[發(fā)明專利]基于深度學(xué)習(xí)網(wǎng)絡(luò)的堆肥腐熟實(shí)時預(yù)測方法

有效

• 申請?zhí)枺?/td>: 201810381202.3
• 申請日: 2018-04-25
• 公開（公告）號: CN108845075B
• 公開（公告）日: 2021-06-29
• 發(fā)明（設(shè)計(jì)）人: 徐陽春;薛衛(wèi);韋中;胡雪嬌;梅新蘭;陳行健
• 申請（專利權(quán)）人: 南京農(nóng)業(yè)大學(xué)
• 主分類號: G01N33/00
• 分類號: G01N33/00;G06N3/04
• 代理公司: 南京天華專利代理有限責(zé)任公司 32218
• 代理人: 劉暢;徐冬濤

1.一種基于深度學(xué)習(xí)網(wǎng)絡(luò)的堆肥腐熟實(shí)時預(yù)測方法，其特征在于包括以下步驟：

S1、提取t時刻堆肥溫度、濕度數(shù)據(jù)以及t時刻堆肥表面灰度圖像數(shù)據(jù)；

S2、預(yù)處理，將堆肥表面灰度圖像數(shù)據(jù)進(jìn)行中值濾波；

S3、基于S2獲得的數(shù)據(jù)，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)CNN進(jìn)行堆肥圖像特征提取；

S4、將堆肥溫度、濕度數(shù)據(jù)和堆肥圖像特征，組合形成堆肥實(shí)時特征向量，堆肥實(shí)時特征向量通過最小最大法歸一化進(jìn)行整合；

S5、基于S4獲得的數(shù)據(jù)，采用循環(huán)神經(jīng)網(wǎng)絡(luò)RNN進(jìn)行預(yù)測。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于S1中，通過下式提取t時刻堆肥溫度、濕度數(shù)據(jù)：

P_t＝[p_t,1,p_t,2,p_t,3]

D_t＝[d_t,1,d_t,2,d_t,3]

其中，p_t,1,p_t,2,p_t,3分別表示堆肥中距離堆肥表面垂直距離20cm、40cm、60cm處攝氏溫度，d_t,1,d_t,2,d_t,3分別表示堆肥中距離堆肥表面垂直距離20cm、40cm、60cm處濕度。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于S1中，通過下式提取t時刻堆肥表面灰度圖像數(shù)據(jù)：

其中，H_t是圖像灰度矩陣，拍攝時攝像頭正對堆肥表面拍攝，距離堆肥表面1-2米，取拍攝圖像正中間區(qū)域80*80像素，n＝80。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于S2中，對堆肥表面灰度圖像采用大小為3*3的濾波窗口進(jìn)行中值濾波。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于S3中，堆肥圖像特征提取使用的卷積神經(jīng)網(wǎng)絡(luò)包括3個卷積層、3個子采樣層、2個全連通層以及1個分類層，第二個全連通層的128維向量為圖像的最終特征。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于第一個卷積層中的卷積層包含16個特征映射，卷積核大小3*3；第一個池化層的提取區(qū)域大小為2*2，選用最大化方法；第二卷積層包含32個特征映射，卷積核的大小為3*3；第二個池化層的提取區(qū)域大小為2*2，選用最大化方法；第三卷積層包含64個特征映射，卷積核的大小為3*3；第三個池化層的提取區(qū)域大小為2*2，選用最大化方法；2個全連通層分別是6400和128維。

7.根據(jù)權(quán)利要求1所述的方法，其特征在于S4中，歸一化函數(shù)如下：

X_n＝(X_o-MIN(X))/(MAX(X)-MIN(X))

其中，X_o、X_n分別是歸一化前后堆肥實(shí)時特征向量，MIN()、MAX()計(jì)算各屬性維度的最小和最大值。

8.根據(jù)權(quán)利要求1所述的方法，其特征在于S5中，循環(huán)神經(jīng)網(wǎng)絡(luò)包括輸入層、隱藏層和輸出層，輸入層接收堆肥狀態(tài)輸入向量，通過激活函數(shù)更新網(wǎng)絡(luò)隱含層節(jié)點(diǎn)狀態(tài)，由輸出層做出預(yù)測輸出堆肥是否腐熟的信息；其中隱含層的狀態(tài)存儲了堆肥歷史時刻的信息，可以挖掘出歷史與當(dāng)前時刻信息之間的關(guān)系。

9.根據(jù)權(quán)利要求8所述的方法，其特征在于循環(huán)神經(jīng)網(wǎng)絡(luò)具體參數(shù)設(shè)置為：輸入維數(shù)6+128＝134，隱藏層神經(jīng)元160，時間步長為6。