[發明專利]用于灌溉裝置的灌溉水壓控制的神經網絡的訓練方法

在審

• 申請號: 202110024413.3
• 申請日: 2021-01-08
• 公開（公告）號: CN112733710A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 鄒可可
• 申請（專利權）人: 徐州展皎信息技術服務有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種用于灌溉裝置的灌溉水壓控制的神經網絡的訓練方法，其特征在于，包括：

獲取訓練圖像，所述訓練圖像為待澆灌區域的圖像；

將所述訓練圖像通過編碼器以獲得訓練特征向量，其中，所述編碼器包括深度卷積神經網絡，所述深度卷積神經網絡的最后一層為全連接層，所述訓練特征向量由所述全連接層輸出；

計算所述訓練特征向量的正交化損失函數值，所述正交化損失函數值為所述訓練特征向量與所述訓練特征向量的轉置的乘積與單位矩陣之間的均方差；

將所述訓練特征向量通過解碼器以獲得解碼值，所述解碼器包括多個全連接層，所述解碼器中的最后一個全連接層的輸出位為一；

計算所述解碼值與真實值之間的差值損失函數值；以及

基于所述差值損失函數值和所述正交化損失函數值，更新所述編碼器和所述解碼器的參數。

2.根據權利要求1所述的用于灌溉裝置的灌溉水壓控制的神經網絡的訓練方法，其中，將所述訓練圖像通過編碼器以獲得訓練特征向量，包括：

將所述訓練圖像通過所述深度卷積神經網絡中的多層卷積層、多層池化層和多層激活層以獲得卷積特征圖；以及

將所述卷積特征圖通過所述深度卷積神經網絡中的所述全連接層，以獲得所述訓練特征向量。

3.根據權利要求1所述的用于灌溉裝置的灌溉水壓控制的神經網絡的訓練方法，其中，計算所述解碼值與真實值之間的差值損失函數值，包括：

計算所述解碼值與真實值之間的L1差值損失函數值。

4.根據權利要求1所述的用于灌溉裝置的灌溉水壓控制的神經網絡的訓練方法，其中，計算所述解碼值與真實值之間的差值損失函數值，包括：

計算所述解碼值與真實值之間的L2差值損失函數值。

5.根據權利要求1所述的用于灌溉裝置的灌溉水壓控制的神經網絡的訓練方法，其中，基于所述差值損失函數值和所述正交化損失函數值，更新所述編碼器和所述解碼器的參數，包括：在每一輪迭代中，

基于所述正交化損失函數值來更新所述編碼器的參數；以及

以所述差值損失函數值來更新所述編碼器和所述解碼器的參數。

6.根據權利要求1所述的用于灌溉裝置的灌溉水壓控制的神經網絡的訓練方法，其中，獲取訓練圖像，所述訓練圖像為待澆灌區域的圖像，包括：

通過部署于無人機的攝像頭采集待澆灌區域的圖像；以及

基于所述無人機的攝像頭在采集所述待澆灌區域時的景深值，將所述訓練圖像調整為具有統一尺度的圖像。

7.一種基于深度神經網絡的灌溉水壓控制方法，其特征在于，包括：

獲取待檢測的灌溉區域的圖像；

將所述圖像輸入根據如權利要求1到6中任意一項所述的用于灌溉裝置的灌溉水壓控制的神經網絡的訓練方法所訓練的編碼器和解碼器，所述解碼器中的最后一個全連接層的輸出表示灌溉裝置的灌溉水壓的參數；以及

基于所述灌溉水壓的參數調節灌溉裝置的灌溉水壓。