CN109804860A - 一种基于卷积神经网络的金针菇智能补光的装置及方法 - Google Patents

Abstract

本发明提供一种基于卷积神经网络的金针菇智能补光的装置及方法，用以培育金针菇的反应罐，在所述反应罐的上部区域设置有若干用以照明的紫外灯组；还包括设置在罐体外的控制板，所述控制板根据检测结果与预设结果进行控制；在所述反应罐内还设置CCD相机，用来获取一段时间内的紫外灯的光照信息；还包括与CCD相机连接并获取拍摄的图片信息的CCD相机获取模块；所述的CCD相机获取模块按照预设的程序获取存储在CCD相机内的图像信息本发明基于卷积神经网络的金针菇智能补光装置。本发明的卷积神经网络运算，结合具体的金针菇生长时期内的光照强度需求，在进行递进运算时，通过相邻卷积层中的各个时间点的数值运算叠加递进。

Description

一种基于卷积神经网络的金针菇智能补光的装置及方法

技术领域

本发明涉及金针菇培育技术领域，具体而言，涉及一种基于卷积神经网络的金针菇智能补光的装置及方法。

背景技术

金针菇学名毛柄金钱菌，又称毛柄小火菇、构菌、朴菇、冬菇、朴菰、冻菌、金菇、智力菇等。因其菌柄细长，似金针菜，故称金针菇，属伞菌目白蘑科针金菇属，是一种菌藻地衣类。金针菇具有很高的药用食疗作用。

金针菇既是一种美味食品，又是较好的保健食品，金针菇的国内外市场日益广阔。金针菇人工栽培技术并不复杂，只要能控制好环境条件，就容易获得稳定可靠的产量。据测定，金针菇氨基酸的含量非常丰富，高于一般菇类，每100g鲜菇中含有氨基酸总量达20.9mg，其中8种人体必需氨基酸占总量的42.29～51.17％，异亮氨酸和谷氨酸含量最高，必需氨基酸中精氨酸和赖氨酸含量较高，较高含量的精氨酸能预防和治疗肝炎、胃肠馈病等消化系统疾病，赖氨酸可以促进儿童生长发育，增强记忆，提高智力。金针菇干品中含蛋白质8.87％，碳水化合物60.2％，粗纤维达7.4％，经常食用可防治溃疡病。但使用本领域常规培养基、常规培养方法进行培养的前提下，上述营养成分的含量很难再有所提高。

同时，金针菇具有含水高、组织脆嫩，在采收和贮运过程中极易造成损伤，引起变色、变质或腐烂等特点。金针菇采后贮运主要生理生化变化包括组织褐变、细胞壁蛋白质和多糖降解、子实体老化等，这些变化严重影响了金针菇品质。缩短金针菇货架寿命的主要原因包括酶促褐变和真菌引起的霉变。引起褐变的三种关键酶多酚氧化酶PPO、过氧化物酶POD、过氧化氢酶CAT在金针菇组织中呈区域化分布：菌盖的酶活性最低、菌柄上部酶活性稍高、中部较高、下部活性最强。

在金针菇培育过程中，光照条件为其成长的重要条件，在培育过程中严格控制光照条件，为金针菇发育的重要条件。

发明内容

本发明的目的在于提供一种基于卷积神经网络的金针菇智能补光的装置及方法，以解决上述技术问题。

为实现上述目的，本发明提出一种基于卷积神经网络的金针菇智能补光的装置，包括：

用以培育金针菇的反应罐，在所述反应罐的上部区域设置有若干用以照明的紫外灯组；

还包括设置在罐体外的控制板，所述控制板根据检测结果与预设结果进行控制；

在所述反应罐内还设置CCD相机，用来获取一段时间内的紫外灯的光照信息；还包括与CCD相机连接并获取拍摄的图片信息的CCD相机获取模块；所述的CCD相机获取模块按照预设的程序获取存储在CCD相机内的图像信息；

还包括信号分组模块，其将CCD相机获取模块的信息按照时间徐顺进行记载，获取光照矩阵(p，q)，其中，P表示光照时间，q表示光照强度信息；选取N张各个光照度的图片，根据光照度测量精度的实际要求，对图片按光照度进行分类并用标记，作为训练样本集的类别标签(N(p，q))；对图片进行灰度化、灰度拉伸的图片预处理操作，保存为训练样本集；选取n张各个光照度的图片，再次进行上述操作，得到测试样本集的类别标签和测试样本集(n(p，q))；

还包括所述卷积神经网络训练单元，用于将样本图像输入卷积神经网络模型，通过卷积层进行卷积操作；

还包括光照智能控制单元，其通过单片机与紫外灯组通过D/A转换模块连接，实现单片机对照明设备亮度的控制，测得的金针菇光照度数字信号E通过串行口输入单片机，单片机比较金针菇光照度E与最适光照度A，根据比较结果选择性地调整单片机的输出，实现对金针菇光照度的控制；

所述卷积神经网络训练单元根据下述公式确定卷基层之间的运算，

式中，X₁表示第一卷基层值，p₁,q₁,f₁分别表示第一卷基层内的时间序列，光照强度及卷积函数关系；∑表示求和运算，T表示均方差运算，I表示积分运算；

下一卷基层的运算函数为：

式中，X₂表示第二卷基层值，p₂,q₂,f₂分别表示第二卷基层内的时间序列，光照强度及卷积函数关系；∑表示求和运算，T表示均方差运算，I表示积分运算；

再下一卷基层的运算函数为：

式中，X₃表示第三卷基层值，p₃,q₃,f₃分别表示第二卷基层内的时间序列，光照强度及卷积函数关系；∑表示求和运算，T表示均方差运算，I表示积分运算。

进一步地，所述控制板设定光照强度的图谱函数f(i,j)的最大值为Vmax，最小值为Vmin，其内包括一识别模块，获取光照图谱的第一像素和第二像素,其中,第一像素A为目标像素,第一像素的灰度值大于或等于初始分割权值T₀,像素总数为N；第二像素B为背景像素,第二像素的灰度值小于初始分割权值T₀,像素总数为M；图谱f(i,j)的最大值为Vmax，最小值为Vmin。

进一步地，其中，设定：

T₀＝1/2(V_min+V_max) (4)；

计算第一像素和第二像素的灰度均值的全局权值T；

若在预设范围内，则以T为全局阈值对所述图谱进行分割。

进一步地，所述控制板根据分割结果及卷积运算结果，对光照信息进行智能补正，根据对应的卷积层，对选择的相应时间点进行修正，按下述公式(6)进行修正；

Q_m＝ρ×Q₀

(6)

其中，Q_m表示修正后的相应时间点的瞬时光照强度，ρ表示修正系数，Q₀表示相应时间点的瞬时光照强度；修正系数ρ按下述公式(7)计算，其值在0.95-1之间；

式中，ρ表示修正系数，Q₀₁和Q₀₂表示排序时，相邻两个卷积层对应的两个时间点的瞬时关照强度值，N表示卷积层数，k表示同一卷积层不同时间点的个数。

进一步地，所述紫外灯组包括：下排紫外灯组、上排紫外灯组、侧向紫外灯组，其中，上排紫外灯组按照下述公式(8)，对其光强度进行调整，

其中，L₂为上排紫外灯组的实时光强度，L₁为下排紫外灯组的光强度，p₁表示第一时间段内的实时紫外强度值，υ表示罐内的压力，υ₀表示罐内的预设压力，为0.9MPa；

其中，侧向紫外灯组按照下述公式(9)，对其光强度进行调整，

L₃＝P_i-L₂ (9)

其中，L₃为侧向紫外灯组的光强度，i表示序号，其值为2、3，P₂表示第二温度段的实时紫外强度值，P₃表示第三温度段的实时紫外强度值，L₂为上排紫外灯组的实时光强度。

另一方面，本发明还提供一种基于卷积神经网络的金针菇智能补光的方法，CCD相机，获取一段时间内的紫外灯的光照信息；

信号分组模块，其将CCD相机获取模块的信息按照时间徐顺进行记载，获取光照矩阵(p，q)，其中，P表示光照时间，q表示光照强度信息；选取N张各个光照度的图片，根据光照度测量精度的实际要求，对图片按光照度进行分类并用标记，作为训练样本集的类别标签(N(p，q))；对图片进行灰度化、灰度拉伸的图片预处理操作，保存为训练样本集；选取n张各个光照度的图片，再次进行上述操作，得到测试样本集的类别标签和测试样本集(n(p，q))；

卷积神经网络训练单元将样本图像输入卷积神经网络模型，通过卷积层进行卷积操作；

单片机与紫外灯组通过D/A转换模块连接，实现单片机对照明设备亮度的控制，测得的金针菇光照度数字信号E通过串行口输入单片机，单片机比较金针菇光照度E与最适光照度A，根据比较结果选择性地调整单片机的输出，实现对金针菇光照度的控制；

所述卷积神经网络训练单元根据下述公式确定卷基层之间的运算，

式中，X₁表示第一卷基层值，p₁,q₁,f₁分别表示第一卷基层内的时间序列，光照强度及卷积函数关系；∑表示求和运算，T表示均方差运算，I表示积分运算；

下一卷基层的运算函数为：

式中，X₂表示第二卷基层值，p₂,q₂,f₂分别表示第二卷基层内的时间序列，光照强度及卷积函数关系；∑表示求和运算，T表示均方差运算，I表示积分运算；

再下一卷基层的运算函数为：

式中，X₃表示第三卷基层值，p₃,q₃,f₃分别表示第二卷基层内的时间序列，光照强度及卷积函数关系；∑表示求和运算，T表示均方差运算，I表示积分运算。

与现有技术相比，本发明的有益效果在于，本发明基于卷积神经网络的金针菇智能补光装置，通过采用精准运算，实时调整光照强度，使金针菇具有最佳的培育环境。

本发明的卷积神经网络运算，结合具体的金针菇生长时期内的光照强度需求，在进行递进运算时，通过相邻卷积层中的各个时间点的数值运算叠加递进。

本发明通过对不同卷积层，以及同一卷积层的不同时间点对应的光照值获取最终的光照强度修正系数，并且，本发明还采用图像分割阈值的方式，将光照强度与图像参数值进行对应，获取大范围内的光照强度阈值范围，运算更加精准。

本发明实施例的紫外灯组设置若干组，分别为下排紫外灯组、上排紫外灯组、侧向紫外灯组，在本发明实施例中，下排紫外灯组处于常开状态，上排紫外灯组、侧向紫外灯组根据温度的需求进行调整,能够实现对金针菇光强度的精准调整，并节约资源。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本发明实施例的基于卷积神经网络的金针菇智能补光的装置的结构示意图；

图2为本发明实施例的基于卷积神经网络的金针菇智能补光的装置的内部结构示意图。

具体实施方式

下面参照附图来描述发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释发明的技术原理，并非在限制发明的保护范围。

需要说明的是，在发明的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对发明的限制。

此外，还需要说明的是，在发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在发明中的具体含义。

请参阅图1所示，其为本发明实施例的基于卷积神经网络的金针菇智能补光的装置的结构示意图，本实施例装置包括：

反应罐1，设置在反应罐1出口端的控制阀2，连接在反应罐1外的杀菌装置3，以及提供空气动力的压缩机4，压缩机4输出的空气通过杀菌装置3杀菌后，再通过控制阀2的控制输入反应罐1内继续反应。在本实施例的反应罐的罐口位置设置有对罐内压力进行检测的压力传感器13，在所述反应罐的上部区域设置有若干用以照明的紫外灯组16，所述反应罐的侧壁上还设置有若干圈加热丝14，在所述反应罐的侧壁上设置湿度传感器12，对罐内的湿度进行检测；所述反应罐内壁上还设置有二氧化碳浓度检测传感器15，实时对罐内的二氧化碳浓度进行检测。

还包括设置在罐体外的控制板，各个传感器将检测到的实时检测信息传输至控制板中，并根据检测结果与预设结果进行控制，控制板对控制阀2进行控制，释放罐内的湿气以及二氧化碳，或者控制压缩机向反应罐内注入空气。

本发明实施例基于卷积神经网络对光照强度进行智能调节，在所述反应罐内还设置CCD相机，用来获取一段时间内的紫外灯的光照信息；还包括与CCD相机连接并获取拍摄的图片信息的CCD相机获取模块；所述的CCD相机获取模块按照预设的程序获取存储在CCD相机内的图像信息。

还包括信号分组模块，其将CCD相机获取模块的信息按照时间徐顺进行记载，获取光照矩阵(p，q)，其中，P表示光照时间，q表示光照强度信息；选取N张各个光照度的图片，根据光照度测量精度的实际要求，对图片按光照度进行分类并用标记，作为训练样本集的类别标签(N(p，q))；对图片进行灰度化、灰度拉伸的图片预处理操作，保存为训练样本集；选取n张各个光照度的图片，再次进行上述操作，得到测试样本集的类别标签和测试样本集(n(p，q))。

还包括所述卷积神经网络训练单元，用于将样本图像输入卷积神经网络模型，通过卷积层进行卷积操作；还包括光照智能控制单元，其通过单片机与紫外灯组通过D/A转换模块连接，实现单片机对照明设备亮度的控制，测得的金针菇光照度数字信号E通过串行口输入单片机，单片机比较金针菇光照度E与最适光照度A，根据比较结果选择性地调整单片机的输出，实现对金针菇光照度的控制，从而达到最适光照。

所述卷积神经网络训练单元根据下述公式确定卷基层之间的运算，

式中，X₁表示第一卷基层值，p₁,q₁,f₁分别表示第一卷基层内的时间序列，光照强度及卷积函数关系；∑表示求和运算，T表示均方差运算，I表示积分运算。

下一卷基层的运算函数为：

式中，X₂表示第二卷基层值，p₂,q₂,f₂分别表示第二卷基层内的时间序列，光照强度及卷积函数关系；∑表示求和运算，T表示均方差运算，I表示积分运算。

再下一卷基层的运算函数为：

式中，X₃表示第三卷基层值，p₃,q₃,f₃分别表示第二卷基层内的时间序列，光照强度及卷积函数关系；∑表示求和运算，T表示均方差运算，I表示积分运算。

本发明的卷积神经网络运算，结合具体的金针菇生长时期内的光照强度需求，在进行递进运算时，通过相邻卷积层中的各个时间点的数值运算叠加递进。

不同输入特征图对应不同的卷积核，输出神经元产生的NM个输出特征图将会形成下一个卷积层的输入特征图，其传递关系如上述公式(1)-(3)的表达方式。

在基于上述卷积申请的算法基础上，本实施例的控制板设定光照强度的图谱函数f(i,j)的最大值为Vmax，最小值为Vmin，其内包括一识别模块，获取光照图谱的第一像素和第二像素,其中,第一像素A为目标像素,第一像素的灰度值大于或等于初始分割权值T₀,像素总数为N；第二像素B为背景像素,第二像素的灰度值小于初始分割权值T₀,像素总数为M；图谱f(i,j)的最大值为Vmax，最小值为Vmin。

其中，设定：

T₀＝1/2(V_min+V_max) (4)；

计算第一像素和第二像素的灰度均值的全局权值T；

若在预设范围内，则以T为全局阈值对所述图谱进行分割。

所述控制板根据分割结果及卷积运算结果，对光照信息进行智能补正，根据对应的卷积层，对选择的相应时间点进行修正，按下述公式(6)进行修正；

Q_m＝ρ×Q₀

(6)

其中，Q_m表示修正后的相应时间点的瞬时光照强度，ρ表示修正系数，Q₀表示相应时间点的瞬时光照强度；修正系数ρ按下述公式(7)计算，其值在0.95-1之间。

式中，ρ表示修正系数，Q₀₁和Q₀₂表示排序时，相邻两个卷积层对应的两个时间点的瞬时关照强度值，N表示卷积层数，k表示同一卷积层不同时间点的个数。

本发明通过对不同卷积层，以及同一卷积层的不同时间点对应的光照值获取最终的光照强度修正系数，并且，本发明还采用图像分割阈值的方式，将光照强度与图像参数值进行对应，获取大范围内的光照强度阈值范围，运算更加精准。

本发明实施例的紫外灯组设置若干组，分别为下排紫外灯组、上排紫外灯组、侧向紫外灯组，在本发明实施例中，下排紫外灯组处于常开状态，上排紫外灯组、侧向紫外灯组根据温度的需求进行调整,能够实现对金针菇光强度的精准调整，并节约资源。

其中，上排紫外灯组按照下述公式(8)，对其光强度进行调整，

其中，L₂为上排紫外灯组的实时光强度，L₁为下排紫外灯组的光强度，p₁表示第一时间段内的实时紫外强度值，υ表示罐内的压力，υ₀表示罐内的预设压力，为0.9MPa。

其中，侧向紫外灯组按照下述公式(9)，对其光强度进行调整，

L₃＝P_i-L₂ (9)

其中，L₃为侧向紫外灯组的光强度，i表示序号，其值为2、3，P₂表示第二温度段的实时紫外强度值，P₃表示第三温度段的实时紫外强度值，L₂为上排紫外灯组的实时光强度。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种基于卷积神经网络的金针菇智能补光的装置，其特征在于，包括：

用以培育金针菇的反应罐，在所述反应罐的上部区域设置有若干用以照明的紫外灯组；

还包括设置在罐体外的控制板，所述控制板根据检测结果与预设结果进行控制；

在所述反应罐内还设置CCD相机，用来获取一段时间内的紫外灯的光照信息；还包括与CCD相机连接并获取拍摄的图片信息的CCD相机获取模块；所述的CCD相机获取模块按照预设的程序获取存储在CCD相机内的图像信息；

还包括信号分组模块，其将CCD相机获取模块的信息按照时间徐顺进行记载，获取光照矩阵(p，q)，其中，P表示光照时间，q表示光照强度信息；选取N张各个光照度的图片，根据光照度测量精度的实际要求，对图片按光照度进行分类并用标记，作为训练样本集的类别标签(N(p，q))；对图片进行灰度化、灰度拉伸的图片预处理操作，保存为训练样本集；选取n张各个光照度的图片，再次进行上述操作，得到测试样本集的类别标签和测试样本集(n(p，q))；

还包括所述卷积神经网络训练单元，用于将样本图像输入卷积神经网络模型，通过卷积层进行卷积操作；

还包括光照智能控制单元，其通过单片机与紫外灯组通过D/A转换模块连接，实现单片机对照明设备亮度的控制，测得的金针菇光照度数字信号E通过串行口输入单片机，单片机比较金针菇光照度E与最适光照度A，根据比较结果选择性地调整单片机的输出，实现对金针菇光照度的控制；

所述卷积神经网络训练单元根据下述公式确定卷基层之间的运算，

式中，X₁表示第一卷基层值，p₁,q₁,f₁分别表示第一卷基层内的时间序列，光照强度及卷积函数关系；∑表示求和运算，T表示均方差运算，I表示积分运算；

下一卷基层的运算函数为：

式中，X₂表示第二卷基层值，p₂,q₂,f₂分别表示第二卷基层内的时间序列，光照强度及卷积函数关系；∑表示求和运算，T表示均方差运算，I表示积分运算；

再下一卷基层的运算函数为：

式中，X₃表示第三卷基层值，p₃,q₃,f₃分别表示第二卷基层内的时间序列，光照强度及卷积函数关系；∑表示求和运算，T表示均方差运算，I表示积分运算。

2.根据权利要求1所述的基于卷积神经网络的金针菇智能补光的装置，其特征在于，所述控制板设定光照强度的图谱函数f(i,j)的最大值为Vmax，最小值为Vmin，其内包括一识别模块，获取光照图谱的第一像素和第二像素,其中,第一像素A为目标像素,第一像素的灰度值大于或等于初始分割权值T₀,像素总数为N；第二像素B为背景像素,第二像素的灰度值小于初始分割权值T₀,像素总数为M；图谱f(i,j)的最大值为Vmax，最小值为Vmin。

3.根据权利要求2所述的基于卷积神经网络的金针菇智能补光的装置，其特征在于，

其中，设定：

T₀＝1/2(V_min+V_max) (4)；

计算第一像素和第二像素的灰度均值的全局权值T；

若在预设范围内，则以T为全局阈值对所述图谱进行分割。

4.根据权利要求3所述的基于卷积神经网络的金针菇智能补光的装置，其特征在于，

所述控制板根据分割结果及卷积运算结果，对光照信息进行智能补正，根据对应的卷积层，对选择的相应时间点进行修正，按下述公式(6)进行修正；

Q_m＝ρ×Q₀

(6)

其中，Q_m表示修正后的相应时间点的瞬时光照强度，ρ表示修正系数，Q₀表示相应时间点的瞬时光照强度；修正系数ρ按下述公式(7)计算，其值在0.95-1之间；

式中，ρ表示修正系数，Q₀₁和Q₀₂表示排序时，相邻两个卷积层对应的两个时间点的瞬时关照强度值，N表示卷积层数，k表示同一卷积层不同时间点的个数。

5.根据权利要求3所述的基于卷积神经网络的金针菇智能补光的装置，其特征在于，所述紫外灯组包括：下排紫外灯组、上排紫外灯组、侧向紫外灯组，其中，上排紫外灯组按照下述公式(8)，对其光强度进行调整，

其中，L₂为上排紫外灯组的实时光强度，L₁为下排紫外灯组的光强度，p₁表示第一时间段内的实时紫外强度值，υ表示罐内的压力，υ₀表示罐内的预设压力，为0.9MPa；

其中，侧向紫外灯组按照下述公式(9)，对其光强度进行调整，L₃＝P_i-L₂ (9)

其中，L₃为侧向紫外灯组的光强度，i表示序号，其值为2、3，P₂表示第二温度段的实时紫外强度值，P₃表示第三温度段的实时紫外强度值，L₂为上排紫外灯组的实时光强度。

6.一种基于卷积神经网络的金针菇智能补光的方法，其特征在于，

CCD相机，获取一段时间内的紫外灯的光照信息；

信号分组模块，其将CCD相机获取模块的信息按照时间徐顺进行记载，获取光照矩阵(p，q)，其中，P表示光照时间，q表示光照强度信息；选取N张各个光照度的图片，根据光照度测量精度的实际要求，对图片按光照度进行分类并用标记，作为训练样本集的类别标签(N(p，q))；对图片进行灰度化、灰度拉伸的图片预处理操作，保存为训练样本集；选取n张各个光照度的图片，再次进行上述操作，得到测试样本集的类别标签和测试样本集(n(p，q))；

卷积神经网络训练单元将样本图像输入卷积神经网络模型，通过卷积层进行卷积操作；

单片机与紫外灯组通过D/A转换模块连接，实现单片机对照明设备亮度的控制，测得的金针菇光照度数字信号E通过串行口输入单片机，单片机比较金针菇光照度E与最适光照度A，根据比较结果选择性地调整单片机的输出，实现对金针菇光照度的控制；

所述卷积神经网络训练单元根据下述公式确定卷基层之间的运算，

式中，X₁表示第一卷基层值，p₁,q₁,f₁分别表示第一卷基层内的时间序列，光照强度及卷积函数关系；∑表示求和运算，T表示均方差运算，I表示积分运算；

下一卷基层的运算函数为：

式中，X₂表示第二卷基层值，p₂,q₂,f₂分别表示第二卷基层内的时间序列，光照强度及卷积函数关系；∑表示求和运算，T表示均方差运算，I表示积分运算；

再下一卷基层的运算函数为：

式中，X₃表示第三卷基层值，p₃,q₃,f₃分别表示第二卷基层内的时间序列，光照强度及卷积函数关系；∑表示求和运算，T表示均方差运算，I表示积分运算。