[发明专利]基于卷积神经网络的农田土壤肥力评价方法

权利要求书

1.基于卷积神经网络的农田土壤肥力评价方法，其特征在于，包括以下步骤：

步骤1，获取原始农田图像，并建立农田土壤肥力分类模型；

其中，原始农田图像为彩色图片，包含茂密和稀疏两大类；

步骤2，对每张原始农田图像即原始数据进行归一化处理，对应得到归一化后原始数据，对归一化后原始数据进行数据扩充，得到扩充数据，所述扩充数据和归一化后原始数据共同形成训练集；

步骤3，采用训练集对农田土壤肥力分类模型进行训练，得到训练后的农田土壤肥力分类网络；

步骤4，获取目标农田的多张图像作为待评价图片，将待评价图片输入训练后的农田土壤肥力分类网络，输出对应分类结果；将所有待评价图片的分类结果进行统计分析，得到目标农田的肥力评价等级。

2.根据权利要求1所述的基于卷积神经网络的农田土壤肥力评价方法，其特征在于，所述获取原始农田图像为通过无人机拍摄获取农作物生长的农田图像。

3.根据权利要求1所述的基于卷积神经网络的农田土壤肥力评价方法，其特征在于，所述农田土壤肥力分类模型包含输入层、多个卷积层、多个池化层、两个全连接层和输出层；每个卷积层对应的激活函数为relu，之后连接一个池化层；最后一个池化层输出的多维数据通过Flatten函数转化为一维数据后经过Dropout防止过拟合；第一层全连接层将所有的神经元连接起来，使用relu激活函数进行x＝max[0，x]操作，第二层全连接层使用sofemax激活函数输出分类概率值；

其中，每个卷积层分别由多个卷积核和偏置组成，第一个卷积层的卷积核的通道数等于输入图片的通道数；每个卷积层分别用于提取每张图像的不同特征。

4.根据权利要求1所述的基于卷积神经网络的农田土壤肥力评价方法，其特征在于，所述归一化处理为对每张原始农田图像中的每个像素值乘以预设的缩放因子，使每张原始农田图像的像素值归一化至0到1之间。

5.根据权利要求1所述的基于卷积神经网络的农田土壤肥力评价方法，其特征在于，所述对归一化后原始数据进行数据扩充，具体为：对归一化后原始数据中的每个数据矩阵分别进行翻转变换、缩放变换、平移变换、尺度变换和错切变换，对应得到五组变换后的数据矩阵，即为扩充数据；

其中，所述翻转变换为沿着水平或者垂直方向翻转原始数据矩阵；所述缩放变换为按照设定比例反打或者缩小原始数据矩阵；所述平移变换为在图像平面上对归一化后的图像进行随机或者设定方式的平移，以改变图像内容的位置；所述尺度变换为对图像按照指定的尺子因子进行放大或者缩小，改变图像内容的大小或者模糊程度；所述错切变换为指定每张归一化后原始图像中所有像素点的x坐标或者y坐标保持不变，对应的y坐标或者x坐标则按比例发生平移，且平移的距离与该像素点到x轴或y轴的垂直距离成正比。

6.根据权利要求1所述的基于卷积神经网络的农田土壤肥力评价方法，其特征在于，所述采用训练集对农田土壤肥力分类模型进行训练，其具体过程为：

3.1，对农田土壤肥力分类模型中的权值参数和偏置进行随机初始化；

3.2，将训练集中的每张图像作为输入数据依次输入农田土壤肥力分类模型，每次输入一个样本；输入图像的张量为M*N*S，其中M*N为输入图像的大小，S为通道数；

3.3，将每张输入图像转换成S层二维像素矩阵，经过卷积层提取特征矩阵，池化层对特征矩阵进行下采样，经过多次卷积和池化过程，得到一个或多个多维矩阵，再通过两个全连接层对一个或多个多维矩阵进行数据整合，展开成概率的一维特征向量，最后输出分类概率值；

3.4，采用小批量梯度下降算法对农田土壤肥力分类模型中的权值参数和偏置进行更新，直至损失函数小于设定值或所有训练样本训练完成，结束训练，得到训练后的农田土壤肥力分类网络。