[发明专利]一种基于深度学习的设施蔬菜水分调控方法及系统

权利要求书

1.一种基于深度学习的设施蔬菜水分调控方法，其特征在于，包括：

获取最佳蔬菜叶面蓝、绿、红、近红外和红边5个波段的图像，提取蔬菜叶面感兴趣区域；

根据所述蔬菜叶面感兴趣区域内蓝、绿、红、近红外和红边5个波段处的光谱反射率及由水分测定仪获取蔬菜叶面的含水率组成数据库；

基于所述数据库中的数据，通过构建一维卷积神经网络实现对蔬菜含水量的预测；

以不同蔬菜灌溉标准作为阈值，与预测结果的作差，实现对外部灌溉设备的调控。

2.如权利要求1所述的基于深度学习的设施蔬菜水分调控方法，其特征在于，利用阈值分割算法将蔬菜叶片与背景进行分割，提取所述蔬菜叶面感兴趣区域，所述阈值分割算法的数学表达式为：

其中，T为阈值，输入图像为f，输出图像为g，需要提取的叶面图像元素为g(i,j)＝1，背景图像元素为g(i,j)＝0；

当阈值确定后，将所述阈值与像素点进行逐一比较，直接获取感兴趣的蔬菜叶面图像区域。

3.如权利要求1或2所述的基于深度学习的设施蔬菜水分调控方法，其特征在于，通过对拍摄时间、光照强度及拍摄高度的调整获取所述最佳蔬菜叶面图像。

4.如权利要求1所述的基于深度学习的设施蔬菜水分调控方法，其特征在于，对所述蔬菜含水量进行预测过程包括：

载入数据库；

数据集划分；

构建卷积神经网络模型；

构建预测端的损失函数；

构建评价函数；

训练模型；

调参；

输出高于预设标准的含水量预测模型进行含水量预测。

5.如权利要求1或4所述的基于深度学习的设施蔬菜水分调控方法，其特征在于，所述数据库为1*6维度的一维向量100组，前5个维度包括蓝、绿、红、近红外和红边5个波段处的光谱反射率作为输入的特征信息，第6项为含水量占比作为输出的真实值。

6.如权利要求1或4所述的基于深度学习的设施蔬菜水分调控方法，其特征在于，所述数据集划分的划分标准为：将所述数据库中数据随机抽出0.2作为测试集，其余作为训练集。

7.如权利要求4所述的基于深度学习的设施蔬菜水分调控方法，其特征在于，所述卷积神经网络包括输入-卷积层-激活层-池化层；

所述卷积层采用一维卷积，所述一维卷积通过权重共享对输入进行卷积操作，所述卷积操作的公式为：

其中，与分别表示第I层第i个卷积核的权重和偏差，通过与局部区域X^I(j)的卷积运算得到下一层的输入Y_i^I+1(j)；

采用修正线性单元ReLu作为激活函数得到卷积神经网络的非线性表示，数学表达式为：

f(x)＝max(0,x)

其中，f(x)表示输出，x表示输入值；

池化层采用最大池化，通过输出池化窗口中的最大值实现降采样的操作，数学表达式为：

其中，Y_i^I为第I层的第i个神经元输出值，为第(I-1)层第i个特征矢量中神经元值，S_scale为池化区域尺度，S_stride为池化区域步长。

8.如权利要求1、4、7任一所述的基于深度学习的设施蔬菜水分调控方法，其特征在于，所述评价函数采用决定系数R2表征因变量波动被回归线描述情况，以此评估网络模型训练和测试过程的准确度，其数学表达式为：

SST＝SSR+SSE

其中，SST为总平方和，SSR为回归平方和，SSE为残差平方和。

9.如权利要求8所述的基于深度学习的设施蔬菜水分调控方法，其特征在于，判断所述含水量预测模型是否符合预设标准的判定准则为：

当预测结果的准确度达到95％以上且误差小于0.005时，模型效果达到预设标准，输出训练好的含水量预测模型。

10.一种基于深度学习的设施蔬菜水分调控系统，其特征在于，包括：

多光谱信息采集模块，用于获取最佳蔬菜叶面蓝、绿、红、近红外和红边5个波段的图像；

多光谱特征提取模块，与所述多光谱信息采集模块相连接，用于提取蔬菜叶面感兴趣区域；

数据库模块，与所述多光谱信息采集模块、多光谱特征提取模块相连接，用于存储蔬菜叶面感兴趣区域内蓝、绿、红、近红外和红边5个波段处的光谱反射率及由水分测定仪获取蔬菜叶面的含水率数据；

含水量预测模块，与所述数据库模块相连接，用于实现对蔬菜含水量的预测；

调控模块，与所述含水量预测模块相连接，用于实现对外部灌溉设备的调控。