CN115526839A - 一种基于神经网络的鲜花烘干控制方法、设备及介质 - Google Patents

一种基于神经网络的鲜花烘干控制方法、设备及介质 Download PDF

Info

Publication number
CN115526839A
CN115526839A CN202211084469.9A CN202211084469A CN115526839A CN 115526839 A CN115526839 A CN 115526839A CN 202211084469 A CN202211084469 A CN 202211084469A CN 115526839 A CN115526839 A CN 115526839A
Authority
CN
China
Prior art keywords
flower
processed
drying
parameters
flowers
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
Application number
CN202211084469.9A
Other languages
English (en)
Inventor
谷兴龙
李佳
商广勇
肖雪
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.)
Inspur Industrial Internet Co Ltd
Original Assignee
Inspur Industrial Internet Co Ltd
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 Inspur Industrial Internet Co Ltd filed Critical Inspur Industrial Internet Co Ltd
Priority to CN202211084469.9A priority Critical patent/CN115526839A/zh
Publication of CN115526839A publication Critical patent/CN115526839A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于神经网络的鲜花烘干控制方法、设备及介质，方法包括：获取鲜花图像，对鲜花图像进行特征检测，以从鲜花图像中筛选出待加工鲜花；根据待加工鲜花的用途类别，确定待加工鲜花经过烘干后的预估含水率，并通过待加工鲜花的初始含水率和预估含水率，确定待加工鲜花所对应的多个加工阶段；确定多个加工阶段分别对应的目标含水率，根据待加工鲜花的初始含水率、喂水量、目标含水率，通过预先生成的加工曲线，确定待加工鲜花在烘干过程中所需的烘干参数；其中，加工曲线是根据预先构建的神经网络的输入参数和输出参数拟合得到的；针对多个加工阶段，通过控制烘干车间的烘干参数，对待加工鲜花进行烘干，以得到干花。

Description

一种基于神经网络的鲜花烘干控制方法、设备及介质
技术领域
本申请涉及鲜花加工技术领域，具体涉及一种基于神经网络的鲜花烘干控制方法、设备及介质。
背景技术
水分是鲜花加工过程中叶片内部一系列化学反应的介质，是衡量鲜花加工过程中最重要的影响因素。烘干作为鲜花加工过程中的最后一道工序，对鲜花的加工品质起到了至关重要的作用。传统的鲜花烘干过程主要依靠人力进行辅助加工，人为来监控鲜花烘干，可靠性欠佳，且所需的人力成本较高。
发明内容
为了解决上述问题，本申请提出了一种基于神经网络的鲜花烘干控制方法，包括：获取鲜花图像，对所述鲜花图像进行特征检测，以从所述鲜花图像中筛选出待加工鲜花；
根据所述待加工鲜花的用途类别，确定所述待加工鲜花经过烘干后的预估含水率，并通过所述待加工鲜花的初始含水率和预估含水率，确定所述待加工鲜花所对应的多个加工阶段；
确定所述多个加工阶段分别对应的目标含水率，根据所述待加工鲜花的所述初始含水率、喂水量、所述目标含水率，通过预先生成的加工曲线，确定所述待加工鲜花在烘干过程中所需的烘干参数；其中，所述加工曲线是根据预先构建的神经网络的输入参数和输出参数拟合得到的；
针对所述多个加工阶段，通过控制烘干车间的所述烘干参数，对所述待加工鲜花进行烘干，以得到干花。
在本申请的一种实现方式中，对所述鲜花图像进行特征检测，以从所述鲜花图像中筛选出待加工鲜花，具体包括：
通过预先训练的特征检测模型，对所述鲜花图像进行语义分割，得到分割后的特征图像；所述特征图像包括第一区域和第二区域，所述第一区域和所述第二区域包含的颜色特征存在不同；
提取所述第一区域的边缘轮廓，对所述边缘轮廓进行区域增长性分析，以确定所述第一区域是否携带有病变特征；
在所述第一区域携带有病变特征的情况下，确定所述第一区域在所述特征图像的占比，从所述鲜花图像中筛选出所述占比小于预设阈值的鲜花作为待加工鲜花。
在本申请的一种实现方式中，对所述鲜花图像进行语义分割，以得到分割后的特征图像，具体包括：
对所述鲜花图像对应的多个颜色通道分别进行特征编码，得到所述多个颜色通道对应的通道特征图；
针对所述多个颜色通道，对所述通道特征图进行处理，以得到处理后的通道特征图；所述处理包括多尺度特征聚合以及空间关联增强处理；
将所述处理后的通道特征图进行融合，得到所述鲜花图像对应的特征图像。
在本申请的一种实现方式中，通过控制烘干车间的所述烘干参数，对所述待加工鲜花进行烘干，具体包括：
确定所述待加工鲜花所处的加工阶段；
采集所述烘干车间的运行参数，将所述运行参数与所述加工阶段对应的烘干参数进行对比，以确定所述烘干车间是否符合预设运行要求；
在不符合预设运行要求的情况下，根据各所述运行参数对应数值分别与相应各所述烘干参数对应数值之间的差值，确定所述运行参数所需的补偿量，以根据所述补偿量，调用相应的辅助设备对所述加工阶段进行协同烘干。
在本申请的一种实现方式中，通过预先生成的加工曲线，确定所述待加工鲜花在烘干过程中所需的烘干参数之前，所述方法还包括：
构建神经网络的拓扑结构；
初始化各粒子的粒子参数，以得到初始化后的初始种群，并根据所述初始种群中的各粒子，初始化所述神经网络的参数；所述参数包括所述拓扑结构不同层级之间的权值和阈值；
采集鲜花的状态参数，以根据所述状态参数构建训练集；所述训练集包括初始含水率、喂入量、温度、湿度、烘干时间；
根据所述训练集对所述神经网络进行训练，并确定训练后的所述神经网络的目标函数输出值；
基于各所述粒子的适应度，对所述神经网络的参数进行优化，以得到训练完毕的所述神经网络；所述适应度与所述神经网络的目标函数输出值相对应；
通过所述神经网络的输入参数和输出参数，拟合得到所述鲜花的加工曲线；所述输出参数包括目标含水率。
在本申请的一种实现方式中，基于各所述粒子的适应度，对所述神经网络的参数进行优化，以得到训练完毕的所述神经网络，具体包括：
根据各所述粒子的适应度，得到对应种群的全局最优值；
判断所述全局最优值是否满足预设要求，若否，则更新各所述粒子的速度和位置；
根据更新后的所述速度和位置，对所述神经网络的参数进行优化，直至所述全局最优值满足所述预设要求。
在本申请的一种实现方式中，从所述鲜花图像中筛选出待加工鲜花之后，所述方法还包括：
获取所述待加工鲜花的主体图像，提取所述主体图像的特征点，以根据所述特征点对所述待加工鲜花进行三维重建，得到相应的三维模型；
根据所述三维模型，获取所述待加工鲜花的主体外形，并确定所述主体外形对应的第一等级参数；
通过颜色测量仪器，采集所述待加工鲜花的色度信息；
将所述色度信息与预设的色度等级进行对比，以确定所述待加工鲜花的的第二等级参数；
根据所述第一等级参数和所述第二等级参数，得到所述待加工鲜花对应的等级；
对所述待加工鲜花进行烘干，以得到干花之后，所述方法还包括：
根据所述等级对所述干花进行分装，将分装后的所述干花运送至不同类型的成品库中进行保存；不同的成品库对应不同的用途类别。
在本申请的一种实现方式中，所述多个加工阶段是根据烘干参数中的温度确定的。
本申请实施例提供了一种基于神经网络的鲜花烘干控制设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如：
获取鲜花图像，对所述鲜花图像进行特征检测，以从所述鲜花图像中筛选出待加工鲜花；
根据所述待加工鲜花的用途类别，确定所述待加工鲜花经过烘干后的预估含水率，并通过所述待加工鲜花的初始含水率和预估含水率，确定所述待加工鲜花所对应的多个加工阶段；
确定所述多个加工阶段分别对应的目标含水率，根据所述待加工鲜花的所述初始含水率、喂水量、所述目标含水率，通过预先生成的加工曲线，确定所述待加工鲜花在烘干过程中所需的烘干参数；其中，所述加工曲线是根据预先构建的神经网络的输入参数和输出参数拟合得到的；
针对所述多个加工阶段，通过控制烘干车间的所述烘干参数，对所述待加工鲜花进行烘干，以得到干花。
本申请实施例提供了一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：
获取鲜花图像，对所述鲜花图像进行特征检测，以从所述鲜花图像中筛选出待加工鲜花；
根据所述待加工鲜花的用途类别，确定所述待加工鲜花经过烘干后的预估含水率，并通过所述待加工鲜花的初始含水率和预估含水率，确定所述待加工鲜花所对应的多个加工阶段；
确定所述多个加工阶段分别对应的目标含水率，根据所述待加工鲜花的所述初始含水率、喂水量、所述目标含水率，通过预先生成的加工曲线，确定所述待加工鲜花在烘干过程中所需的烘干参数；其中，所述加工曲线是根据预先构建的神经网络的输入参数和输出参数拟合得到的；
针对所述多个加工阶段，通过控制烘干车间的所述烘干参数，对所述待加工鲜花进行烘干，以得到干花。
通过本申请提出的一种基于神经网络的鲜花烘干控制方法能够带来如下有益效果：
对鲜花图像进行特征检测，能够保证筛选出的待加工鲜花不具备病变特征，有效提高成品质量；通过预先生成的加工曲线，在确定鲜花初始含水率和喂水量的情况下，可直接得到当前鲜花烘干过程所需的烘干参数，这样无需人为观察和调整烘干参数，实现了自动化的烘干过程，有效提高了烘干效率，且准确性更高。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例提供的一种基于神经网络的鲜花烘干控制方法的流程示意图；
图2为本申请实施例提供的一种神经网络的拓扑结构示意图；
图3为本申请实施例提供的一种神经网络的训练流程图；
图4为本申请实施例提供的一种基于神经网络的鲜花烘干控制设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
如图1所示，本申请实施例提供的鲜花烘干控制方法，包括：
101：获取鲜花图像，对鲜花图像进行特征检测，以从鲜花图像中筛选出待加工鲜花。
在对鲜花进行烘干之前，需要对运输至烘干车间的鲜花进行特征检测，以此判断鲜花的品质是否符合标准，从而去除掉存在病变特征的鲜花，保证加工后的成品质量。
具体地，通过预先训练的特征检测模型，对鲜花图像进行语义分割，得到分割后的特征图像。未经语义分割的鲜花图像为三通道图像，对鲜花图像对应的多个颜色通道分别进行特征编码，得到多个颜色通道对应的通道特征图，各通道特征图分别表示不同上下文信息。在得到通道特征图之后，针对上述三个颜色通道，对其对应的通道特征图分别进行多尺度特征聚合以及空间关联关系的增强处理，从而得到处理后的通道特征图。将处理后的通道特征图进行融合，便得到鲜花图像对应的特征图像。
可以理解的是，经过语义分割后的特征图像是以黑白两色为基色的二值图像，基于此，特征图像被划分为对应颜色特征各不相同的第一区域和第二区域，其中，第一区域表示白色区域，其对应区域可能携带有一定的病变特征，第二区域表示黑色区域，为正常区域。
进一步地，在得到鲜花的特征图像后，对第一区域进行特征判断，以确定其是否真正携带有病变特征。提取第一区域的边缘轮廓，对边缘轮廓进行区域增长性分析，即获取不同时段下第一区域的边缘轮廓，确定该边缘轮廓随着时间的推移是否存在扩大的趋势，若有，则说明第一区域携带有病变特征，比如病斑、腐烂等。
进一步地，在第一区域携带有病变特征的情况下，可根据第一区域在特征图像中的占比，判断其所在鲜花是否可作为合格品进行后续加工过程。若占比小于预设阈值，则说明当前所要烘干的鲜花虽然携带有一定程度的病斑，但是加工后并不影响整体品质，通过对其进行品级分类也可在市场上进行流通，因此，对于病变特征小于预设占比的鲜花，仍然可对其进行下一步的烘干过程。
102：根据待加工鲜花的用途类别，确定待加工鲜花经过烘干后的预估含水率，并通过待加工鲜花的初始含水率和预估含水率，确定待加工鲜花所对应的多个加工阶段。
在筛选出待加工鲜花之后，则需对其进行烘干。而对于不同用途类别的鲜花来说，其所需要达到的预估含水率也是不同的，比如，干花可作装饰用，也可具有实用价值(比如，入药，用作茶品等)，通常情况下，装饰类干花的预估含水率可稍大于实用类干花，这是由于装饰类的干花如果含水率过低，易在后续流通的过程中发生损坏，从而大幅度影响其价值。
因此，针对不同用途类别的鲜花，需分别确定其烘干后的预估含水率，从而根据待加工鲜花的初始含水率和预估含水率，确定待加工鲜花所对应的多个加工阶段。需要说明的是，加工阶段是根据烘干车间的温度所决定的，比如，初始含水率为50％，预估含水率为20％，那么在对其进行加工时，其烘干过程大致可分为逐步升温使鲜花大幅失水、在到达一定含水率后保持温度不变、即将达到预估含水率时略降低温度以确保鲜花不会过度失水，而根据上述温度变化过程，能够将鲜花的加工过程划分为多个加工阶段。具体的阶段划分可根据实际需求确定，本申请对此不进行限定。
103：确定多个加工阶段分别对应的目标含水率，根据待加工鲜花的初始含水率、喂水量、目标含水率，通过预先生成的加工曲线，确定待加工鲜花在烘干过程中所需的烘干参数；其中，加工曲线是根据预先构建的神经网络的输入参数和输出参数拟合得到的。
为实现鲜花的精准烘干，可将烘干过程划分为多个加工阶段，以此实现分步烘干，每个加工阶段最后所达到的目标含水率均存在不同。本申请针对鲜花在烘干过程中含水率的变化，采用神经网络算法，以烘干温度、湿度、烘干时间、初始含水率作为输入参数，建立精确的含水率预测模型，通过含水率预测模型建立初始喂入量、初始含水率、烘干温度、烘干湿度、烘干时间与目标含水率之间的函数关系，其次将实际生产过程中烘干优良的鲜花批次记录下来，绘制该批次鲜花含水率变化曲线作为标准参照，结合标准曲线与各输入参数之间的函数关系，推导出烘干过程中需要的合适的温、湿度，生成相应的加工曲线。
具体地，构建神经网络的拓扑结构，该神经网络为反馈型神经网络模型。上述神经网络在传统BP神经网络的基础上，增加了一个承接层，使网络具有局部记忆。如图2所示的一种神经网络的拓扑结构示意图，分为输入层、隐含层、承接层和输出层，承接层和隐含层的神经元个数保持一致，输入层的神经元个数与输入参数相同，即为5个，由于该模型建立在解决回归问题上，因此输出层神经元个数为1个，隐含层的神经元个数可以根据实际模型的效果进行选定(可尝试在1～10范围内进行选择训练)，隐含层层数和节点数的设置对网络的性能影响很大，过多会增加网络的复杂度和计算量，甚至会产生过拟合，过少性能则会较差，一般初始设置为一层隐含层，具体的层数可根据模型训练的结果进行调整，本申请对此不进行限定。
各层之间神经元相互连接，通过不同的权值和阈值实现信息的传递，输入层和隐含层之间的权值为wij，承接层和隐含层之间的权值为wjq，阈值为bj，隐含层每个节点的输出值计算方式如下：
Figure RE-GDA0003958989270000091
h'j＝hj(t-1) (2)
其中，i＝1,2,3,...,n，j＝1,2,3,...,l，q＝1,2,3,...,l，hj为隐含层输出值，f(.)为隐含层激活函数，xi为输入，h'j是前一时刻的隐含层输出值，经承接层反馈与输入层一同作为当前输出，t为学习次数。
输出层每个节点的输出值计算方式如下：
Figure RE-GDA0003958989270000092
其中，j＝1,2,3,...,l，k＝1,2,3,...,m，g(.)为输出层激活函数，bk为第k个节点阈值。需要说明的是，f(.)与g(.)不一定相同。
进一步地，本申请所构建的神经网络可以存储和利用过去时刻输出信息，实现动态系统的映射并直接反映系统的动态特性，因此其在网络的稳定性及计算能力上均要优于BP神经网络。但是其权值与阈值的更新方式与BP神经网络相同，对神经网络进行训练的过程中，容易陷入局部最小值，较难达到全局最优，为了解决这一问题，增加网络的全局寻优能力，需对神经网络的参数不断进行优化，避免网络陷入局部最小值。也就是说，通过群体信息的共享找到全局最优解，在群体活动中，每一个个体都受益于所有个体在优化过程中发现和积累的经验，解决了局部收敛的问题。
构建完神经网络之后，初始化各粒子的粒子参数，以得到初始化后的初始种群。在完成种群初始化后，根据初始种群中的各粒子，初始化神经网络的参数，该参数包括拓扑结构不同层级之间的权值和阈值。
需要说明的是，粒子群优化的表达式如下所示：
vi＝ω·vi+ci·rand·(pbesti-xi)+c2·rand(gbesti-xi) (4)
xi＝x'i+vi (5)
其中，vi是粒子速度，xi是本次粒子位置，x'i是上次粒子位置，ω是惯性因子(介于0-1之间的随机数)，ci，c2是学习因子，一般情况下取正常值2， pbesti为个体历史最优值，gbesti是全局历史最优值。这其中所需初始化的粒子参数包括vi、xi、ω、ci、c2以及迭代次数。
进一步地，与神经网络的拓扑结构相适应，采集鲜花的状态参数，从而根据状态参数构建训练集。表1为本申请实施例提供的部分样本数据：
表1
Figure RE-GDA0003958989270000101
由表1可知，训练集包括初始含水率、喂入量、温度、湿度、烘干时间。
更进一步地，在获取到训练集后，根据训练集对已经完成初始化的神经网络进行训练，并在完成当前迭代过程后，计算神经网络的目标函数输出值。本申请中的目标函数采用均方误差，其中，误差函数的表达式如下所示：
Figure RE-GDA0003958989270000111
其中，dk为实际值，yk为预测值，E为误差函数，k＝1,2,3,...,m。
神经网络采用梯度下降法实现信息反向传递更新权值和阈值，实现权值、阈值的不断更新，更新过程的计算公式如下：
Figure RE-GDA0003958989270000112
Figure RE-GDA0003958989270000113
其中，η是学习率，需要在训练过程中，根据实际情况选择合适的学习率。
输入层和承接层到隐含层之间的权值和阈值更新计算公式如下：
Figure RE-GDA0003958989270000114
Figure RE-GDA0003958989270000115
Figure RE-GDA0003958989270000116
进一步地，若计算出的目标函数输出值不符合预设要求，则需基于各粒子的适应度，对该神经网络的参数进行优化，从而通过优化后的神经网络的输入和输出，拟合得到鲜花的加工曲线。可以理解的是，适应度与神经网络的目标函数输出值相对应，神经网络的输入参数与训练集包含的参数类型相同，输出为目标含水率。
在一个实施例中，对神经网络的参数进行优化，具体可通过以下步骤实现：首先，计算各粒子的适应度，从而根据最优个体，得到种群的全局最优值，该适应度即为神经网络目标函数的值。然后，判断全局最优值是否满足预设要求，若否，则说明当前神经网络的训练结果并不是最优的，此时需要对各粒子的速度和位置进行更新。之后，通过更新后的粒子参数，调整神经网络的参数，并重新计算优化后的粒子种群的全局最优值，直至全局最优值达到预设要求为止。至此，便完成了神经网络的训练过程，此时得到的神经网络的预测效果最佳，通过建立其输入参数和输出参数之间的函数关系，并拟合生成相应的加工曲线，能够在实际的鲜花烘干过程中，根据初始含水率和喂入量，以及各加工阶段的目标含水率，得到加工时所需的烘干参数，烘干参数包括温度、湿度和烘干时间，有效提高了烘干效率，且精度更高。
图3为本申请实施例提供的一种神经网络的训练流程图，如图3所示，确定神经网络的拓扑结构，然后随机初始化各粒子，得到初始化后的初始种群。在完成粒子初始化后，根据粒子参数对神经网络的参数进行初始化。在完成对神经网络的初始化过程后，通过训练集训练该神经网络，并在每一轮迭代训练完成后通过测试集测试神经网络的训练效果，以获得测试误差。由于粒子的适应度函数与目标函数相对应，因此在得到测试误差后可根据该误差函数确定每个粒子的适应度，以根据确定出的最优个体，得到当前种群的全局最优值。判断全局最优值是否符合预设要求，若符合，则结束当前迭代训练过程；若不符合，则更新各粒子的历史最优值以及其所在种群的全局最优值，并更新各粒子的速度和位置，输出权值和阈值，进而根据此轮更新后的权值和阈值对神经网络的参数进行优化，直至粒子群的全局最优值能够满足预设要求。至此，便完成了神经网络的训练过程。
104：针对多个加工阶段，通过控制烘干车间的烘干参数，对待加工鲜花进行烘干，以得到干花。
通过步骤103得到各加工阶段对应的烘干参数后，便能够据此控制烘干车间实时调整烘干参数，以最终得到符合预期含水率的干花。
在一个实施例中，在烘干过程中，需实时对烘干车间的运行参数进行监测，这是由于在烘干过程中外界环境若发生变化，比如烘干设备实际运行温度达不到预设的烘干温度，可能会对当前烘干车间的烘干条件造成影响，或者，烘干车间的烘干条件还有可能会受到当前加工的鲜花的影响。因此，为提高加工精度，需实时确定待加工鲜花所处的加工阶段，采集烘干车间的运行参数，将运行参数与当前所处加工阶段对应的烘干参数进行对比，从而确定烘干车间是否符合预设运行要求。如果不符合预设运行要求，那么便根据各运行参数对应数值分别与相应各烘干参数对应数值之间的差值，，确定运行参数所需的补偿量，并根据该补偿量，调用相应的辅助设备对当前的烘干过程进行协同烘干，比如，在实际烘干温度达不到预设温度的情况时，可通过开启空调进行辅助烘干。
完成鲜花的烘干过程后，需进一步根据干花的等级对其进行分装，进而将分装后的干花运送至其所属用途类别的成品库中进行保存。
具体地，在筛选出待加工鲜花后，获取待加工鲜花的主体图像，提取主体图像的特征点，从而根据特征点对待加工鲜花进行三维重建，得到相应的三维模型。主体图像指的是能够展示待加工鲜花整体外形的图像，用于对鲜花的外形等级进行评估。在得到三维模型之后，根据三维模型，获取待加工鲜花的主体外形，并确定主体外形对应的第一等级参数。同时，通过颜色测量仪器，采集待加工鲜花的色度信息，然后将色度信息与预设的色度等级进行对比，以确定待加工鲜花的的第二等级参数。在得到第一等级参数和第二等级参数后，综合参考鲜花的外形和色度对成品进行评级，需对第一等级参数和第二等级参数进行加权求和，最终得到待加工鲜花对应的等级。这样在将鲜花烘干后，便可根据预先确定的鲜花等级对得到的干花进行分装，通过对干花进行等级区分，更便于后续的流通过程。
以上为本申请提出的方法实施例。基于同样的发明构思，本申请实施例还提供了一种基于神经网络的鲜花烘干设备，其结构如图4所示。
图4为本申请实施例提供的一种基于神经网络的鲜花烘干设备的结构示意图。如图4所示，设备包括：
至少一个处理器401；
以及，与至少一个处理器通信连接的存储器402；
其中，存储器402存储有可被至少一个处理器执行的指令，指令被至少一个处理器401执行，以使至少一个处理器401能够：
获取鲜花图像，对鲜花图像进行特征检测，以从鲜花图像中筛选出待加工鲜花；
根据待加工鲜花的用途类别，确定待加工鲜花经过烘干后的预估含水率，并通过待加工鲜花的初始含水率和预估含水率，确定待加工鲜花所对应的多个加工阶段；
确定多个加工阶段分别对应的目标含水率，根据待加工鲜花的初始含水率、喂水量、目标含水率，通过预先生成的加工曲线，确定待加工鲜花在烘干过程中所需的烘干参数；其中，加工曲线是根据预先构建的神经网络的输入参数和输出参数拟合得到的；
针对多个加工阶段，通过控制烘干车间的烘干参数，对待加工鲜花进行烘干，以得到干花。
本申请实施例还提供了一种非易失性计算机存储介质，存储有计算机可执行指令，计算机可执行指令设置为：
获取鲜花图像，对鲜花图像进行特征检测，以从鲜花图像中筛选出待加工鲜花；
根据待加工鲜花的用途类别，确定待加工鲜花经过烘干后的预估含水率，并通过待加工鲜花的初始含水率和预估含水率，确定待加工鲜花所对应的多个加工阶段；
确定多个加工阶段分别对应的目标含水率，根据待加工鲜花的初始含水率、喂水量、目标含水率，通过预先生成的加工曲线，确定待加工鲜花在烘干过程中所需的烘干参数；其中，加工曲线是根据预先构建的神经网络的输入参数和输出参数拟合得到的；
针对多个加工阶段，通过控制烘干车间的烘干参数，对待加工鲜花进行烘干，以得到干花。
本申请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。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种基于神经网络的鲜花烘干控制方法，其特征在于，所述方法包括：
获取鲜花图像，对所述鲜花图像进行特征检测，以从所述鲜花图像中筛选出待加工鲜花；
根据所述待加工鲜花的用途类别，确定所述待加工鲜花经过烘干后的预估含水率，并通过所述待加工鲜花的初始含水率和预估含水率，确定所述待加工鲜花所对应的多个加工阶段；
确定所述多个加工阶段分别对应的目标含水率，根据所述待加工鲜花的所述初始含水率、喂水量、所述目标含水率，通过预先生成的加工曲线，确定所述待加工鲜花在烘干过程中所需的烘干参数；其中，所述加工曲线是根据预先构建的神经网络的输入参数和输出参数拟合得到的；
针对所述多个加工阶段，通过控制烘干车间的所述烘干参数，对所述待加工鲜花进行烘干，以得到干花。
2.根据权利要求1所述的一种基于神经网络的鲜花烘干控制方法，其特征在于，对所述鲜花图像进行特征检测，以从所述鲜花图像中筛选出待加工鲜花，具体包括：
通过预先训练的特征检测模型，对所述鲜花图像进行语义分割，得到分割后的特征图像；所述特征图像包括第一区域和第二区域，所述第一区域和所述第二区域包含的颜色特征存在不同；
提取所述第一区域的边缘轮廓，对所述边缘轮廓进行区域增长性分析，以确定所述第一区域是否携带有病变特征；
在所述第一区域携带有病变特征的情况下，确定所述第一区域在所述特征图像的占比，从所述鲜花图像中筛选出所述占比小于预设阈值的鲜花作为待加工鲜花。
3.根据权利要求2所述的一种基于神经网络的鲜花烘干控制方法，其特征在于，对所述鲜花图像进行语义分割，以得到分割后的特征图像，具体包括：
对所述鲜花图像对应的多个颜色通道分别进行特征编码，得到所述多个颜色通道对应的通道特征图；
针对所述多个颜色通道，对所述通道特征图进行处理，以得到处理后的通道特征图；所述处理包括多尺度特征聚合以及空间关联增强处理；
将所述处理后的通道特征图进行融合，得到所述鲜花图像对应的特征图像。
4.根据权利要求1所述的一种基于神经网络的鲜花烘干控制方法，其特征在于，通过控制烘干车间的所述烘干参数，对所述待加工鲜花进行烘干，具体包括：
确定所述待加工鲜花所处的加工阶段；
采集所述烘干车间的运行参数，将所述运行参数与所述加工阶段对应的烘干参数进行对比，以确定所述烘干车间是否符合预设运行要求；
在不符合预设运行要求的情况下，根据各所述运行参数对应数值分别与相应各所述烘干参数对应数值之间的差值，确定所述运行参数所需的补偿量，以根据所述补偿量，调用相应的辅助设备对所述加工阶段进行协同烘干。
5.根据权利要求1所述的一种基于神经网络的鲜花烘干控制方法，其特征在于，通过预先生成的加工曲线，确定所述待加工鲜花在烘干过程中所需的烘干参数之前，所述方法还包括：
构建神经网络的拓扑结构；
初始化各粒子的粒子参数，以得到初始化后的初始种群，并根据所述初始种群中的各粒子，初始化所述神经网络的参数；所述参数包括所述拓扑结构不同层级之间的权值和阈值；
采集鲜花的状态参数，以根据所述状态参数构建训练集；所述训练集包括初始含水率、喂入量、温度、湿度、烘干时间；
根据所述训练集对所述神经网络进行训练，并确定训练后的所述神经网络的目标函数输出值；
基于各所述粒子的适应度，对所述神经网络的参数进行优化，以得到训练完毕的所述神经网络；所述适应度与所述神经网络的目标函数输出值相对应；
通过所述神经网络的输入参数和输出参数，拟合得到所述鲜花的加工曲线；所述输出参数包括目标含水率。
6.根据权利要求5所述的一种基于神经网络的鲜花烘干控制方法，其特征在于，基于各所述粒子的适应度，对所述神经网络的参数进行优化，以得到训练完毕的所述神经网络，具体包括：
根据各所述粒子的适应度，得到对应种群的全局最优值；
判断所述全局最优值是否满足预设要求，若否，则更新各所述粒子的速度和位置；
根据更新后的所述速度和位置，对所述神经网络的参数进行优化，直至所述全局最优值满足所述预设要求。
7.根据权利要求1所述的一种基于神经网络的鲜花烘干控制方法，其特征在于，从所述鲜花图像中筛选出待加工鲜花之后，所述方法还包括：
获取所述待加工鲜花的主体图像，提取所述主体图像的特征点，以根据所述特征点对所述待加工鲜花进行三维重建，得到相应的三维模型；
根据所述三维模型，获取所述待加工鲜花的主体外形，并确定所述主体外形对应的第一等级参数；
通过颜色测量仪器，采集所述待加工鲜花的色度信息；
将所述色度信息与预设的色度等级进行对比，以确定所述待加工鲜花的第二等级参数；
根据所述第一等级参数和所述第二等级参数，得到所述待加工鲜花对应的等级；
对所述待加工鲜花进行烘干，以得到干花之后，所述方法还包括：
根据所述等级对所述干花进行分装，将分装后的所述干花运送至不同类型的成品库中进行保存；不同的成品库对应不同的用途类别。
8.根据权利要求1所述的一种基于神经网络的鲜花烘干控制方法，其特征在于，所述多个加工阶段是根据烘干参数中的温度确定的。
9.一种基于神经网络的鲜花烘干控制设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如：
获取鲜花图像，对所述鲜花图像进行特征检测，以从所述鲜花图像中筛选出待加工鲜花；
根据所述待加工鲜花的用途类别，确定所述待加工鲜花经过烘干后的预估含水率，并通过所述待加工鲜花的初始含水率和预估含水率，确定所述待加工鲜花所对应的多个加工阶段；
确定所述多个加工阶段分别对应的目标含水率，根据所述待加工鲜花的所述初始含水率、喂水量、所述目标含水率，通过预先生成的加工曲线，确定所述待加工鲜花在烘干过程中所需的烘干参数；其中，所述加工曲线是根据预先构建的神经网络的输入参数和输出参数拟合得到的；
针对所述多个加工阶段，通过控制烘干车间的所述烘干参数，对所述待加工鲜花进行烘干，以得到干花。
10.一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：
获取鲜花图像，对所述鲜花图像进行特征检测，以从所述鲜花图像中筛选出待加工鲜花；
根据所述待加工鲜花的用途类别，确定所述待加工鲜花经过烘干后的预估含水率，并通过所述待加工鲜花的初始含水率和预估含水率，确定所述待加工鲜花所对应的多个加工阶段；
确定所述多个加工阶段分别对应的目标含水率，根据所述待加工鲜花的所述初始含水率、喂水量、所述目标含水率，通过预先生成的加工曲线，确定所述待加工鲜花在烘干过程中所需的烘干参数；其中，所述加工曲线是根据预先构建的神经网络的输入参数和输出参数拟合得到的；
针对所述多个加工阶段，通过控制烘干车间的所述烘干参数，对所述待加工鲜花进行烘干，以得到干花。
CN202211084469.9A 2022-09-06 2022-09-06 一种基于神经网络的鲜花烘干控制方法、设备及介质 Pending CN115526839A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211084469.9A CN115526839A (zh) 2022-09-06 2022-09-06 一种基于神经网络的鲜花烘干控制方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211084469.9A CN115526839A (zh) 2022-09-06 2022-09-06 一种基于神经网络的鲜花烘干控制方法、设备及介质

Publications (1)

Publication Number Publication Date
CN115526839A true CN115526839A (zh) 2022-12-27

Family

ID=84696954

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211084469.9A Pending CN115526839A (zh) 2022-09-06 2022-09-06 一种基于神经网络的鲜花烘干控制方法、设备及介质

Country Status (1)

Country Link
CN (1) CN115526839A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116188440A (zh) * 2023-02-28 2023-05-30 聊城市红日机械配件厂 一种轴承保持架的生产分析优化方法、设备及介质
CN116988309A (zh) * 2023-08-01 2023-11-03 杭州帝凯工业布有限公司 一种防静电阻燃尼龙帘子布及其制备方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116188440A (zh) * 2023-02-28 2023-05-30 聊城市红日机械配件厂 一种轴承保持架的生产分析优化方法、设备及介质
CN116188440B (zh) * 2023-02-28 2023-08-29 聊城市红日机械配件厂 一种轴承保持架的生产分析优化方法、设备及介质
CN116988309A (zh) * 2023-08-01 2023-11-03 杭州帝凯工业布有限公司 一种防静电阻燃尼龙帘子布及其制备方法
CN116988309B (zh) * 2023-08-01 2024-03-05 杭州帝凯工业布有限公司 一种防静电阻燃尼龙帘子布及其制备方法

Similar Documents

Publication Publication Date Title
CN115526839A (zh) 一种基于神经网络的鲜花烘干控制方法、设备及介质
CN108681752B (zh) 一种基于深度学习的图像场景标注方法
CN110766013A (zh) 一种基于卷积神经网络的鱼类识别方法和装置
CN106815782A (zh) 一种基于神经网络统计学模型的房地产估值方法及系统
CN107330902B (zh) 基于Arnold变换的混沌遗传BP神经网络图像分割方法
WO2023179167A1 (zh) 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法
CN109978234A (zh) 墒情预测、灌溉决策方法和装置
CN108088235A (zh) 烘干机的控制方法及装置、烘干机、存储器、处理器
CN110020712B (zh) 一种基于聚类的优化粒子群bp网络预测方法和系统
CN111368900A (zh) 一种图像目标物识别方法
CN112232407A (zh) 病理图像样本的神经网络模型训练方法、装置
CN108009689A (zh) 风速修正模型训练、风速修正方法、装置及风力发电机组
CN110533547A (zh) 果蔬水肥调控方法和装置以及计算机可读存储介质
US11978210B1 (en) Light regulation method, system, and apparatus for growth environment of leafy vegetables
CN110569883A (zh) 基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法
CN114898000A (zh) 考虑环境因素的红枣成熟采摘分析方法、系统及终端
CN113723757A (zh) 决策生成模型训练方法、决策生成方法及装置
CN107944553A (zh) 一种cnn模型的微调方法及装置
CN115761240B (zh) 一种混沌反向传播图神经网络的图像语义分割方法及装置
CN110047088B (zh) 一种基于改进教与学优化算法的ht-29图像分割方法
CN114581470B (zh) 一种基于植物群落行为的图像边缘检测方法
Akbar et al. Wheat disease detection for yield management using IoT and deep learning techniques
CN116563714A (zh) 一种自动化判别水稻生长阶段的方法和系统
CN109492746A (zh) 基于ga-pso杂交算法的深度信念网络参数优化方法
CN114511850A (zh) 一种阳光玫瑰葡萄果实大小粒图像识别方法

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