CN114612661A - 基于神经网络的蔬菜种植机智能控制方法 - Google Patents
基于神经网络的蔬菜种植机智能控制方法 Download PDFInfo
- Publication number
- CN114612661A CN114612661A CN202210224849.1A CN202210224849A CN114612661A CN 114612661 A CN114612661 A CN 114612661A CN 202210224849 A CN202210224849 A CN 202210224849A CN 114612661 A CN114612661 A CN 114612661A
- Authority
- CN
- China
- Prior art keywords
- vegetable
- image
- reconstructed
- model
- area
- 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.)
- Pending
Links
- 235000013311 vegetables Nutrition 0.000 title claims abstract description 250
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 238000005286 illumination Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 description 8
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000001802 infusion Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
Images
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Agronomy & Crop Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及种植机智能控制技术领域,具体涉及一种基于神经网络的蔬菜种植机智能控制方法。该方法根据异常传感器信息获得异常位置处的单个蔬菜图像。以单个蔬菜图像作为训练图像训练变分自编码网络,将训练图像分为遮挡部分图像和未遮挡部分图像,根据遮挡部分的中的遮挡程度类别选用不同的重构模型,通过不断的迭代更新完成变分自编码网络的训练。根据变分自编码网络重构出单个蔬菜图像的重构蔬菜图像。通过重构蔬菜图像与单个蔬菜图像的偏移信息调整蔬菜种植机的参数。本发明实施例利用图像信息分析蔬菜的长势,并利用正常长势的重构蔬菜图像与真实图像的偏移信息对蔬菜种植机进行参数控制,以获得长势均匀质量高的蔬菜。
Description
技术领域
本发明涉及种植机智能控制技术领域,具体涉及一种基于神经网络的蔬菜种植机智能控制方法。
背景技术
智能蔬菜种植机为设施农业的一种存在形式,它简化了传统种植方式的诸多步骤,满足了部分现代城市人自主种植蔬菜的需求。并且现代的智能种植机通过设置多个电子装置,完成自动补水、补液、补光、雾化等功能操作,并且与用户手机、电脑等电子设备连接,实现智能数据展示和智能自动化控制。通过智能种植机中设置的传感器获取蔬菜的各个状态信息,并将传感器信息反馈传输给后台终端,进行生长状态监测、土壤环境及光照指数的采集分析等智能功能。
智能蔬菜种植机能够通过控制光的周期和光质比对光源强度进行调节,并利用物联网获取蔬菜培养过程中的生长数据、环境数据等,通过对数据分析实现自动灌溉、施肥喷药、光照补偿等。但是相关控制都是根据数据本身的变化,没有考虑到蔬菜自身的长势,蔬菜自身长势同样会影响最终蔬菜收成效果,仅根据数据进行分析无法保证蔬菜成品质量均匀。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于神经网络的蔬菜种植机智能控制方法,所采用的技术方案具体如下:
本发明提出了一种基于神经网络的蔬菜种植机智能控制方法,所述方法包括:
获取蔬菜种植机的传感器信息;根据所述传感器信息确定异常蔬菜位置;采集所述异常蔬菜位置处每颗蔬菜的单个蔬菜图像;
将所述单个蔬菜图像输入预先训练好的变分自编码网络中,获得重构蔬菜图像;所述变分自编码网络以所述单个蔬菜图像作为训练图像,将所述训练图像根据蔬菜对称性分为遮挡部分图像和未遮挡部分图像;根据所述遮挡部分图像判断所述训练图像的遮挡程度类别;所述遮挡程度类别包括完全遮挡和部分遮挡;若所述遮挡部分图像为所述部分遮挡,以所述遮挡部分图像的隐变量概率分布模型作为重构模型,获取所述重构模型与所述未遮挡部分图像的所述隐变量概率分布模型的模型差异,根据所述遮挡部分图像的遮挡面积和所述模型差异更新所述重构模型;若所述遮挡部分为所述完全遮挡,以所述未遮挡部分的所述隐变量概率分布模型作为所述重构模型,根据所述重构蔬菜图像获得所述遮挡部分图像的所述遮挡面积,根据遮挡部分图像在所述重构蔬菜图像对应位置处的所述隐变量概率分布模型与所述重构模型的所述模型差异和所述遮挡面积更新所述重构模型;所述变分自编码网络以所述重构模型与标准高斯分布之间的KL散度作为第一损失函数,以所述重构蔬菜图像和所述训练图像的差异作为第二损失函数;
根据所述重构蔬菜图像中的重构蔬菜区域中心点与所述单个蔬菜图像中的蔬菜区域中心点的坐标信息获得所述蔬菜区域中心点的中心点偏移信息;根据所述中心点偏移信息控制所述蔬菜种植机的参数。
进一步地,所述根据所述传感器信息确定异常蔬菜位置包括:
获取包含多个维度信息的所述传感器信息;获取每个维度的所述传感器信息和对应维度的标准传感器信息的差异指标;若所述差异指标大于预设差异阈值,则认为对应的所述传感器信息为异常传感器信息,根据所述异常传感器信息获得对应的所述异常蔬菜位置。
进一步地,所述将所述训练图像根据蔬菜对称性分为遮挡部分图像和未遮挡部分图像包括:
所述变分自编码网络包括语义分割子网络,将所述训练图像输入语义分割子网络中,输出所述遮挡部分图像、未遮挡部分图像和所述遮挡部分图像上的遮挡区域;若所述遮挡部分图像为完全遮挡,则所述语义分割子网络的语义分割结果中不存在所述遮挡区域信息。
进一步地,所述根据所述遮挡部分图像的遮挡面积和所述模型差异更新所述重构模型包括:
以所述重构模型与未遮挡部分图像的所述隐变量概率分布模型的比值作为所述模型差异,根据所述模型差异和所述遮挡面积获得模型调节参数,所述模型调节参数包括:
α=es+β
其中,α为所述模型调节参数,s为所述遮挡面积,β为所述模型差异;
根据所述模型调节参数更新所述重构模型包括:
其中,z1为所述重构模型,σ2为所述重构模型的方差,μ为所述重构模型的均值,α为所述模型调节参数。
进一步地,所述以所述重构模型与标准高斯分布之间的KL散度作为第一损失函数包括:
其中,L1为所述第一损失函数,σ2为所述重构模型的方差,μ为所述重构模型的均值,α为所述模型调节参数,KL[]为KL散度计算函数。
进一步地,所述以所述重构蔬菜图像和所述训练图像的差异作为第二损失函数包括:
进一步地,所述根据所述重构蔬菜图像中的重构蔬菜区域中心点与所述单个蔬菜图像中的蔬菜区域中心点的坐标信息获得所述蔬菜区域中心点的中心点偏移信息还包括:
获取所述重构蔬菜图像中的重构蔬菜边缘梯度幅值和所述单个蔬菜图像中的单个蔬菜边缘梯度幅值;根据重叠率公式获得所述重构蔬菜图像和所述单个蔬菜图像的偏差率,所述偏差率公式包括:
其中,为所述偏差率,(ax,ay)为所述重构蔬菜区域中心点的坐标,(bx,by)为所述蔬菜区域中心点的坐标,n为重构蔬菜边缘像素点的个数,m为单个蔬菜边缘像素点的个数,gi为第i个所述重构蔬菜边缘像素点的所述重构蔬菜边缘梯度幅值,gj为第j个所述单个蔬菜边缘像素点的所述单个蔬菜边缘梯度幅值;
若所述偏差率大于预设偏差率阈值,则获取所述中心点偏移信息。
进一步地,所述获取所述中心点偏移信息包括:
所述偏移信息包括偏移方向和偏移距离;以所述重构蔬菜区域中心点到所述蔬菜区域中心点的方向作为所述偏移方向,以所述重构蔬菜区域中心点到所述蔬菜区域中心点的距离作为所述偏移距离。
进一步地,所述根据所述中心点偏移信息控制所述蔬菜种植机的参数包括:
以所述偏移方向的反方向作为所述蔬菜种植机的光照补偿方向;根据历史数据将所述偏移距离和光照调节幅度进行数据拟合,根据拟合关系控制所述蔬菜种植机的所述光照调节幅度。
本发明具有如下有益效果:
1.本发明实施例通过计算机视觉获得异常数据处的蔬菜的图像信息,根据图像信息反映蔬菜的长势信息。因为蔬菜被遮挡位置接收光照较弱,因此将单个蔬菜图像利用变分自编码网络进行重构,获得正常长势的重构蔬菜图像。根据重构蔬菜图像和单个蔬菜图像的重叠分析,获得蔬菜种植机所需调整的参数,实现根据传感器信息和蔬菜长势信息智能控制蔬菜种植机。
2.本发明实施例在训练变分自编码网络过程中,将训练图像分为遮挡部分和未遮挡部分。根据遮挡部分的形态特征获的遮挡程度类别,根据不同的遮挡程度类别变分自编码网络进行不同的重构方法。提高了网络的泛化能力,使网络重构能力更强,使用范围更广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于神经网络的蔬菜种植机智能控制方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于神经网络的蔬菜种植机智能控制方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于神经网络的蔬菜种植机智能控制方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于神经网络的蔬菜种植机智能控制方法流程图,该方法包括:
步骤S1:获取蔬菜种植机的传感器信息;根据传感器信息确定异常蔬菜位置;采集异常蔬菜位置处每颗蔬菜的单个蔬菜图像。
在蔬菜种植机中存在大量的传感器,且通过分布式传感器的分布可以获得蔬菜种植机中各个位置处传感器信息。因为传感器包含多个类别,所以传感器信息是包含多个维度的数据,每个维度表示一个数据类别,例如需水量、光照度、营养液比例、PH值、二氧化碳浓度、土壤湿度等等。
每个维度的传感器信息都对应一个标准传感器信息,即蔬菜正常生长过程中当前时刻所表现出来的数据,例如在需水量会根据蔬菜不断的生长发育逐渐上升。因此获取每个维度的传感器信息和对应维度的标准传感器信息的差异指标,若差异指标大于差异阈值,则认为对应的传感器信息为异常传感器信息,异常传感器信息对应的位置为异常蔬菜位置。
在本发明实施例中,在分析各个维度的传感器信息的差异指标时,为了便于分析,将每个维度的差异信息都进行归一化,将差异指标设置为0.2。
确定异常蔬菜位置后即可获得异常位置处的蔬菜图像。本发明实施例旨在分析蔬菜的长势,因此在获得蔬菜图像后需要将其进行分割裁剪获得每颗蔬菜的单个蔬菜图像。
需要说明的是,单个蔬菜图像的分割可利用多种本领域技术人员熟知的技术手段进行实现,例如语义分割神经网络等,在此不做赘述。
步骤S2:将所述单个蔬菜图像输入预先训练好的变分自编码网络中,获得重构蔬菜图像。
如果存在某颗蔬菜因为长势问题被相邻蔬菜或者其他物体遮挡,则在单个蔬菜图像中蔬菜区域为一个信息不完整的蔬菜形状。因此为了分析此时蔬菜的长势,需要根据该单个蔬菜图像重构出一张完整生长发育的重构蔬菜图像。
变分自编码网络以概率的方式描述对潜在空间的观察,可有效运用于数据生成领域。传统的变分自编码网络为编码-解码结构,编码器用于提取输入数据的特征,解码器用于根据特征重构出重构图像。需要说明的是,单个蔬菜图像中包含多种图像特征,例如图像边缘特征、像素特征、颜色特征、纹理特征等,变分自编码网络以每个特征对应的隐变量概率分布模型作为编码器输出的隐变量特征,因为图像存在多种特征,因此编码器输出的为一个多维的隐变量概率分布模型,其中每个维度对应一种图像特征,为了便于描述,在后续说明过程中仅以一个维度下的隐变量概率分布模型进行说明。
在变分自编码网络训练过程中,以存在遮挡的单个蔬菜图像作为训练图像。为了能够使得训练出来的变分自编码网络能够重构出正常长势的蔬菜图像,需要在训练过程中根据单个蔬菜图像的遮挡程度执行相应的参数更新过程。
由先验知识可知,在蔬菜种植机中优秀质量的蔬菜呈一定的对称性,即蔬菜左右两边长势相同,不会出现较为畸形的长势。因此可根据蔬菜对称性,以根部方向作为对称轴将蔬菜图像进行分割,将训练图像分为遮挡部分图像和未遮挡部分图像。需要说明的是,此处的对称性并非一张图像中蔬菜区域的对称性,即分割结果中遮挡部分图像与未遮挡部分图像并不相同,具体分割操作包括:将训练图像输入变分自编码网络中的语义分割子网络中,输出遮挡部分图像、未遮挡部分图像和遮挡部分图像上的遮挡区域。需要说明的是,蔬菜种植机的数据反馈周期较短,因此不会出现一颗蔬菜将相邻蔬菜完全遮挡导致采集到的图像信息过少或者无法采集蔬菜图像信息的情况。
在本发明实施例中,在语义分割网络中将未遮挡部分图像像素点标记为0,遮挡部分图像标记为1,遮挡区域标记为2.通过大量数据的训练,语义分割网络可分割出三种图像。
未遮挡部分图像相比于遮挡部分图像而言,包含的信息更完整。语义分割网络可根据遮挡部分图像的形态特征判断遮挡程度类别。如果遮挡部分图像为部分遮挡,则语义分割网络根据遮挡部分图像保留的大量边缘特征可识别出遮挡区域并标记。如果遮挡部分图像为完全遮挡,则因为遮挡部分图像的边缘信息不完整,无法识别出遮挡区域,即不存在遮挡区域标记。
根据训练图像中各个类别的区域信息即可进行训练,具体包括:
若遮挡部分图像为部分遮挡,说明遮挡部分图像中还保留了大量的图像特征,因此能够以遮挡部分图像的隐变量概率分布模型作为重构模型,进行图像重构。因为未遮挡部分图像存在完整的图像特征,因此能够以未遮挡部分图像的隐变量概率分布模型作为参考,去更新重构模型。获取重构模型与未遮挡部分图像的隐变量概率分布模型的模型差异,根据遮挡部分图像的遮挡面积和模型差异更新重构模型,具体包括:
以重构模型与未遮挡部分图像的隐变量概率分布模型的比值作为模型差异,根据模型差异和遮挡面积获得模型调节参数,模型调节参数包括:
α=es+β
其中,α为模型调节参数,s为遮挡面积,β为模型差异;
根据模型调节参数更新重构模型包括:
其中,z1为重构模型,σ2为重构模型的方差,μ为重构模型的均值,α为模型调节参数。
若遮挡部分为完全遮挡,说明此时遮挡部分图像的图像特征缺失严重,无法用于对遮挡区域的重构。因此以未遮挡部分的隐变量概率分布模型作为重构模型,进行图像重构,获得重构蔬菜图像。根据重构蔬菜图像和训练图像的差异即可获得遮挡部分图像的遮挡面积,根据遮挡部分图像在重构蔬菜图像对应位置处的隐变量概率分布模型与重构模型的模型差异和遮挡面积更新重构模型。需要说明的是,变分自编码网络对完全遮挡和部分遮挡的不同训练方式的实质在于重构模型的选取,因此重构模型的模型调节参数形式相同在此不再赘述遮挡部分为完全遮挡时的模型调节参数。
通过设置网络损失函数,控制变分自编码网络进行不断的迭代更新,以重构模型与标准高斯分布之间的KL散度作为第一损失函数,以重构蔬菜图像和训练图像的差异作为第二损失函数,具体包括:
其中,L1为第一损失函数,σ2为重构模型的方差,μ为重构模型的均值,α为模型调节参数,KL[]为KL散度计算函数。
以第一损失函数和第二损失函数结合作为变分自编码网络的整体网络损失Loss,即Loss=L1+L2。通过网络的不断迭代拟合,当整体网络损失达到最小时完成网络的训练。
步骤S3:根据重构蔬菜图像中的重构蔬菜区域中心点与单个蔬菜图像中的蔬菜区域中心点的坐标信息获得蔬菜区域中心点的中心点偏移信息;根据中心点偏移信息控制蔬菜种植机的参数。
重构蔬菜图像为一张正常长势的蔬菜图像,如果对应的那颗蔬菜被遮挡,被遮挡部分会因为光照强度的缺失导致发育受影响,而未遮挡部分正常受光照影响,则会导致蔬菜生长畸形,形状不均匀,即未遮挡部分发育较好,形态较大;遮挡部分发育受影响,形态较小。
重构蔬菜图像和单个蔬菜图像中的中心点坐标信息反映出的偏移信息可反映出被遮挡蔬菜的受遮挡影响程度。即重构蔬菜图像中的重构蔬菜区域中心点越偏移,说明对应的蔬菜受遮挡影响较大。
将重构蔬菜图像和单个蔬菜图像重叠分析,使其处于相同的图像坐标系并对齐。获取重构蔬菜图像中的重构蔬菜边缘梯度幅值和单个蔬菜图像中的单个蔬菜边缘梯度幅值。根据重叠率公式获得重构蔬菜图像和单个蔬菜图像的偏差率,偏差率公式包括:
其中,为偏差率,(ax,ay)为重构蔬菜区域中心点的坐标,(bx,by)为蔬菜区域中心点的坐标,n为重构蔬菜边缘像素点的个数,m为单个蔬菜边缘像素点的个数,gi为第i个重构蔬菜边缘像素点的重构蔬菜边缘梯度幅值,gj为第j个单个蔬菜边缘像素点的单个蔬菜边缘梯度幅值。
偏差率公式根据两个中心点的距离和图像中边缘信息的差异反映出偏差程度。
若偏差率大于预设偏差率阈值,说明此时的遮挡已经对蔬菜造成了较大的影响,则获取中心点偏移信息。在本发明实施例中,为了便于数据分析,将偏差率归一化,并将偏差率阈值设置为0.2。
偏移信息包括偏移方向和偏移距离。以重构蔬菜区域中心点到蔬菜区域中心点的方向作为偏移方向,以重构蔬菜区域中心点到蔬菜区域中心点的距离作为偏移距离。
根据中心点偏移信息控制蔬菜种植机的参数包括:
以偏移方向的反方向作为蔬菜种植机的光照补偿方向。根据历史数据将偏移距离和光照调节幅度进行数据拟合,根据拟合关系控制蔬菜种植机的光照调节幅度。通过调节蔬菜种植机光照方向和光照强度实现对蔬菜长势的调节,使得每颗蔬菜生长均匀,提高蔬菜生产质量。
综上所述,本发明实施例根据异常传感器信息获得异常位置处的单个蔬菜图像。以单个蔬菜图像作为训练图像训练变分自编码网络,将训练图像分为遮挡部分图像和未遮挡部分图像,根据遮挡部分的中的遮挡程度类别选用不同的重构模型,通过不断的迭代更新完成变分自编码网络的训练。根据变分自编码网络重构出单个蔬菜图像的重构蔬菜图像。通过重构蔬菜图像与单个蔬菜图像的偏移信息调整蔬菜种植机的参数。本发明实施例利用图像信息分析蔬菜的长势,并利用正常长势的重构蔬菜图像与真实图像的偏移信息对蔬菜种植机进行参数控制,以获得长势均匀质量高的蔬菜。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于神经网络的蔬菜种植机智能控制方法,其特征在于,所述方法包括:
获取蔬菜种植机的传感器信息;根据所述传感器信息确定异常蔬菜位置;采集所述异常蔬菜位置处每颗蔬菜的单个蔬菜图像;
将所述单个蔬菜图像输入预先训练好的变分自编码网络中,获得重构蔬菜图像;所述变分自编码网络以所述单个蔬菜图像作为训练图像,将所述训练图像根据蔬菜对称性分为遮挡部分图像和未遮挡部分图像;根据所述遮挡部分图像判断所述训练图像的遮挡程度类别;所述遮挡程度类别包括完全遮挡和部分遮挡;若所述遮挡部分图像为所述部分遮挡,以所述遮挡部分图像的隐变量概率分布模型作为重构模型,获取所述重构模型与所述未遮挡部分图像的所述隐变量概率分布模型的模型差异,根据所述遮挡部分图像的遮挡面积和所述模型差异更新所述重构模型;若所述遮挡部分为所述完全遮挡,以所述未遮挡部分的所述隐变量概率分布模型作为所述重构模型,根据所述重构蔬菜图像获得所述遮挡部分图像的所述遮挡面积,根据遮挡部分图像在所述重构蔬菜图像对应位置处的所述隐变量概率分布模型与所述重构模型的所述模型差异和所述遮挡面积更新所述重构模型;所述变分自编码网络以所述重构模型与标准高斯分布之间的KL散度作为第一损失函数,以所述重构蔬菜图像和所述训练图像的差异作为第二损失函数;
根据所述重构蔬菜图像中的重构蔬菜区域中心点与所述单个蔬菜图像中的蔬菜区域中心点的坐标信息获得所述蔬菜区域中心点的中心点偏移信息;根据所述中心点偏移信息控制所述蔬菜种植机的参数。
2.根据权利要求1所述的一种基于神经网络的蔬菜种植机智能控制方法,其特征在于,所述根据所述传感器信息确定异常蔬菜位置包括:
获取包含多个维度信息的所述传感器信息;获取每个维度的所述传感器信息和对应维度的标准传感器信息的差异指标;若所述差异指标大于预设差异阈值,则认为对应的所述传感器信息为异常传感器信息,根据所述异常传感器信息获得对应的所述异常蔬菜位置。
3.根据权利要求1所述的一种基于神经网络的蔬菜种植机智能控制方法,其特征在于,所述将所述训练图像根据蔬菜对称性分为遮挡部分图像和未遮挡部分图像包括:
所述变分自编码网络包括语义分割子网络,将所述训练图像输入语义分割子网络中,输出所述遮挡部分图像、未遮挡部分图像和所述遮挡部分图像上的遮挡区域;若所述遮挡部分图像为完全遮挡,则所述语义分割子网络的语义分割结果中不存在所述遮挡区域信息。
7.根据权利要求1所述的一种基于神经网络的蔬菜种植机智能控制方法,其特征在于,所述根据所述重构蔬菜图像中的重构蔬菜区域中心点与所述单个蔬菜图像中的蔬菜区域中心点的坐标信息获得所述蔬菜区域中心点的中心点偏移信息还包括:
获取所述重构蔬菜图像中的重构蔬菜边缘梯度幅值和所述单个蔬菜图像中的单个蔬菜边缘梯度幅值;根据重叠率公式获得所述重构蔬菜图像和所述单个蔬菜图像的偏差率,所述偏差率公式包括:
其中,为所述偏差率,(ax,ay)为所述重构蔬菜区域中心点的坐标,(bx,by)为所述蔬菜区域中心点的坐标,n为重构蔬菜边缘像素点的个数,m为单个蔬菜边缘像素点的个数,gi为第i个所述重构蔬菜边缘像素点的所述重构蔬菜边缘梯度幅值,gj为第j个所述单个蔬菜边缘像素点的所述单个蔬菜边缘梯度幅值;
若所述偏差率大于预设偏差率阈值,则获取所述中心点偏移信息。
8.根据权利要求7所述的一种基于神经网络的蔬菜种植机智能控制方法,其特征在于,所述获取所述中心点偏移信息包括:
所述偏移信息包括偏移方向和偏移距离;以所述重构蔬菜区域中心点到所述蔬菜区域中心点的方向作为所述偏移方向,以所述重构蔬菜区域中心点到所述蔬菜区域中心点的距离作为所述偏移距离。
9.根据权利要求8所述的一种基于神经网络的蔬菜种植机智能控制方法,其特征在于,所述根据所述中心点偏移信息控制所述蔬菜种植机的参数包括:
以所述偏移方向的反方向作为所述蔬菜种植机的光照补偿方向;根据历史数据将所述偏移距离和光照调节幅度进行数据拟合,根据拟合关系控制所述蔬菜种植机的所述光照调节幅度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210224849.1A CN114612661A (zh) | 2022-03-09 | 2022-03-09 | 基于神经网络的蔬菜种植机智能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210224849.1A CN114612661A (zh) | 2022-03-09 | 2022-03-09 | 基于神经网络的蔬菜种植机智能控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114612661A true CN114612661A (zh) | 2022-06-10 |
Family
ID=81860957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210224849.1A Pending CN114612661A (zh) | 2022-03-09 | 2022-03-09 | 基于神经网络的蔬菜种植机智能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114612661A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966541A (zh) * | 2020-09-23 | 2021-06-15 | 北京豆牛网络科技有限公司 | 果蔬自动验货方法、系统、电子设备以及计算机可读介质 |
-
2022
- 2022-03-09 CN CN202210224849.1A patent/CN114612661A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966541A (zh) * | 2020-09-23 | 2021-06-15 | 北京豆牛网络科技有限公司 | 果蔬自动验货方法、系统、电子设备以及计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tian et al. | Machine vision identification of tomato seedlings for automated weed control | |
CN110909679B (zh) | 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统 | |
CN110532936A (zh) | 一种识别大田作物长势监控图像中绿色植物的方法及系统 | |
CN113065562B (zh) | 一种基于语义分割网络的作物垄行提取及主导航线选取方法 | |
CN113545280B (zh) | 一种基于植株萎蔫程度进行精准灌溉的系统及方法 | |
CN110648020A (zh) | 一种温室作物需水量预测方法及装置 | |
CN114612661A (zh) | 基于神经网络的蔬菜种植机智能控制方法 | |
CN109964611A (zh) | 一种大田作物精准施肥方法及系统 | |
CN112001242A (zh) | 一种智能园艺管理方法和装置 | |
CN115392576A (zh) | 一种蘑菇生长状态时空预测方法 | |
CN116977960A (zh) | 一种基于实例分割的水稻秧苗行检测方法 | |
CN112352523A (zh) | 一种基于智能决策的茶园水肥灌溉控制方法和系统 | |
WO2024178904A1 (zh) | 作物水肥胁迫的决策方法、装置及手机终端 | |
CN113379188A (zh) | 基于物联网的烟草轮作种植方法和系统 | |
CN106683069A (zh) | 农田苗期行内作物-杂草识别方法 | |
CN116453003B (zh) | 一种基于无人机监测智能识别水稻生长势的方法和系统 | |
CN116616019A (zh) | 基于物联网和人工智能的油茶水肥一体化滴灌方法及系统 | |
CN115968760B (zh) | 一种基于马铃薯根系时空分布的在地化灌溉方法 | |
CN116228454A (zh) | 一种基于大数据的种植管理控制方法、系统和可读存储介质 | |
CN111160250A (zh) | 一种基于人工神经网络的蓝莓生长期检测方法及装置 | |
CN109712110B (zh) | 一种基于机器视觉的作物实时耗水量监测方法和装置 | |
CN116994001B (zh) | 一种基于数据智能的水稻叶龄模式栽培方法、系统及设备 | |
CN115349340B (zh) | 基于人工智能的高粱施肥控制方法及系统 | |
Pranata et al. | Tomato Plant Growth Monitoring System Using Computer Vision and Deep Learning | |
Liu et al. | Method for the navigation line recognition of the ridge without crops via machine vision |
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 |