CN113792744B - 一种低功耗广域网内农作物生长数据传输系统及方法 - Google Patents

一种低功耗广域网内农作物生长数据传输系统及方法 Download PDF

Info

Publication number
CN113792744B
CN113792744B CN202111083814.2A CN202111083814A CN113792744B CN 113792744 B CN113792744 B CN 113792744B CN 202111083814 A CN202111083814 A CN 202111083814A CN 113792744 B CN113792744 B CN 113792744B
Authority
CN
China
Prior art keywords
layer
module
convolution layer
image
output
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
Application number
CN202111083814.2A
Other languages
English (en)
Other versions
CN113792744A (zh
Inventor
谢吉龙
刘万村
赵丹
孙慧敏
姜涛
雍丽英
杜丽萍
孙昊楠
张喜海
王海龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeast Agricultural University
Harbin Vocational and Technical College
Original Assignee
Northeast Agricultural University
Harbin Vocational and Technical College
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeast Agricultural University, Harbin Vocational and Technical College filed Critical Northeast Agricultural University
Priority to CN202111083814.2A priority Critical patent/CN113792744B/zh
Publication of CN113792744A publication Critical patent/CN113792744A/zh
Application granted granted Critical
Publication of CN113792744B publication Critical patent/CN113792744B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W48/00—Access restriction; Network selection; Access point selection
    • H04W48/18—Selecting a network or a communication service
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Security & Cryptography (AREA)
  • Image Analysis (AREA)

Abstract

一种低功耗广域网内农作物生长数据传输系统及方法，本发明涉及低功耗广域网内农作物生长数据传输系统及方法。本发明的目的是为了解决现有方法对偏远山区农作物生长周期判断结果缺乏统一的标准、时效性低、准确性差、工作效率低的问题。系统包括：图像数据获取模块用于获取农作物生长图像信息；预处理模块用于对获取的信息进行预处理；网络搭建模块用于建立机器学习模型；训练模块用于获取训练好的机器学习模型；广域网通信模块用于将待处理的农作物生长图像信息传输给机器学习模块；机器学习模块用于将待处理的农作物生长图像信息输入训练好的机器学习模型，获得识别结果。本发明用于农作物生长识别领域。

Description

一种低功耗广域网内农作物生长数据传输系统及方法
技术领域
本发明涉及低功耗广域网内农作物生长数据传输系统及方法，涉及无线通信领域。
背景技术
无线传感器网络是由大量密集部署在监控区域的自治节点组成，通过无线通信方式形成的一种自组织网络应用系统，被广泛应用于军事、智能交通、环境监控、医疗卫生等多个领域，是国内外公认的具有广阔发展前景的高技术产业。
无线传感器网络协议栈中的传输调度方法负责为节点分配无线通信资源，是关系到无线网络的信道利用率、延迟等关键性能指标的重要技术。近年来，以低功耗、低速率、长距离通讯为特征的低功耗广域网成为传感网与物联网的发展方向之一。低功耗广域网信号传输距离远的优点允许节点单跳将数据传输至网关，节点不需要进行侦听和转发数据，允许节点完成与网关数据传输后关闭射频模块，从而降低了节点功耗，低功耗的优点让低功耗广域网逐渐成为无线传感器网络重要发展方向。然而，针对其通讯速率较低，相同数据量占用信道时间长；传输距离远，相同节点部署密度，网关负载节点多。通信速度低和传输距离远的特点造成网络信道资源紧张，需要新型传输调度算法来有效提升无线信道的利用率，从而满足数据传输速率的要求。
农作物生长周期的识别对于农业生产十分重要，在玉米，小麦，水稻，棉花等作物中都有广泛的应用，精准的生长周期识别可以有效地指导农业生产。
生长周期的识别一般需要资深的农业技术人员去现场查看，这样虽然可以利用专家知识来获知生长周期，但偏远山区如果每天对每个地块区域都进行现场观察则代价巨大，而且一个专家也不一定对多种作物都熟悉，对操作人员的专业技术要求高，加上诸多主观因素，致使这种工作模式产生的结果缺乏统一的标准、时效性低、准确性差、工作效率低，极大的限制了其在农业生产中的推广应用。
发明内容
本发明的目的是为了解决现有方法对偏远山区农作物生长周期判断结果缺乏统一的标准、时效性低、准确性差、工作效率低的问题，而提出一种低功耗广域网内农作物生长数据传输系统及方法。
一种低功耗广域网内农作物生长数据传输系统包括图像数据获取模块、预处理模块、网络搭建模块、训练模块、广域网通信模块、机器学习模块；
所述图像数据获取模块用于获取农作物生长图像信息；
所述预处理模块用于对图像数据获取模块获取的信息进行预处理；
所述网络搭建模块用于建立机器学习模型；
所述训练模块用于根据预处理模块获取的预处理后信息对机器学习模型进行训练，获取训练好的机器学习模型；
所述广域网通信模块用于将图像数据获取模块获取的待处理的农作物生长图像信息传输给机器学习模块；
所述机器学习模块用于将待处理的农作物生长图像信息输入训练好的机器学习模型，获得识别结果。
优选地，所述图像数据获取模块用于获取农作物生长的图像信息；具体过程为：
判断不同视角拍摄的图像的边界值信息是否存在，如果所有图像的边界值信息都存在，则根据边界值信息，将所有图像进行拼接，恢复成连续图像；如果所有图像中有大于等于一种图像的边界值信息不存在，则采用图像处理算法处理边界值信息不存在的图像，使所有图像的边界值信息都存在，进而得到拼接后的连续图像；
所述图像处理算法具体过程为：
通过检测并提取边界图像的特征和关键点，使用RANSAC算法匹配特征向量，估计单应矩阵，确定不存在边界值信息的图像的边界信息。
优选地，所述预处理模块用于对图像数据获取模块获取的信息进行预处理；具体过程为：
对图像数据获取模块获取的农作物生长图像信息进行去噪处理；
式中，f(x,y)表示图像数据获取模块获取的农作物生长图像信号，g(x,y)表示去噪处理后图像信号，n(x,y)表示噪声。
优选地，所述网络搭建模块用于建立机器学习模型；
机器学习模型包括输入层、第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一CBAM注意力模块、第二CBAM注意力模块、第三CBAM注意力模块、第四CBAM注意力模块、第五CBAM注意力模块、第一激活层、第六卷积层、第七卷积层、第八卷积层、第一非对称卷积层、第二非对称卷积层、第三非对称卷积层、BN层，第二激活层、全局平均池化层和全连接层；
图像输入机器学习模型的输入层，经过输入层输入到第一卷积层进行特征图提取，对第一卷积层输出图像进行0.5倍的上采样，采样结果输入到第二卷积层进行特征图提取，对第二卷积层输出图像进行0.5倍的上采样，采样结果输入到第三卷积层进行特征图提取，对第三卷积层输出图像进行0.5倍的上采样，采样结果输入到第四卷积层进行特征图提取，第四卷积层输出图像输入到第五卷积层进行特征图提取；
对第五卷积层提取的特征图进行1*1的卷积操作改变特征图的维度，得到特征图M5；对第四卷积层提取的特征图进行1*1的卷积操作改变特征图的维度，得到特征图M4；对第三卷积层提取的特征图进行1*1的卷积操作改变特征图的维度，得到特征图M3；对第二卷积层提取的特征图进行1*1的卷积操作改变特征图的维度，得到特征图M2；
对特征图M5进行2倍上采样，采样结果输入到特征图M4，对特征图M4进行2倍上采样，采样结果输入到特征图M3，对特征图M3进行2倍上采样，采样结果输入到特征图M2；
对M5进行3*3的卷积得到特征图P5；对输入采样结果的特征图M4进行3*3的卷积得到特征图P4；对输入采样结果的特征图M3进行3*3的卷积得到特征图P3；对输入采样结果的特征图M2进行3*3的卷积得到特征图P2；
对特征图P5进行0.5倍的上采样得到特征图P6；
将特征图P2分别经过第一激活层、第一深度可分离卷积层、第一BN层，第一BN层输出作为第一CBAM注意力模块的输入；
将特征图P3分别经过第二激活层、第二深度可分离卷积层、第二BN层，第二BN层输出作为第二CBAM注意力模块的输入；
将特征图P4分别经过第三激活层、第三深度可分离卷积层、第三BN层，第三BN层输出作为第三CBAM注意力模块的输入；
将特征图P5分别经过第四激活层、第四深度可分离卷积层、第四BN层，第四BN层输出作为第四CBAM注意力模块的输入；
将特征图P6分别经过第五激活层、第五深度可分离卷积层、第五BN层，第五BN层输出作为第五CBAM注意力模块的输入；
融合第一CBAM注意力模块的输出、第二CBAM注意力模块的输出、第三CBAM注意力模块的输出、第四CBAM注意力模块的输出和第五CBAM注意力模块的输出，将融合后图像特征输入第六激活层；
将第六激活层的输出作为第六卷积层的输入；
将第六激活层的输出作为第七卷积层的输入；
将第六激活层的输出作为第八卷积层的输入；
第六卷积层的输出作为第一非对称卷积层的输入；
第七卷积层的输出作为第二非对称卷积层的输入；
第八卷积层的输出作为第三非对称卷积层的输入；
计算第一非对称卷积层输出的图像特征向量和第二非对称卷积层输出的图像特征向量的欧氏距离Distance(a,b)12；
计算第一非对称卷积层输出的图像特征向量和第三非对称卷积层输出的图像特征向量的欧氏距离Distance(a,b)23；
计算第二非对称卷积层输出的图像特征向量和第三非对称卷积层输出的图像特征向量的欧氏距离Distance(a,b)13；
将作为第一非对称卷积层输出的图像特征向量的权重；
将作为第二非对称卷积层输出的图像特征向量的权重；
将作为第三非对称卷积层输出的图像特征向量的权重；
按权重融合第一非对称卷积层的输出、第二非对称卷积层的输出、第三非对称卷积层的输出，将融合后图像特征输入第六BN层，第六BN层输出输入第七激活层，第七激活层的输出输入全局平均池化层，全局平均池化层的输出输入全连接层，全连接层输出特征向量。
优选地，所述欧氏距离表达式为：
式中，ai、bi为图像特征向量元素；i为元素个数。
所述卷积层的输出都进行L2正则化，L2正则化系数定为0.002。
优选地，所述训练模块用于根据预处理模块获取的预处理后信息对机器学习模型进行训练，获取训练好的机器学习模型；具体过程为：
将预处理模块获取的去噪处理后的农作物生长图像信息的训练集输入机器学习模型，直至机器学习模型收敛，得到训练好的机器学习模型。
优选地，所述广域网通信模块用于将图像数据获取模块获取的待处理的农作物生长图像信息传输给机器学习模块；具体过程为：
获取各个广域网通信模块所对应的通信信号强度；
取所有广域网通信模块通信信号强度的平均值，取通信信号强度大于平均值的广域网通信模块作为待选广域网通信模块；
取待选广域网通信模块中通信信号强度最大的广域网通信模块作为最终确定广域网通信模块，使用最终确定的广域网通信模块将图像数据获取模块获取的待处理的农作物生长图像信息传输给机器学习模块。
优选地，所述广域网通信模块的图像信息传输方式为单跳通信方式或多跳通信方式。
优选地，所述通信方式为单跳通信方式时，将图像信息数据存储至数据存储区；
所述通信方式为多跳通信方式时，判断图像信息数据的目标地址帧是否与当前通信节点的地址相同，若否，则将所述图像信息数据发送至下一通信节点；若是，则将图像信息数据存储至当前通信节点的数据存储区中。
一种低功耗广域网内农作物生长数据传输方法，该方法用于执行具体实施方式一至具体实施方式九之一的一种低功耗广域网内农作物生长数据传输系统。
本发明的有益效果为：
本发明提出了一种低功耗广域网内农作物生长数据传输系统及方法，在偏远山区通过广域网检测拍摄的偏远山区农作物生长图像的生长状况：获取各个广域网通信模块所对应的通信信号强度；取所有广域网通信模块通信信号强度的平均值，取通信信号强度大于平均值的广域网通信模块作为待选广域网通信模块；取待选广域网通信模块中通信信号强度最大的广域网通信模块作为最终确定广域网通信模块，使用最终确定的广域网通信模块将图像数据获取模块获取的待处理的偏远山区农作物生长图像信息传输给机器学习模块；
本发明提出了一种低功耗广域网内偏远山区农作物生长数据传输系统及方法，建立了机器学习模型，一种多尺度目标特征提取网络，再对不同尺度的特征进行融合，提高检测的准确率。
本发明提出了一种低功耗广域网内农作物生长数据传输系统，建立了机器学习模型，本发明以多分支卷积进行特征提取，同时应用注意力机制，对空间与通道信息进行特征加权分析，最后融合全部特征；这样不仅准确的提取到了有效特征，也减少了信息的损失；
本发明针对近年来网络模型的参数量越来越大的问题，构建了一个参数量较低的轻量级模型，使用深度可分离卷积和不对称卷积减小了模型的参数量，该网络模型能够在较低的复杂度下，使模型更加充分的挖掘图像关键信息，得到图像的准确分类，提高了图像分类准确率。
本发明使用深度可分离卷积与普通卷积交替组合的方式来提取深层特征，提取到的有效信息被送到注意力模块中，得到新的特征，新的特征进行融合，融合后输入激活层，激活层输出分别作为三个卷积层的输入，三个卷积层的输出分别作为三个非对称卷积层的输入，按权重融合三个非对称卷积层的输出，采用非对称卷积层减少运算量，准确提取有效特征，从而准确判断提高了图像分类准确率；
本发明对图像数据获取模块获取的农作物生长图像信息进行去噪处理，获得去噪后图像，提高了图像分类准确率。
本发明图像输入机器学习模型的输入层，经过输入层输入到第一卷积层进行特征图提取，对第一卷积层输出图像进行0.5倍的上采样，采样结果输入到第二卷积层进行特征图提取，对第二卷积层输出图像进行0.5倍的上采样，采样结果输入到第三卷积层进行特征图提取，对第三卷积层输出图像进行0.5倍的上采样，采样结果输入到第四卷积层进行特征图提取，第四卷积层输出图像输入到第五卷积层进行特征图提取；对第五卷积层提取的特征图进行1*1的卷积操作改变特征图的维度，得到特征图M5；对第四卷积层提取的特征图进行1*1的卷积操作改变特征图的维度，得到特征图M4；对第三卷积层提取的特征图进行1*1的卷积操作改变特征图的维度，得到特征图M3；对第二卷积层提取的特征图进行1*1的卷积操作改变特征图的维度，得到特征图M2；对特征图M5进行2倍上采样，采样结果输入到特征图M4，对特征图M4进行2倍上采样，采样结果输入到特征图M3，对特征图M3进行2倍上采样，采样结果输入到特征图M2；对M5进行3*3的卷积得到特征图P5；对输入采样结果的特征图M4进行3*3的卷积得到特征图P4；对输入采样结果的特征图M3进行3*3的卷积得到特征图P3；对输入采样结果的特征图M2进行3*3的卷积得到特征图P2；对特征图P5进行0.5倍的上采样得到特征图P6；以上操作降低像素关联度，提高特征提取准确率；
本发明为了构建轻量级网络，本发明采用深度可分离卷积与普通卷积结合的方式，以缓解模型参数量较大，训练速度慢的问题，摒弃了传统多个大卷积直接线性堆叠的方式，应用非对称卷积，相比于传统n×n的普通卷积，参数量大幅度减小。经过BN层处理，加快了模型的收敛速度；此外，为了防止训练中产生过拟合的现象，在卷积层的权重中加入了个L2正则化惩罚，惩罚系数为0.0005。
本发明获取各个广域网通信模块所对应的通信信号强度；取所有广域网通信模块通信信号强度的平均值，取通信信号强度大于平均值的广域网通信模块作为待选广域网通信模块；取所有广域网通信模块通信信号强度的平均值避免了误判广域网通信模块通信信号强度，后期选取信信号强度大于平均值的广域网通信模块作为待选广域网通信模块，避免漏选广域网通信模块，提高了图像数据的效率和准确率。
附图说明
图1为本发明模型框架图。
具体实施方式
具体实施方式一：本实施方式一种低功耗广域网内农作物生长数据传输系统包括图像数据获取模块、预处理模块、网络搭建模块、训练模块、广域网通信模块、机器学习模块；
所述图像数据获取模块用于获取农作物生长图像信息；
所述预处理模块用于对图像数据获取模块获取的信息进行预处理；
所述网络搭建模块用于建立机器学习模型；
所述训练模块用于根据预处理模块获取的预处理后信息对机器学习模型进行训练，获取训练好的机器学习模型；
所述广域网通信模块用于将图像数据获取模块获取的待处理的农作物生长图像信息传输给机器学习模块；
所述机器学习模块用于将待处理的农作物生长图像信息输入训练好的机器学习模型，获得识别结果。
具体实施方式二：本实施方式与具体实施方式一不同的是，所述图像数据获取模块用于获取农作物生长的图像信息；具体过程为：
判断不同视角拍摄的图像的边界值信息是否存在，如果所有图像的边界值信息都存在，则根据边界值信息，将所有图像进行拼接，恢复成连续图像；如果所有图像中有大于等于一种图像的边界值信息不存在，则采用图像处理算法处理边界值信息不存在的图像，使所有图像的边界值信息都存在，进而得到拼接后的连续图像；
所述图像处理算法具体过程为：
通过检测并提取边界图像的特征和关键点，使用RANSAC算法匹配特征向量，估计单应矩阵，确定不存在边界值信息的图像的边界信息。
其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是，所述预处理模块用于对图像数据获取模块获取的信息进行预处理；具体过程为：
对图像数据获取模块获取的农作物生长图像信息进行去噪处理；
式中，f(x,y)表示图像数据获取模块获取的农作物生长图像信号，g(x,y)表示去噪处理后图像信号，n(x,y)表示噪声。
去噪去除噪声，获得去噪后图像。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是，所述网络搭建模块用于建立机器学习模型；
机器学习模型包括输入层、第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一CBAM注意力模块、第二CBAM注意力模块、第三CBAM注意力模块、第四CBAM注意力模块、第五CBAM注意力模块、第一激活层、第六卷积层、第七卷积层、第八卷积层、第一非对称卷积层、第二非对称卷积层、第三非对称卷积层、BN层，第二激活层、全局平均池化层和全连接层；
图像输入机器学习模型的输入层，经过输入层输入到第一卷积层进行特征图提取，对第一卷积层输出图像进行0.5倍的上采样，采样结果输入到第二卷积层进行特征图提取，对第二卷积层输出图像进行0.5倍的上采样，采样结果输入到第三卷积层进行特征图提取，对第三卷积层输出图像进行0.5倍的上采样，采样结果输入到第四卷积层进行特征图提取，第四卷积层输出图像输入到第五卷积层进行特征图提取；
对第五卷积层提取的特征图进行1*1的卷积操作改变特征图的维度，得到特征图M5；对第四卷积层提取的特征图进行1*1的卷积操作改变特征图的维度，得到特征图M4；对第三卷积层提取的特征图进行1*1的卷积操作改变特征图的维度，得到特征图M3；对第二卷积层提取的特征图进行1*1的卷积操作改变特征图的维度，得到特征图M2；
对特征图M5进行2倍上采样，采样结果输入到特征图M4，对特征图M4进行2倍上采样，采样结果输入到特征图M3，对特征图M3进行2倍上采样，采样结果输入到特征图M2；
对M5进行3*3的卷积得到特征图P5；对输入采样结果的特征图M4进行3*3的卷积得到特征图P4；对输入采样结果的特征图M3进行3*3的卷积得到特征图P3；对输入采样结果的特征图M2进行3*3的卷积得到特征图P2；
对特征图P5进行0.5倍的上采样得到特征图P6；
将特征图P2分别经过第一激活层、第一深度可分离卷积层、第一BN层，第一BN层输出作为第一CBAM注意力模块的输入；
将特征图P3分别经过第二激活层、第二深度可分离卷积层、第二BN层，第二BN层输出作为第二CBAM注意力模块的输入；
将特征图P4分别经过第三激活层、第三深度可分离卷积层、第三BN层，第三BN层输出作为第三CBAM注意力模块的输入；
将特征图P5分别经过第四激活层、第四深度可分离卷积层、第四BN层，第四BN层输出作为第四CBAM注意力模块的输入；
将特征图P6分别经过第五激活层、第五深度可分离卷积层、第五BN层，第五BN层输出作为第五CBAM注意力模块的输入；
融合第一CBAM注意力模块的输出、第二CBAM注意力模块的输出、第三CBAM注意力模块的输出、第四CBAM注意力模块的输出和第五CBAM注意力模块的输出，将融合后图像特征输入第六激活层；
将第六激活层的输出作为第六卷积层的输入；
将第六激活层的输出作为第七卷积层的输入；
将第六激活层的输出作为第八卷积层的输入；
第六卷积层的输出作为第一非对称卷积层的输入；
第七卷积层的输出作为第二非对称卷积层的输入；
第八卷积层的输出作为第三非对称卷积层的输入；
计算第一非对称卷积层输出的图像特征向量和第二非对称卷积层输出的图像特征向量的欧氏距离Distance(a,b)12；
计算第一非对称卷积层输出的图像特征向量和第三非对称卷积层输出的图像特征向量的欧氏距离Distance(a,b)23；
计算第二非对称卷积层输出的图像特征向量和第三非对称卷积层输出的图像特征向量的欧氏距离Distance(a,b)13；
将作为第一非对称卷积层输出的图像特征向量的权重；
将作为第二非对称卷积层输出的图像特征向量的权重；
将作为第三非对称卷积层输出的图像特征向量的权重；
按权重融合第一非对称卷积层的输出、第二非对称卷积层的输出、第三非对称卷积层的输出，将融合后图像特征输入第六BN层，第六BN层输出输入第七激活层，第七激活层的输出输入全局平均池化层，全局平均池化层的输出输入全连接层，全连接层输出特征向量。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是，所述欧氏距离表达式为：
式中，ai、bi为图像特征向量元素；i为元素个数；
所述卷积层的输出都进行L2正则化，L2正则化系数定为0.002。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六：本实施方式与具体实施方式一至五之一不同的是，所述训练模块用于根据预处理模块获取的预处理后信息对机器学习模型进行训练，获取训练好的机器学习模型；具体过程为：
将预处理模块获取的去噪处理后的农作物生长图像信息的训练集输入机器学习模型，直至机器学习模型收敛，得到训练好的机器学习模型。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七：本实施方式与具体实施方式一至六之一不同的是，所述广域网通信模块用于将图像数据获取模块获取的待处理的农作物生长图像信息传输给机器学习模块；具体过程为：
获取各个广域网通信模块所对应的通信信号强度；
取所有广域网通信模块通信信号强度的平均值，取通信信号强度大于平均值的广域网通信模块作为待选广域网通信模块；
取待选广域网通信模块中通信信号强度最大的广域网通信模块作为最终确定广域网通信模块，使用最终确定的广域网通信模块将图像数据获取模块获取的待处理的农作物生长图像信息传输给机器学习模块。
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八：本实施方式与具体实施方式一至七之一不同的是，所述广域网通信模块的图像信息传输方式为单跳通信方式或多跳通信方式。
其它步骤及参数与具体实施方式一至七之一相同。
具体实施方式九：本实施方式与具体实施方式一至八之一不同的是，所述通信方式为单跳通信方式时，将图像信息数据存储至数据存储区；
所述通信方式为多跳通信方式时，判断图像信息数据的目标地址帧是否与当前通信节点的地址相同，若否，则将所述图像信息数据发送至下一通信节点；若是，则将图像信息数据存储至当前通信节点的数据存储区中。
其它步骤及参数与具体实施方式一至八之一相同。
具体实施方式十：本实施方式一种低功耗广域网内农作物生长数据传输方法，该方法用于执行具体实施方式一至具体实施方式九之一的一种低功耗广域网内农作物生长数据传输系统。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (7)

1.一种低功耗广域网内农作物生长数据传输系统，其特征在于：所述系统包括图像数据获取模块、预处理模块、网络搭建模块、训练模块、广域网通信模块、机器学习模块；
所述图像数据获取模块用于获取农作物生长图像信息；
所述预处理模块用于对图像数据获取模块获取的信息进行预处理；
所述网络搭建模块用于建立机器学习模型；
所述训练模块用于根据预处理模块获取的预处理后信息对机器学习模型进行训练，获取训练好的机器学习模型；
所述广域网通信模块用于将图像数据获取模块获取的待处理的农作物生长图像信息传输给机器学习模块；
所述机器学习模块用于将待处理的农作物生长图像信息输入训练好的机器学习模型，获得识别结果；
所述图像数据获取模块用于获取农作物生长的图像信息；具体过程为：
判断不同视角拍摄的图像的边界值信息是否存在，如果所有图像的边界值信息都存在，则根据边界值信息，将所有图像进行拼接，恢复成连续图像；如果所有图像中有大于等于一种图像的边界值信息不存在，则采用图像处理算法处理边界值信息不存在的图像，使所有图像的边界值信息都存在，进而得到拼接后的连续图像；
所述图像处理算法具体过程为：
通过检测并提取边界图像的特征和关键点，使用RANSAC算法匹配特征向量，估计单应矩阵，确定不存在边界值信息的图像的边界信息；
所述预处理模块用于对图像数据获取模块获取的信息进行预处理；具体过程为：
对图像数据获取模块获取的农作物生长图像信息进行去噪处理；
式中，f(x,y)表示图像数据获取模块获取的农作物生长图像信号，g(x,y)表示去噪处理后图像信号，n(x,y)表示噪声；
所述网络搭建模块用于建立机器学习模型；
机器学习模型包括输入层、第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一CBAM注意力模块、第二CBAM注意力模块、第三CBAM注意力模块、第四CBAM注意力模块、第五CBAM注意力模块、第一激活层、第六卷积层、第七卷积层、第八卷积层、第一非对称卷积层、第二非对称卷积层、第三非对称卷积层、BN层，第二激活层、全局平均池化层和全连接层；
图像输入机器学习模型的输入层，经过输入层输入到第一卷积层进行特征图提取，对第一卷积层输出图像进行0.5倍的上采样，采样结果输入到第二卷积层进行特征图提取，对第二卷积层输出图像进行0.5倍的上采样，采样结果输入到第三卷积层进行特征图提取，对第三卷积层输出图像进行0.5倍的上采样，采样结果输入到第四卷积层进行特征图提取，第四卷积层输出图像输入到第五卷积层进行特征图提取；
对第五卷积层提取的特征图进行1*1的卷积操作改变特征图的维度，得到特征图M5；对第四卷积层提取的特征图进行1*1的卷积操作改变特征图的维度，得到特征图M4；对第三卷积层提取的特征图进行1*1的卷积操作改变特征图的维度，得到特征图M3；对第二卷积层提取的特征图进行1*1的卷积操作改变特征图的维度，得到特征图M2；
对特征图M5进行2倍上采样，采样结果输入到特征图M4，对特征图M4进行2倍上采样，采样结果输入到特征图M3，对特征图M3进行2倍上采样，采样结果输入到特征图M2；
对M5进行3*3的卷积得到特征图P5；对输入采样结果的特征图M4进行3*3的卷积得到特征图P4；对输入采样结果的特征图M3进行3*3的卷积得到特征图P3；对输入采样结果的特征图M2进行3*3的卷积得到特征图P2；
对特征图P5进行0.5倍的上采样得到特征图P6；
将特征图P2分别经过第一激活层、第一深度可分离卷积层、第一BN层，第一BN层输出作为第一CBAM注意力模块的输入；
将特征图P3分别经过第二激活层、第二深度可分离卷积层、第二BN层，第二BN层输出作为第二CBAM注意力模块的输入；
将特征图P4分别经过第三激活层、第三深度可分离卷积层、第三BN层，第三BN层输出作为第三CBAM注意力模块的输入；
将特征图P5分别经过第四激活层、第四深度可分离卷积层、第四BN层，第四BN层输出作为第四CBAM注意力模块的输入；
将特征图P6分别经过第五激活层、第五深度可分离卷积层、第五BN层，第五BN层输出作为第五CBAM注意力模块的输入；
融合第一CBAM注意力模块的输出、第二CBAM注意力模块的输出、第三CBAM注意力模块的输出、第四CBAM注意力模块的输出和第五CBAM注意力模块的输出，将融合后图像特征输入第六激活层；
将第六激活层的输出作为第六卷积层的输入；
将第六激活层的输出作为第七卷积层的输入；
将第六激活层的输出作为第八卷积层的输入；
第六卷积层的输出作为第一非对称卷积层的输入；
第七卷积层的输出作为第二非对称卷积层的输入；
第八卷积层的输出作为第三非对称卷积层的输入；
计算第一非对称卷积层输出的图像特征向量和第二非对称卷积层输出的图像特征向量的欧氏距离Distance(a,b)12；
计算第一非对称卷积层输出的图像特征向量和第三非对称卷积层输出的图像特征向量的欧氏距离Distance(a,b)23；
计算第二非对称卷积层输出的图像特征向量和第三非对称卷积层输出的图像特征向量的欧氏距离Distance(a,b)13；
将作为第一非对称卷积层输出的图像特征向量的权重；
将作为第二非对称卷积层输出的图像特征向量的权重；
将作为第三非对称卷积层输出的图像特征向量的权重；
按权重融合第一非对称卷积层的输出、第二非对称卷积层的输出、第三非对称卷积层的输出，将融合后图像特征输入第六BN层，第六BN层输出输入第七激活层，第七激活层的输出输入全局平均池化层，全局平均池化层的输出输入全连接层，全连接层输出特征向量。
2.根据权利要求1所述一种低功耗广域网内农作物生长数据传输系统，其特征在于：所述欧氏距离表达式为：
式中，ai、bi为图像特征向量元素；i为元素个数；
所述卷积层的输出都进行L2正则化，L2正则化系数定为0.002。
3.根据权利要求2所述一种低功耗广域网内农作物生长数据传输系统，其特征在于：所述训练模块用于根据预处理模块获取的预处理后信息对机器学习模型进行训练，获取训练好的机器学习模型；具体过程为：
将预处理模块获取的去噪处理后的农作物生长图像信息的训练集输入机器学习模型，直至机器学习模型收敛，得到训练好的机器学习模型。
4.根据权利要求3所述一种低功耗广域网内农作物生长数据传输系统，其特征在于：所述广域网通信模块用于将图像数据获取模块获取的待处理的农作物生长图像信息传输给机器学习模块；具体过程为：
获取各个广域网通信模块所对应的通信信号强度；
取所有广域网通信模块通信信号强度的平均值，取通信信号强度大于平均值的广域网通信模块作为待选广域网通信模块；
取待选广域网通信模块中通信信号强度最大的广域网通信模块作为最终确定广域网通信模块，使用最终确定的广域网通信模块将图像数据获取模块获取的待处理的农作物生长图像信息传输给机器学习模块。
5.根据权利要求4所述一种低功耗广域网内农作物生长数据传输系统，其特征在于：所述广域网通信模块的图像信息传输方式为单跳通信方式或多跳通信方式。
6.根据权利要求5所述一种低功耗广域网内农作物生长数据传输系统，其特征在于：所述通信方式为单跳通信方式时，将图像信息数据存储至数据存储区；
所述通信方式为多跳通信方式时，判断图像信息数据的目标地址帧是否与当前通信节点的地址相同，若否，则将所述图像信息数据发送至下一通信节点；若是，则将图像信息数据存储至当前通信节点的数据存储区中。
7.一种低功耗广域网内农作物生长数据传输方法，其特征在于：该方法用于执行权利要求1至权利要求6中任一项所述的一种低功耗广域网内农作物生长数据传输系统。
CN202111083814.2A 2021-09-14 2021-09-14 一种低功耗广域网内农作物生长数据传输系统及方法 Active CN113792744B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111083814.2A CN113792744B (zh) 2021-09-14 2021-09-14 一种低功耗广域网内农作物生长数据传输系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111083814.2A CN113792744B (zh) 2021-09-14 2021-09-14 一种低功耗广域网内农作物生长数据传输系统及方法

Publications (2)

Publication Number Publication Date
CN113792744A CN113792744A (zh) 2021-12-14
CN113792744B true CN113792744B (zh) 2023-09-05

Family

ID=78878562

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111083814.2A Active CN113792744B (zh) 2021-09-14 2021-09-14 一种低功耗广域网内农作物生长数据传输系统及方法

Country Status (1)

Country Link
CN (1) CN113792744B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109299783A (zh) * 2018-12-18 2019-02-01 哈尔滨工业大学 基于异构域迁移的舆情角色识别迁移系统
CN110839519A (zh) * 2019-12-02 2020-02-28 成都信息工程大学 一种基于深度学习的物联网智能的农业灌溉装置和方法
CN111144168A (zh) * 2018-11-02 2020-05-12 阿里巴巴集团控股有限公司 农作物生长周期的识别方法、设备以及系统
CN112288739A (zh) * 2020-11-20 2021-01-29 哈尔滨工业大学 一种基于深度学习的静脉血管分割方法
CN112330681A (zh) * 2020-11-06 2021-02-05 北京工业大学 一种基于注意力机制的轻量级网络实时语义分割方法
JP6830707B1 (ja) * 2020-01-23 2021-02-17 同▲済▼大学 ランダムバッチマスクとマルチスケール表現学習を融合した人物再同定方法
CN112733663A (zh) * 2020-12-29 2021-04-30 山西大学 一种基于图像识别的学生专注力的检测方法
CN112788686A (zh) * 2020-12-30 2021-05-11 浙江华消科技有限公司 LoRa设备的信道选择方法、装置和电子装置
CN112861978A (zh) * 2021-02-20 2021-05-28 齐齐哈尔大学 一种基于注意力机制的多分支特征融合遥感场景图像分类方法
CN112996136A (zh) * 2021-04-26 2021-06-18 深圳市汇顶科技股份有限公司 一种nb-iot端的数据传输方法、nb-iot芯片、设备及通信系统
CN113221839A (zh) * 2021-06-02 2021-08-06 哈尔滨市科佳通用机电股份有限公司 一种货车图像自动识别方法及识别系统
CN113361494A (zh) * 2021-07-22 2021-09-07 金泰(深圳)科技文化有限公司 基于人脸识别的自助服务方法及自助服务系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111144168A (zh) * 2018-11-02 2020-05-12 阿里巴巴集团控股有限公司 农作物生长周期的识别方法、设备以及系统
CN109299783A (zh) * 2018-12-18 2019-02-01 哈尔滨工业大学 基于异构域迁移的舆情角色识别迁移系统
CN110839519A (zh) * 2019-12-02 2020-02-28 成都信息工程大学 一种基于深度学习的物联网智能的农业灌溉装置和方法
JP6830707B1 (ja) * 2020-01-23 2021-02-17 同▲済▼大学 ランダムバッチマスクとマルチスケール表現学習を融合した人物再同定方法
CN112330681A (zh) * 2020-11-06 2021-02-05 北京工业大学 一种基于注意力机制的轻量级网络实时语义分割方法
CN112288739A (zh) * 2020-11-20 2021-01-29 哈尔滨工业大学 一种基于深度学习的静脉血管分割方法
CN112733663A (zh) * 2020-12-29 2021-04-30 山西大学 一种基于图像识别的学生专注力的检测方法
CN112788686A (zh) * 2020-12-30 2021-05-11 浙江华消科技有限公司 LoRa设备的信道选择方法、装置和电子装置
CN112861978A (zh) * 2021-02-20 2021-05-28 齐齐哈尔大学 一种基于注意力机制的多分支特征融合遥感场景图像分类方法
CN112996136A (zh) * 2021-04-26 2021-06-18 深圳市汇顶科技股份有限公司 一种nb-iot端的数据传输方法、nb-iot芯片、设备及通信系统
CN113221839A (zh) * 2021-06-02 2021-08-06 哈尔滨市科佳通用机电股份有限公司 一种货车图像自动识别方法及识别系统
CN113361494A (zh) * 2021-07-22 2021-09-07 金泰(深圳)科技文化有限公司 基于人脸识别的自助服务方法及自助服务系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于SSD目标检测框架的乌龟常见病症识别方法;鲍烈;王曼韬;刘江川;彭珍;彭帅波;;沈阳农业大学学报(第02期);全文 *

Also Published As

Publication number Publication date
CN113792744A (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
CN112153736B (zh) 一种基于信道状态信息的人员动作识别和位置估计方法
CN111291809B (zh) 一种处理装置、方法及存储介质
CN107688856B (zh) 基于深度强化学习的室内机器人场景主动识别方法
CN107451565B (zh) 一种半监督小样本深度学习图像模式分类识别方法
CN110543890A (zh) 一种基于特征金字塔的深度神经网络图像匹配方法
CN111598167B (zh) 基于图学习的小样本图像识别方法及系统
CN111127423B (zh) 一种基于cnn-bp神经网络算法水稻病虫害识别方法
CN104700100A (zh) 面向高空间分辨率遥感大数据的特征提取方法
CN116503418B (zh) 一种复杂场景下的作物三维目标检测方法
CN112749663A (zh) 基于物联网和ccnn模型的农业果实成熟度检测系统
CN116681929A (zh) 一种麦类作物病害图像识别方法
CN108537342A (zh) 一种基于邻居信息的网络表示学习方法及系统
Sehree et al. Olive trees cases classification based on deep convolutional neural network from unmanned aerial vehicle imagery
CN113936019A (zh) 一种基于卷积神经网络技术的大田作物产量估算方法
CN113792744B (zh) 一种低功耗广域网内农作物生长数据传输系统及方法
CN117876823A (zh) 一种茶园图像检测方法及其模型训练方法和系统
CN117670527A (zh) 基于地块数据的农户贷款授信额度确定方法及系统
CN116740337A (zh) 一种红花采摘点识别定位方法及采摘系统
CN114915526B (zh) 通信信号调制识别方法、装置及系统
CN115393608A (zh) 一种基于非线性膨胀率卷积模块的目标检测系统及方法
CN116453002A (zh) 一种数字农业的人工智能图像识别作物长势分析算法
CN116800840A (zh) 基于特征差异检测的农业图像传输方法、系统及介质
Guo et al. Identifying rice field weeds from unmanned aerial vehicle remote sensing imagery using deep learning
CN115062690A (zh) 一种基于域自适应网络的轴承故障诊断方法
CN114519402A (zh) 一种基于神经网络模型的柑橘病虫害检测方法

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