[發明專利]基于物聯網和CCNN模型的農業果實成熟度檢測系統

有效

• 申請號: 202110051701.8
• 申請日: 2021-01-15
• 公開（公告）號: CN112749663B
• 公開（公告）日: 2023-07-07
• 發明（設計）人: 江煜;楊忠
• 申請（專利權）人: 金陵科技學院
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/774;G06V10/764;G06V10/82;G06N3/0464;G06N3/084
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 蔣昱

1.基于物聯網和CCNN模型的農業果實成熟度檢測系統，具體步驟如下，其特征在于：

步驟1，利用高光譜成像技術采集農業果實不同成熟階段下的圖片，并給不同時期下的樣本圖片貼上對應的標簽；

步驟2，利用通信模塊，所述通信模塊為STM32或TCP/IP協議，將采集到的圖片上傳至云計算中心并進行保存；

步驟3，通過WIFI將云計算數據中心的樣本圖片發送給服務器進行CCNN模型的訓練，直至模型的損失函數或迭代次數滿足條件；

步驟3中CCNN模型訓練的具體步驟為：

步驟3.1,利用卷積層1對采集到的圖片進行卷積濾波；

步驟3.2，利用Max?pooling對步驟3.1得到的圖像進行池化處理，得到池化層1，完成圖像降維工作；

步驟3.3，利用卷積層2對步驟3.2得到的圖片進行卷積濾波；

步驟3.4，利用Max?pooling對步驟3.3得到的圖像進行池化處理，得到池化層2，完成圖像降維工作；

步驟3.5，將步驟3.4得到的圖片以Flatten的方式展開為全連接層，而后在全連接層后面連接接Softmax分類層；

步驟3.6，將步驟3.1和3.5得到的數據進行CNN模型的損失函數的求解，其中的損失函數采用的是交叉熵，表達式為：

式中，N為樣本數，z⁽ⁱ⁾為實際樣本標簽，為Softmax層判別的標簽；

步驟3.7，利用梯度下降法反向修正CNN的各連接層之間的權重系數和偏置系數，直至模型的損失函數或迭代次數滿足條件；

步驟3.8，將步驟3.1到步驟3.7獲得的CNN模型中的池化層1作為輸入，訓練第一個SAE模型，其中的損失函數的表達式如下：

式中，S_input和S_output代表SAE的輸入輸出，N代表訓練樣本數，權重衰減系數表示為λ，s_l、s_l+1分別為第l層和第l+1層網絡神經元節點數量，n_l為SAE的層數，代表第l層的第j個神經元與l+1層的第i個神經元之間的權重系數；

步驟3.9，將步驟3.1-步驟3.7獲得的CNN模型中的池化層2作為輸入，訓練第二個SAE模型，損失函數同步驟3.8；

步驟3.10，利用步驟3.8得到的SAE模型架構將CNN模型的池化層1與卷積層2連接起來；

步驟3.11，利用步驟3.9得到的SAE模型架構將CNN模型的池化層2與全連接層連接起來；

步驟3.12，對步驟3.1到步驟3.11初步得到的CCNN模型繼續訓練，利用隨機梯度下降法對網絡系數反向修正，最終使得損失函數L_CCNN達到收斂閾值1e-4以完成CCNN的訓練，其中的損失函數設計為：

步驟4，將訓練好的CCNN模型應用于實際，實時的對高光譜攝像機采集的果實圖片進行分類判斷，并將分類結果通過WIFI上傳至移動終端；

步驟5，操作人員通過終端實時掌握果實的成熟度，并依據成熟度確定接下來的工作。