[發(fā)明專(zhuān)利]一種基于Hadoop的作物漬害圖像分類(lèi)檢測(cè)及實(shí)現(xiàn)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011006864.6
• 申請(qǐng)日: 2020-09-23
• 公開(kāi)（公告）號(hào): CN112070062A
• 公開(kāi)（公告）日: 2020-12-11
• 發(fā)明（設(shè)計(jì)）人: 夏吉安;于林惠;曹宏鑫;張文宇;張偉欣;葛道闊;宣慧
• 申請(qǐng)（專(zhuān)利權(quán)）人: 南京工業(yè)職業(yè)技術(shù)大學(xué)
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62;G06F16/182;G06N3/04;G06N3/08
• 代理公司: 南京德銘知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 32362
• 代理人: 婁嘉寧

1.一種基于Hadoop的作物漬害圖像分類(lèi)檢測(cè)及實(shí)現(xiàn)方法，其特征在于，包括以下步驟：

步驟a)采集作物田間漬害圖像，進(jìn)行圖像矯正與預(yù)處理，圖像主成分分析；

步驟b)將圖像矩陣上傳到Hadoop計(jì)算平臺(tái)，進(jìn)行分布式存儲(chǔ)，并編寫(xiě)并行神經(jīng)網(wǎng)絡(luò)算法；

步驟c)進(jìn)行算法建模與預(yù)測(cè)，針對(duì)作物漬害圖像信息進(jìn)行分類(lèi)分析。

2.如權(quán)利要求1所述的基于Hadoop的作物漬害圖像分類(lèi)檢測(cè)及實(shí)現(xiàn)方法，其特征在于，所述步驟a)包括以下具體步驟：

步驟a1)：采集作物田間漬害圖像信息，將圖像轉(zhuǎn)換為圖像矩陣，進(jìn)行圖像矯正和預(yù)處理，進(jìn)行圖像去噪與圖像增強(qiáng)處理，

步驟a2)：圖像主成分分析，提取圖像特征信息，并進(jìn)行圖像數(shù)據(jù)降維；

步驟a3)：計(jì)算圖像矩陣的均值與方差；

步驟a4)：計(jì)算矩陣標(biāo)準(zhǔn)化并計(jì)算協(xié)方差矩陣；

步驟a5)：計(jì)算：求解協(xié)方差矩陣的特征值與特征向量；

步驟a6)：計(jì)算累積方差貢獻(xiàn)率；貢獻(xiàn)率大于70％即可作為主成分；

3.如權(quán)利要求1所述的基于Hadoop的作物漬害圖像分類(lèi)檢測(cè)及實(shí)現(xiàn)方法，其特征在于，所述步驟b)包括以下具體步驟：

步驟b1)：將圖像矩陣數(shù)據(jù)上傳到Hadoop計(jì)算平臺(tái)，采用HDFS方式進(jìn)行分布式存儲(chǔ)；

步驟b2)：Master節(jié)點(diǎn)作為Namenode節(jié)點(diǎn)管理整個(gè)HDFS文件系統(tǒng)和目錄樹(shù)，剩余5個(gè)Datanode節(jié)點(diǎn)上存儲(chǔ)一個(gè)圖像數(shù)據(jù)集的副本；

步驟b3)：采用Scala編寫(xiě)基于Hadoop平臺(tái)的神經(jīng)網(wǎng)絡(luò)算法。

4.如權(quán)利要求1所述的基于Hadoop的作物漬害圖像分類(lèi)檢測(cè)及實(shí)現(xiàn)方法，其特征在于，所述步驟c)包括以下具體步驟：

步驟c1)：神經(jīng)網(wǎng)絡(luò)包含三層，分別為輸入層、隱藏層和輸出層，輸出層節(jié)點(diǎn)的輸出函數(shù)為：

步驟c2)：中間層采用Sigmoid函數(shù)作為激活函數(shù)：

步驟c3)：反向傳播時(shí)使用Softmax函數(shù)作為多分類(lèi)問(wèn)題的梯度下降函數(shù)，

步驟c4):采用70％的數(shù)據(jù)進(jìn)行模型訓(xùn)練，觀察訓(xùn)練結(jié)果，根據(jù)訓(xùn)練結(jié)果調(diào)整訓(xùn)練參數(shù)；

步驟c5):剩余30％的數(shù)據(jù)模型預(yù)測(cè)，進(jìn)行算法性能與效率評(píng)估，

步驟c6):進(jìn)行作物漬害圖像檢測(cè)。