CN111401115B - 一种基于fpga的草莓病虫害高光谱数据的处理方法与装置 - Google Patents
一种基于fpga的草莓病虫害高光谱数据的处理方法与装置 Download PDFInfo
- Publication number
- CN111401115B CN111401115B CN201910705484.2A CN201910705484A CN111401115B CN 111401115 B CN111401115 B CN 111401115B CN 201910705484 A CN201910705484 A CN 201910705484A CN 111401115 B CN111401115 B CN 111401115B
- Authority
- CN
- China
- Prior art keywords
- data
- fpga
- insect pests
- processing
- hyperspectral
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 41
- 201000010099 disease Diseases 0.000 title claims abstract description 41
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 41
- 235000016623 Fragaria vesca Nutrition 0.000 title claims abstract description 23
- 235000011363 Fragaria x ananassa Nutrition 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 21
- 240000009088 Fragaria x ananassa Species 0.000 title 1
- 241000238631 Hexapoda Species 0.000 claims abstract description 31
- 241000220223 Fragaria Species 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 241000196324 Embryophyta Species 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000000872 buffer Substances 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000015654 memory Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000003672 processing method Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于FPGA的草莓病虫害高光谱数据的处理方法及装置,所述处理方法首先采集病虫害图片形成病虫害数据库,其次对图片病虫害统一标定,然后建立神经网络模型,机器学习训练模型,接着裁剪模型放置于FPGA平台,在FPGA平台将通过数据调用及运算的程序用硬件描述语言进行编写并烧录,数据通过显示接口扩展,最终输出判断得出结果。结合处理方法设计了一种可移动的硬件装置,该硬件系统对高光谱数据的处理采用乒乓操作的方法来实现,运算速度及准确性得到显著提高,后期通过HDMI接口显示,达到快速全面处理草莓病虫害高光谱数据的效果。
Description
技术领域
本发明涉及农业工程技术,具体涉及一种基于FPGA的草莓病虫害高光谱数据的快速准确处理方法与装置。
背景技术
近来年在检测农产品方面,一般会选用光谱分析、机器视觉等光学识别技术。高光谱技术将光谱技术与机器视觉技术结合,一次获取光谱信息与空间信息,能够无损快速的成像,将更多信息与参数进行可视化表达。检测农产品病虫害时,检测人员可以将光谱信息散度技术带入到无损检测系统之中,进行病虫害识别。
现有的人工智能识别病虫害系统只能在电脑上训练形成深度学习模型,然后将待检测的病虫害图片输入到该系统中来进行判定,通过软件算法来实现。产品大多是一个应用软件或者手机APP,运算一般在CPU或者GPU上进行,无法有效地与硬件系统结合实现数据的快速处理。
发明内容
发明目的:本发明通过数据处理学习草莓病虫害特征,进而对病虫害进行分类,辅助农业相关人员科学、客观、快速地掌握草莓病虫害情况,实现精确的进行病虫害识别,达到前期介入预防的目的。
技术方案:针对草莓病虫害识别技术上的问题,本发明提出了一种基于FPGA 的草莓病虫害高光谱数据的处理方法及装置,所述方法包括:获取草莓病虫害的高光谱数据,通过高光谱相机拍摄;形成草莓病虫害数据库,对其进行统一标定;从标定好的草莓病虫数据库中选取样本集;构建神经网络模型,对样本集进行训练;裁剪训练好的模型并放置于FPGA平台;在FPGA平台下处理目标高光谱数据,处理数据的具体过程如下:输入目标高光谱数据至输入数据选择控制器;数据选择器经过两个SDRAM进行数据缓冲;数据进入输出数据选择控制模块,再通过训练好的模型计算得出结果经过处理的数据通过训练好的模型进行计算得到结果。
本发明涉及的处理装置是将训练好的病虫害系统裁剪放到FPGA平台,利用硬件系统来实现,具有可移动性并且形成了一种实物装置;由于FPGA硬件架构的原因,该硬件系统运算速度快,对高光谱数据的处理可采用乒乓操作的方法来实现,速度及准确性都能够提高;该装置可以通过HDMI接口进行结果显示,所述FPGA硬件系统包括:ZYNQ主板,主板上内置SRAM1和SRAM2两个随机存储器;flash单元提供128M的BPI缓存,两个DDR3模块嵌入机器学习模型,JTAG 接主机CPU用于系统调试。
有益效果:本发明与现有技术相比,其显著优点是:1、能够自动学习草莓病虫害相关核心特征,节省了人力操作成本,解决了草莓病虫害分类过程中的主观性和随意性;2、通过设计一套移动硬件,将该装置连接电脑,输入对象高光谱图像,得到病虫害数据,适用于所有的病虫害分类场景。
附图说明
图1基于FPGA的草莓病虫害高光谱数据的处理方法整体流程图;
图2基于FPGA的硬件实施功能图;
图3输入数据兵乓操作流程图。
具体实施方式:
本发明提出一种基于FPGA的草莓病虫害高光谱数据的处理方法,如图1所示为本发明处理方法整体流程图;首先从实验室、植保站、互联网平台上采集病虫害图片,形成草莓病虫害数据库,接着对数据库里的图片进行病虫害的统一标定;从标定好的草莓病虫害数据库中选取样本集,选取的波长范围根据不同的病虫害类别确定为380到1020nm;然后建立神经网络模型,输入草莓病虫害高光谱数据,输出草莓病虫害分类变量,将样本集放入神经网络模型中进行训练;裁剪训练好的模型,将其放置于FPGA平台,在FPGA平台上用硬件描述语言编写烧录,后期通过HDMI接口显示扩展,待检测图片输入判断。
如图2所示,硬件系统具体实施方式如下;高光谱数据进入ZYNQ主板,主板上有SRAM1和SRAM2两个随机存储器,两个存储器进行数据乒乓操作,加快数据的处理效率,主板的flash模块提供128M的BPI缓存,两个DDR3模块放入事先裁剪成两块的机器学习模型(裁剪成两块也是为了运算高效),JTAG 接主机CPU进行系统调试,以及程序下载(硬件描述程序的功能主要是数据的存储及输入到DDR3中进行运算及数据传输),HDMI接口做显示。
如图3所示,输入数据采用乒乓操作,由于高光谱数据量较大,输入之后进入两个缓冲区(buffer),当SRAM1写满时,数据进入草莓病虫害机器学习模型中进行处理,同时输入数据写入SRAM2。当SRAM1中数据运算完之后,SRAM2中数据进入模型进行处理,同时输入数据写入SRAM1。以此循环。
Claims (1)
1.一种基于FPGA的草莓病虫害高光谱数据的处理方法,其特征在于,步骤包括:
(1)获取草莓病虫害的高光谱数据,对其进行统一标定;具体如下:获取的数据来源于实验室、植物保护站、互联网平台,通过高光谱相机拍摄;
(2)从标定好的草莓病虫数据库中选取样本集;具体如下:所述样本集的选取根据病虫害种类的不同,波长区间确定为380至1020nm;
(3)构建神经网络模型,对样本集进行训练;具体如下:所述的神经网络模型输入为草莓病虫害高光谱数据,输出为草莓病虫害分类变量;
(4)裁剪训练好的模型并放置于FPGA平台;具体如下:将训练好的模型存储于FPGA中的DDR模块上进行数据计算,数据运算方式为并行运算;将训练好的病虫害系统裁剪放置于FPGA平台,通过硬件系统实现;采用HDMI接口进行结果显示,具有可移动性;所述硬件系统包括:ZYNQ主板,主板上内置SRAM1和SRAM2两个随机存储器;flash单元提供128M的BPI缓存,两个DDR3模块嵌入机器学习模型,JTAG连接主机CPU,用于系统调试;
(5)在FPGA平台下处理目标高光谱数据,经过处理的数据通过训练好的模型进行计算得到结果;处理数据采用兵乓操作,具体流程如下:
(5.1)输入目标高光谱数据至输入数据选择控制器;
(5.2)数据选择器经过两个SDRAM进行数据缓冲;
(5.3)数据进入输出数据选择控制模块,再通过训练好的模型计算得出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910705484.2A CN111401115B (zh) | 2019-08-01 | 2019-08-01 | 一种基于fpga的草莓病虫害高光谱数据的处理方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910705484.2A CN111401115B (zh) | 2019-08-01 | 2019-08-01 | 一种基于fpga的草莓病虫害高光谱数据的处理方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111401115A CN111401115A (zh) | 2020-07-10 |
CN111401115B true CN111401115B (zh) | 2024-02-27 |
Family
ID=71430247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910705484.2A Active CN111401115B (zh) | 2019-08-01 | 2019-08-01 | 一种基于fpga的草莓病虫害高光谱数据的处理方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401115B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104422660A (zh) * | 2013-08-23 | 2015-03-18 | 西北农林科技大学 | 一种高光谱的植物叶片病虫害诊断系统 |
CN104656100A (zh) * | 2015-02-25 | 2015-05-27 | 中国科学院遥感与数字地球研究所 | 一种行扫描高光谱实时异常探测方法与系统 |
CN107576618A (zh) * | 2017-07-20 | 2018-01-12 | 华南理工大学 | 基于深度卷积神经网络的水稻穗瘟检测方法及系统 |
CN107862050A (zh) * | 2017-11-08 | 2018-03-30 | 国网四川省电力公司信息通信公司 | 一种网站内容安全检测系统及方法 |
WO2018217828A1 (en) * | 2017-05-23 | 2018-11-29 | Intel Corporation | Methods and apparatus for discriminative semantic transfer and physics-inspired optimization of features in deep learning |
-
2019
- 2019-08-01 CN CN201910705484.2A patent/CN111401115B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104422660A (zh) * | 2013-08-23 | 2015-03-18 | 西北农林科技大学 | 一种高光谱的植物叶片病虫害诊断系统 |
CN104656100A (zh) * | 2015-02-25 | 2015-05-27 | 中国科学院遥感与数字地球研究所 | 一种行扫描高光谱实时异常探测方法与系统 |
WO2018217828A1 (en) * | 2017-05-23 | 2018-11-29 | Intel Corporation | Methods and apparatus for discriminative semantic transfer and physics-inspired optimization of features in deep learning |
CN107576618A (zh) * | 2017-07-20 | 2018-01-12 | 华南理工大学 | 基于深度卷积神经网络的水稻穗瘟检测方法及系统 |
CN107862050A (zh) * | 2017-11-08 | 2018-03-30 | 国网四川省电力公司信息通信公司 | 一种网站内容安全检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111401115A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325713B (zh) | 基于神经网络的木材缺陷检测方法、系统及存储介质 | |
US10747999B2 (en) | Methods and systems for pattern characteristic detection | |
CN107862331A (zh) | 一种基于时间序列及cnn的不安全行为识别方法及系统 | |
CN105938563A (zh) | 一种基于图像纹理的焊缝表面缺陷识别方法 | |
CN105957086A (zh) | 一种基于优化神经网络模型的遥感图像变化检测方法 | |
CN113222913B (zh) | 一种电路板缺陷检测定位方法、装置和存储介质 | |
CN111080633A (zh) | 屏缺陷检测方法、装置、终端设备以及存储介质 | |
CN110175506A (zh) | 基于并行降维卷积神经网络的行人重识别方法及装置 | |
CN114140463A (zh) | 一种焊接缺陷识别方法、装置、设备及存储介质 | |
CN114441463B (zh) | 全光谱水质数据分析方法 | |
CN109191386A (zh) | 一种基于BPNN的快速Gamma校正方法及装置 | |
CN111401115B (zh) | 一种基于fpga的草莓病虫害高光谱数据的处理方法与装置 | |
CN115147347A (zh) | 一种面向边缘计算的玛钢管件表面缺陷检测的方法 | |
CN111444833B (zh) | 果实测产方法、装置、计算机设备及存储介质 | |
CN114373113A (zh) | 一种基于ai技术的野生动物物种图像识别系统 | |
CN116994244A (zh) | 一种基于Yolov8的柑橘树体果实产量评估方法 | |
CN114943988B (zh) | 一种基于实例分割和深度卷积神经网络的平面目标监测方法 | |
CN115775369A (zh) | 基于双流残差卷积神经网络的鱼类摄食强度评估方法 | |
CN112858341B (zh) | 一种检测方法、拍摄系统及检测系统 | |
CN113538389B (zh) | 一种鸽蛋品质识别方法 | |
KR102434442B1 (ko) | 검사 대상의 결함 검사를 고속으로 수행하는 방법 및 이를 수행하는 장치들 | |
Shu et al. | Research on the vision system of lychee picking robot based on stereo vision | |
Story et al. | Automated machine vision guided plant monitoring system for greenhouse crop diagnostics | |
JP2021096180A (ja) | 動物の精液検査装置及び精液検査方法 | |
CN110363759B (zh) | 三维模具调试参数确定方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |