CN112464888B - 一种基于图像的自动化喷药控制方法 - Google Patents
一种基于图像的自动化喷药控制方法 Download PDFInfo
- Publication number
- CN112464888B CN112464888B CN202011466641.8A CN202011466641A CN112464888B CN 112464888 B CN112464888 B CN 112464888B CN 202011466641 A CN202011466641 A CN 202011466641A CN 112464888 B CN112464888 B CN 112464888B
- Authority
- CN
- China
- Prior art keywords
- leaves
- pesticide spraying
- flow
- density
- pressure
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/38—Outdoor scenes
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
- A01M7/0089—Regulating or controlling systems
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Insects & Arthropods (AREA)
- Pest Control & Pesticides (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Environmental Sciences (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明涉及一种基于图像的自动化喷药控制方法,包括如下步骤:S1、应用图像处理技术,采集树木的树冠图像,提取树叶的疏密度特征;S2、利用神经网络模型,建立树叶的疏密度特征模型,从而将树叶的疏密度特征映射为树叶的疏密度模糊变量,将该疏密度模糊变量作为自动喷药系统的数据输入;S3、采用模糊控制策略,自动计算喷药所需的管路压力和流量参数;S4、根据计算的管路压力和流量参数,控制自动喷药系统的流量、压力,并对流量、压力实时控制,从而精确控制每棵树的喷药量。本方法实现了对树木的差异性喷药,减少了药液的用量,提高了喷药效率,同时控制方便、控制系统结构合理,实时控制效果好。
Description
技术领域
本专利申请属于喷药技术领域,更具体地说,是涉及一种基于图像的自动化喷药控制方法。
背景技术
果树的自动化喷药,作为综合管理实施中的一项重要技术,受到广大果农和科技工作者的普遍重视。它在很大程度上能合理调节喷药参数,实现自动化控制,这种控制不仅节约了用药,而且对果树的产量和品质有重要的影响,同时也提高了作业效率和劳动成本。
目前,自动化喷药技术的研究尚处于开始阶段,常见的喷药控制系统并未对树木个体的差异进行考虑,因此,自动化喷药的相比人工喷药,虽然提高了效率、减少了人工工时,但在差异性喷药、个体化管理方面,仍有待进一步提高。
发明内容
本发明需要解决的技术问题是提供一种基于图像的自动化喷药控制方法,可以对果树进行差异性喷药、个体化管理。
为了解决上述问题,本发明所采用的技术方案是:
一种基于图像的自动化喷药控制方法,包括如下步骤:
S1、应用图像处理技术,采集树木的树冠图像,提取树叶的疏密度特征;
S2、利用神经网络模型,建立树叶的疏密度特征模型,从而将树叶的疏密度特征映射为树叶的疏密度模糊变量,将该疏密度模糊变量作为自动喷药系统的数据输入;
S3、采用模糊控制策略,自动计算喷药所需的管路压力和流量参数;
S4、根据计算的管路压力和流量参数,控制自动喷药系统的流量、压力,并对流量、压力实时控制,从而精确控制每棵树的喷药量。
本发明技术方案的进一步改进在于:步骤S1中,树木的树冠图像的采集方法为:
本发明技术方案的进一步改进在于:步骤S1中,树木为果树,比如苹果树、梨树、桃树等。
本发明技术方案的进一步改进在于:步骤S2中,建立树叶的疏密度特征模型包括如下步骤:
S21、对每一幅树冠图像的树叶的疏密度进行赋值,从而建立训练样本;
S22、确定神经网络模型,利用训练样本对神经网络模型进行训练;
S23、确定神经网络模型参数,对神经网络模型进行参数优化,实现树叶的疏密度的N 级模糊分类,进而建立树叶的疏密度模糊神经网络模型。
本发明技术方案的进一步改进在于:步骤S22中,神经网络模型为三层神经网络模型。神经网络模型的层级一般为两层以上。
本发明技术方案的进一步改进在于:步骤S23中,模糊分类级N的取值为8~15。
本发明技术方案的进一步改进在于:步骤S3中,根据模糊化的树叶的疏密程度变量计算控制给定参数,应用查表和线性插值自动计算喷药所需的管路压力和流量参数。
本发明技术方案的进一步改进在于:步骤S4中,通过控制自动喷药系统的流量阀,调整液压泵的转速,来控制自动喷药系统的流量、压力;
对流量、压力实时控制是指,流量和压力的采集通过流量传感器、压力传感器及对应的变送器,通过485总线实时采集流量和压力;然后通过变频调速,控制液压泵的转速,并通过485 总线控制流量阀,实现压力、流量的实时控制。
本发明技术方案的进一步改进在于:变送器为4~20mA 变送器。
由于采用了上述技术方案,本发明取得的有益效果是:
1、本发明基于果树冠层的树叶疏密度,提出了以树叶疏密度控制自动喷药的方法,该方法实现了对树木的差异性喷药,减少了药液的用量,提高了喷药效率。
2、本发明控制方便、控制系统结构合理,实时控制效果好。
附图说明
图1是本发明实施例中的树木的树冠图像;
图2是本发明实施例中的神经网络模型图;
图3是本发明实施例中的神经网络的误差性能曲线图。
具体实施方式
下面结合实施例对本发明做进一步详细说明。
本发明公开了一种基于图像的自动化喷药控制方法,包括如下步骤:
S1、应用图像处理技术,采集树木的树冠图像,如图1所示(原始图像为彩色,在此将其处理成黑白照片),提取树叶的疏密度特征;树木一般考虑为果树,比如苹果树、梨树、桃树等进行研究。
树木的树冠图像的采集方法为:
该公式利用了求和取均值,这样可以避免最大值和最小值,使得结果值误差较小,提高了计算精度。
S2、利用神经网络模型,建立树叶的疏密度特征模型,从而将树叶的疏密度特征映射为树叶的疏密度模糊变量,将该疏密度模糊变量作为自动喷药系统的数据输入。神经网络模型见图2。包括输入、输入层、隐层、输出层和输出这几部分,下一层的数据处理结合上一层的结果,经过迭代最终获得网络输出a 3。
步骤S2中,建立树叶的疏密度特征模型包括如下步骤:
S21、对每一幅树冠图像的树叶的疏密度进行赋值,从而建立训练样本。
S22、确定神经网络模型,利用训练样本对神经网络模型进行训练;神经网络模型的层级一般为两层以上,本实施例的神经网络模型为三层神经网络模型,如图2所示,可以满足参数的计算。当然也可以为四层或以上,根据数据量的大小来评判选用,可选择两个或两个以上的隐层。
S23、确定神经网络模型参数,对神经网络模型进行参数优化,实现树叶的疏密度的N 级模糊分类,进而建立树叶的疏密度模糊神经网络模型。模糊分类级N的取值为8~15,本实施例取10级模糊分类,即网络输出a 3的维数为10。
神经网络模型进行参数优化,可以采取如下操作:
1、增加(减少)隐层的复杂度,如增加隐层数,调整隐层的神经元个数,或者在隐层使用更加复杂的网络结构,如CNN、RNN、LSTM、GRU或者增加Attention层等等。
2、添加Dropout层,使用Dropout的原理优化网络参数,防止过拟合。
3、尝试不同的优化器,常用的优化器包括SGD、Adam、RMSprop(动量相关)。
4、增加迭代次数,一般为了快速检验模型效果训练次数比较少,优化过程中可以增加训练次数。
5、调整优化器的学习率,学习太小会造成模型收敛速度下降,还有可能求出的是局部最优解,训练模型时的损失函数下降慢;学习率过大会引起模型无法到达最优解,在最优解附近来回跳转,但是一般情况下学习率并不是一成不变的,而是随着模型的训练在优化。
6、增加批处理的大小,采用批处理的方式训练数据时每个batch的数据进行一次反向传播,更新参数,所以每个batch的数据分布对模型训练有着一定的影响,调整batch_size的大小,对模型优化有一定的作用。
7、正则化,可以优化模型太过复杂而引起运行时间过长的问题,也可以在一定程度上防止模型过拟合。(过拟合也就是模型把训练数据的内部关系都记下来了,在训练集损失函数很小,但是在测试集上损失函数开始增大,也就是在测试集上的效果开始下降)。
上述操作简便有效,适合本发明的处理计算。
神经网络模型的误差性能曲线如图3所示,可见图2中的神经网络模型可以满足实际需求。该神经网络模型结构简单,便于计算,经过200次迭代之后,RMSE迅速减小并收敛,其中曲线1为训练误差,曲线2为验证误差,两者在误差收敛之后吻合良好。可见所训练的神经网络具有良好的泛化性能。
S3、采用模糊控制策略,自动计算喷药所需的管路压力和流量参数,也即根据模糊化的树叶的疏密程度变量计算控制给定参数,应用查表和线性插值自动计算喷药所需的管路压力和流量参数,比如二维表格线性插值,计算快速、简便。
S4、根据计算的管路压力和流量参数,控制自动喷药系统的流量、压力,通过控制自动喷药系统的流量阀,调整液压泵的转速,来控制自动喷药系统的流量、压力。
同时对流量、压力实时控制,从而精确控制每棵树的喷药量,对流量、压力实时控制是指,流量和压力的采集通过流量传感器、压力传感器及对应的变送器,通过485总线实时采集流量和压力;然后通过变频调速,控制液压泵的转速,并通过485 总线控制流量阀,实现压力、流量的实时控制。
变送器为4~20mA 变送器,根据给定的流量和压力,调整液压泵的转速,改变流量阀的控制参数,采用4~20mA 电流控制流量和压力,控制过程十分方便。
Claims (6)
1.一种基于图像的自动化喷药控制方法,其特征在于,包括如下步骤:
S1、应用图像处理技术,采集树木的树冠图像,提取树叶的疏密度特征;
S2、利用神经网络模型,建立树叶的疏密度特征模型,从而将树叶的疏密度特征映射为树叶的疏密度模糊变量,将该疏密度模糊变量作为自动喷药系统的数据输入;
S3、采用模糊控制策略,自动计算喷药所需的管路压力和流量参数;
S4、根据计算的管路压力和流量参数,控制自动喷药系统的流量、压力,并对流量、压力实时控制,从而精确控制每棵树的喷药量;
步骤S1中,树木的树冠图像的采集方法为:
步骤S2中,建立树叶的疏密度特征模型包括如下步骤:
S21、对每一幅树冠图像的树叶的疏密度进行赋值,从而建立训练样本;
S22、确定神经网络模型,利用训练样本对神经网络模型进行训练;
S23、确定神经网络模型参数,对神经网络模型进行参数优化,实现树叶的疏密度的N级模糊分类,进而建立树叶的疏密度模糊神经网络模型;
步骤S3中,根据模糊化的树叶的疏密程度变量计算控制给定参数,应用查表和线性插值自动计算喷药所需的管路压力和流量参数。
2.根据权利要求1所述的一种基于图像的自动化喷药控制方法,其特征在于:步骤S1中,树木为果树。
3.根据权利要求1所述的一种基于图像的自动化喷药控制方法,其特征在于:步骤S22中,神经网络模型为三层神经网络模型。
4.根据权利要求1所述的一种基于图像的自动化喷药控制方法,其特征在于:步骤S23中,模糊分类级N的取值为8~15。
5.根据权利要求1所述的一种基于图像的自动化喷药控制方法,其特征在于:步骤S4中,通过控制自动喷药系统的流量阀,调整液压泵的转速,来控制自动喷药系统的流量、压力;
对流量、压力实时控制是指,流量和压力的采集通过流量传感器、压力传感器及对应的变送器,通过485总线实时采集流量和压力;然后通过变频调速,控制液压泵的转速,并通过485 总线控制流量阀,实现压力、流量的实时控制。
6.根据权利要求5所述的一种基于图像的自动化喷药控制方法,其特征在于:变送器为4~20mA 变送器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011466641.8A CN112464888B (zh) | 2020-12-14 | 2020-12-14 | 一种基于图像的自动化喷药控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011466641.8A CN112464888B (zh) | 2020-12-14 | 2020-12-14 | 一种基于图像的自动化喷药控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112464888A CN112464888A (zh) | 2021-03-09 |
CN112464888B true CN112464888B (zh) | 2022-10-28 |
Family
ID=74803988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011466641.8A Active CN112464888B (zh) | 2020-12-14 | 2020-12-14 | 一种基于图像的自动化喷药控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464888B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139590B (zh) * | 2021-04-13 | 2022-03-22 | 索信达(北京)数据技术有限公司 | 时间序列数据的降维方法、装置、计算机设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103959973A (zh) * | 2014-04-18 | 2014-08-06 | 浙江大学 | 一种精细化作物施肥系统及氮肥施肥方法 |
CN109720578A (zh) * | 2019-01-15 | 2019-05-07 | 南京林业大学 | 一种无人机变量精确施药系统及方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101875253A (zh) * | 2009-04-28 | 2010-11-03 | 大连路明发光科技股份有限公司 | 一种防水型自发光喷绘膜 |
CN102968664B (zh) * | 2012-10-10 | 2015-11-18 | 江苏大学 | 一种移动机器人变量施药智能决策方法和系统 |
CN105794382B (zh) * | 2016-05-11 | 2018-09-07 | 山东农业大学 | 一种基于机器视觉技术的果园精准施肥装置及施肥方法 |
CN105941379B (zh) * | 2016-06-23 | 2019-08-02 | 江苏大学 | 一种风送智能喷雾机器人喷雾协调控制系统及施药方法 |
CN110428114B (zh) * | 2019-08-12 | 2023-05-23 | 深圳前海微众银行股份有限公司 | 果树产量预测方法、装置、设备及计算机可读存储介质 |
-
2020
- 2020-12-14 CN CN202011466641.8A patent/CN112464888B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103959973A (zh) * | 2014-04-18 | 2014-08-06 | 浙江大学 | 一种精细化作物施肥系统及氮肥施肥方法 |
CN109720578A (zh) * | 2019-01-15 | 2019-05-07 | 南京林业大学 | 一种无人机变量精确施药系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112464888A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022160771A1 (zh) | 基于自适应多尺度特征提取模型的高光谱图像分类方法 | |
CN110378435B (zh) | 一种基于卷积神经网络的苹果叶片病害识别的方法 | |
CN108959728B (zh) | 基于深度学习的射频器件参数优化方法 | |
JP6466590B2 (ja) | K次数スパース制約を満たす深層学習モデルに基づくビッグデータの処理方法 | |
CN109299697A (zh) | 基于水声通信调制方式识别的深度神经网络系统及方法 | |
CN109376848A (zh) | 一种简化的门控单元神经网络 | |
CN112464888B (zh) | 一种基于图像的自动化喷药控制方法 | |
CN110033081A (zh) | 一种确定学习率的方法和装置 | |
CN113221913A (zh) | 一种基于高斯概率决策级融合的农林病虫害细粒度识别方法及装置 | |
CN104050505A (zh) | 一种基于带学习因子蜂群算法的多层感知器训练方法 | |
CN112749675A (zh) | 一种基于卷积神经网络的马铃薯病害识别方法 | |
AU2019100352A4 (en) | A Flower-Image Search System Based on Deep Learning | |
CN113627240B (zh) | 一种基于改进ssd学习模型的无人机树木种类识别方法 | |
CN110598326A (zh) | 一种基于人工智能的试井解释方法 | |
CN115099461A (zh) | 基于双分支特征提取的太阳辐射预测方法及系统 | |
Bashier et al. | Sesame Seed Disease Detection Using Image Classification | |
CN109543748A (zh) | 一种基于多模型融合的水果识别方法 | |
CN117349622A (zh) | 基于混合深度学习机制的风电场风速预测方法 | |
CN115357862B (zh) | 一种狭长空间中的定位方法 | |
CN112686268A (zh) | 一种基于SVD-ResNet50神经网络的农作物叶片病症识别方法 | |
CN113554010B (zh) | 一种电网线路故障识别模型训练方法 | |
CN114937030A (zh) | 一种用于智慧农业种植生菜的表型参数计算方法 | |
CN116128065A (zh) | 一种基于双向自动编码器的并行自动机器学习系统 | |
Shamiul Islam et al. | Hybrid Convolution Neural Network with Transfer Learning Approach for Agro-Crop Leaf Disease Identification | |
CN114912589B (zh) | 一种基于全连接神经网络优化的图像识别方法 |
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 |