[發明專利]一種霧滴沉積量檢測方法及系統

有效

• 申請號: 202110203887.4
• 申請日: 2021-02-23
• 公開（公告）號: CN113008742B
• 公開（公告）日: 2022-08-19
• 發明（設計）人: 楊瑋;郝子源;李欣澤;李民贊;孟超;周鵬
• 申請（專利權）人: 中國農業大學
• 主分類號: G01N15/04
• 分類號: G01N15/04;G06K9/62;G06N3/04
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 郭亮

1.一種霧滴沉積量檢測方法，其特征在于，包括：

對農作物環境信息進行數據采集，獲取目標環境信息數據；

將預設無人機作業參數數據和所述目標環境信息數據輸入到訓練好的霧滴沉積量預測模型中，得到霧滴沉積量的檢測結果，其中，所述目標環境信息數據包括噴霧前溫度、噴霧前濕度、噴霧后最大濕度和噴霧后最小溫度；所述訓練好的霧滴沉積量預測模型是由標記有輸入參數類型標簽的樣本無人機作業參數數據和樣本環境信息數據，對一維卷積神經網絡進行訓練得到的；

所述樣本無人機作業參數數據包括噴頭霧滴粒徑、無人機噴灑速度、無人機噴灑高度和農藥用量；所述樣本環境信息數據包括噴霧前溫濕度信息、噴霧后溫濕度信息和風速信息；

所述一維卷積神經網絡包括3層卷積神經網絡、2層池化層、2層全連接層和1層輸出層，所述霧滴沉積量預測模型的輸出層激活函數為RELU，所述一維卷積神經網絡的具體結構為：

第一層為卷積層，濾波器數目為64個，卷積核大小為3×1；

第二層為最大池化層，卷積核大小為3×1，濾波器數目為64個；

第三層為卷積層，共有32個濾波器，卷積核大小為3×1；

第四層為卷積層，濾波器數目為16個，卷積核大小為3×1；

第五層添加一個平均池化層，所述平均池化層中濾波器的卷積核大小為3×1，濾波器數目為16個；

第六層和第七層均為全連接層，用于特征組合，每個全連接層的濾波器數目為16個；

第八層為輸出層。

2.根據權利要求1所述的霧滴沉積量檢測方法，其特征在于，所述訓練好的霧滴沉積量預測模型通過以下步驟訓練得到：

根據樣本環境信息數據、樣本無人機作業參數及對應的樣本霧滴沉積量，構建訓練樣本集；

將所述訓練樣本集輸入所述一維卷積神經網絡進行訓練，若滿足預設條件，獲取訓練好的霧滴沉積量預測模型。

3.根據權利要求2所述的霧滴沉積量檢測方法，其特征在于，所述將所述訓練樣本集輸入所述一維卷積神經網絡進行訓練，若滿足預設條件，獲取訓練好的霧滴沉積量預測模型，包括：

將所述訓練樣本集輸入所述一維卷積神經網絡進行訓練，得到預測霧滴沉積量，根據預測霧滴沉積量與樣本霧滴沉積量，獲取所述一維卷積神經網絡的損失函數值，若判斷獲知所述損失函數值滿足收斂條件，獲取訓練好的霧滴沉積量預測模型。

4.根據權利要求1所述的霧滴沉積量檢測方法，其特征在于，所述農作物對環境信息進行數據采集，獲取目標環境信息數據，包括：

通過樹莓派節點采集環境信息，獲取目標環境信息數據，所述樹莓派節點用于處理溫濕度傳感器、風速傳感器、GPS傳感器采集的信息數據，且所述樹莓派節點通過無線傳輸方式將所述目標環境信息發送至云服務器端。

5.根據權利要求2所述的霧滴沉積量檢測方法，其特征在于，所述一維卷積神經網絡中50％的神經元權值為0。

6.根據權利要求1所述的霧滴沉積量檢測方法，其特征在于，所述將預設無人機作業參數數據和所述目標環境信息數據輸入到訓練好的霧滴沉積量預測模型中之前，所述方法還包括：

對所述預設無人機作業參數數據和所述目標環境信息數據進行預處理，得到按比例縮放的數據，所述預處理包括標準正態分布化和統計分布標準化。