长期样本数据，针对生长期样本数据进行线性回归分析，并建立线性回归模型；

导入果叶样本数据，针对果叶分析对所述番茄生长样本数据使用卷积神经网络进行特征提取，并建立卷积神经网络模型。

3.如权利要求2所述的方法，其特征在于，所述导入生长期样本数据，针对生长期样本数据进行线性回归分析，并建立线性回归模型具体包括：

导入生长期样本数据，判断所述生长期样本数据维度是否平衡，若否，则对所述生长期样本数据进行归一化处理；

将所述生长期样本数据随机划分为生长期样本集和生长期测试集；

对所述生长期样本集进行线性回归分析，建立线性回归模型；

将所述生长期测试集导入所述线性回归模型，计算并判断结果误差，若结果误差超过预设阈值，则对所述线性回归模型进行参数优化。

4.如权利要求2所述的方法，其特征在于，所述导入果叶样本数据，针对果叶分析对所述番茄生长样本数据使用卷积神经网络进行特征提取，并建立卷积神经网络模型具体包括：

导入果叶样本数据；

将所述果叶样本数据随机划分为果叶样本集和果叶测试集；

对所述果叶样本集使用卷积神经网络进行特征提取，建立卷积神经网络模型；

将所述果叶测试集导入所述卷积神经网络模型，计算并判断结果误差，若结果误差超过预设阈值，则对所述卷积神经网络模型进行参数优化。

5.如权利要求4所述的方法，其特征在于，所述卷积神经网络模型包括至少两层卷积层以及至少两层池化层，所述卷积层采用ReLu函数作为激活函数，每层网络之间采用Dropout层连接。

6.一种番茄生长状态的智能分析装置，其特征在于，所述智能分析装置包括：

番茄生长分析模型预建单元，用于预先建立番茄生长分析模型，所述番茄生长分析模型包括线性回归模型和卷积神经网络模型；

番茄生长图像导入单元，用于获取番茄生长图像，将所述番茄生长图像分别导入到所述线性回归模型和所述卷积神经网络模型中；

生长期生长指标分析单元，用于所述线性回归模型对所述番茄生长图像分析计算导出番茄当前的生长期生长指标；

果叶生长指标分析单元，用于所述卷积神经网络模型对所述番茄生长图像分析计算导出番茄当前的果叶生长指标。

7.如权利要求6所述的智能分析装置，其特征在于，番茄生长分析模型预建单元包括：

线性回归模型建立模块，用于导入生长期样本数据，针对生长期样本数据进行线性回归分析，并建立线性回归模型；

卷积神经网络模型建立模块，用于导入果叶样本数据，针对果叶分析对所述番茄生长样本数据使用卷积神经网络进行特征提取，并建立卷积神经网络模型。

8.如权利要求7所述的智能分析装置，其特征在于，所述线性回归模型建立模块包括：

归一化处理模块，用于导入生长期样本数据，判断所述生长期样本数据维度是否平衡，若否，则对所述生长期样本数据进行归一化处理；

生长期样本数据划分模块，用于将所述生长期样本数据随机划分为生长期样本集和生长期测试集；

线性回归分析模块，用于对所述生长期样本集进行线性回归分析，建立线性回归模型；

生长期参数优化模块，用于将所述生长期测试集导入所述线性回归模型，计算并判断结果误差，若结果误差超过预设阈值，则对所述线性回归模型进行参数优化。