[发明专利]一种基于神经网络的穴盘苗空穴识别方法以及穴盘苗补苗系统

权利要求书

1.一种基于神经网络的穴盘苗空穴识别方法，用于获得穴盘苗空穴状态并进行实时分析，其特征在于，包括：

步骤一：首先进行穴盘苗图像采集及数据集预处理，采用穴盘苗图像进行训练，采集穴盘苗图像时，通过调节人工温室的光照强度，模拟穴盘苗补苗装置在室内工作时光照发生的变化，在穴苗盘的多个角度进行拍摄，采集获得穴盘苗在育苗期一定天数内的若干张穴盘苗图像；

步骤二：对穴盘苗图像进行预处理及数据集构建，采取将大的穴盘苗图像拆分成小的单个的穴孔图像的方式，先裁剪掉原图上的非苗盘区域，然后根据苗盘规格，沿穴孔边沿拆分成12×6共72个小图像，每个图片对应一个穴孔，上述穴盘苗图像预处理过程在穴盘苗补苗装置运行时，由于穴盘停在相机正下方，其位置固定，其通过位置标定实现工控机自动处理。

步骤三：构建卷积神经网络穴盘苗识别模型，模型包含4个卷积块，每个卷积块包含一个卷积层、一个激活层和一个池化层，卷积层都采用3×3的卷积核，卷积运算时的步幅设定为1，输入数据经卷积运算后成为特征图，特征图数量分别为32、64、128、128，随着模型的深入，特征图数量不断增加，但随着卷积运算的进行其尺寸在逐渐变小，池化层采用最大池化降采样，采用2×2的窗口，步幅设定为2，将特征图的尺寸减小为原来的一半，以减小模型参数，平铺层将卷积块输出的多维张量扁平化，转变为一维张量，全连接层包含512个神经元节点，对卷积层识别出的特征图进行整合，该层也含有激活函数层，输出层也是一个全连接层，只包含一个神经元节点，输出最终的分类结果。

步骤四：训练所述卷积神经网络模型，采取批量的方法，每个批次训练100张图片，每一个批次的训练作为一次迭代，共迭代60次，每迭代完一次后更新模型的参数，然后使用每次迭代后的网络模型在测试集上进行测试，并记录模型在训练集和测试集上的识别准确率和损失函数的损失值。

2.如权利要求1所述的基于神经网络的穴盘苗空穴识别方法，其特征在于：所述步骤一中的穴盘苗图像采集时使用在人工温室中培育四盘穴盘苗，温室白天温度保持在25℃，夜晚温度保持在15℃，育苗基质由草炭、蛭石、营养土构成，穴苗盘采用12×6孔穴盘。

3.如权利要求2所述的基于神经网络的穴盘苗空穴识别方法，其特征在于：所述步骤二中穴盘苗图像预处理拆分后的图像经过RGB格式转化、大小调整、浮点数转化以及0-1归一化处理，形成大小为128×128像素、深度为3、数值在0-1之间的浮点数张量。

4.如权利要求3所述的基于神经网络的穴盘苗空穴识别方法，其中所述步骤三中的卷积神经网络穴盘苗识别模型的卷积层采用Relu作为激活函数，输出层采用适合二分类的Sigmoid激活函数。

5.如权利要求4所述的基于神经网络的穴盘苗空穴识别方法，其中所述步骤三中的卷积神经网络穴盘苗识别模型中引入交叉熵损失函数,以避免激活函数导数导致的网络速率缓慢从而对卷积神经网络模型进行了优化。

6.如权利要求5所述的基于神经网络的穴盘苗空穴识别方法，所述的卷积神经网络分析选取的交叉熵(crossentropy)损失函数，函数的公式如下：

式中为第l层上第j个神经元与第k个神经元之间的权重，为第l层上第j个神经元的偏置，x为神经元输入，y_j为第j个神经元的期望输出，为第j个神经元的带权和，f为激活函数。

7.如权利要求6所述的基于神经网络的穴盘苗空穴识别方法，所述步骤四中的卷积神经网络模型训练所使用的环境是在戴尔Vostro 3470-R1328R台式机上完成的，配置为：酷睿八代i5处理器、8G内存、GeForce GTX 760M显卡、Windows10操作系统，实验所使用的编程软件是Anaconda，采用TensorFlow深度学习框架，编程语言是Python3.5。