[發(fā)明專利]一種低功耗廣域網(wǎng)內(nèi)農(nóng)作物生長(zhǎng)數(shù)據(jù)傳輸系統(tǒng)及方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202111083814.2
• 申請(qǐng)日: 2021-09-14
• 公開（公告）號(hào): CN113792744B
• 公開（公告）日: 2023-09-05
• 發(fā)明（設(shè)計(jì)）人: 謝吉龍;劉萬村;趙丹;孫慧敏;姜濤;雍麗英;杜麗萍;孫昊楠;張喜海;王海龍
• 申請(qǐng)（專利權(quán)）人: 東北農(nóng)業(yè)大學(xué);哈爾濱職業(yè)技術(shù)學(xué)院
• 主分類號(hào): G06V10/44
• 分類號(hào): G06V10/44;G06V10/75;G06V10/764;G06V10/82;G06N3/0464;G06N3/048;G06N3/08;H04W4/30;H04W48/18;H04W84/18
• 代理公司: 哈爾濱市松花江專利商標(biāo)事務(wù)所 23109
• 代理人: 張換男

1.一種低功耗廣域網(wǎng)內(nèi)農(nóng)作物生長(zhǎng)數(shù)據(jù)傳輸系統(tǒng)，其特征在于：所述系統(tǒng)包括圖像數(shù)據(jù)獲取模塊、預(yù)處理模塊、網(wǎng)絡(luò)搭建模塊、訓(xùn)練模塊、廣域網(wǎng)通信模塊、機(jī)器學(xué)習(xí)模塊；

所述圖像數(shù)據(jù)獲取模塊用于獲取農(nóng)作物生長(zhǎng)圖像信息；

所述預(yù)處理模塊用于對(duì)圖像數(shù)據(jù)獲取模塊獲取的信息進(jìn)行預(yù)處理；

所述網(wǎng)絡(luò)搭建模塊用于建立機(jī)器學(xué)習(xí)模型；

所述訓(xùn)練模塊用于根據(jù)預(yù)處理模塊獲取的預(yù)處理后信息對(duì)機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練，獲取訓(xùn)練好的機(jī)器學(xué)習(xí)模型；

所述廣域網(wǎng)通信模塊用于將圖像數(shù)據(jù)獲取模塊獲取的待處理的農(nóng)作物生長(zhǎng)圖像信息傳輸給機(jī)器學(xué)習(xí)模塊；

所述機(jī)器學(xué)習(xí)模塊用于將待處理的農(nóng)作物生長(zhǎng)圖像信息輸入訓(xùn)練好的機(jī)器學(xué)習(xí)模型，獲得識(shí)別結(jié)果；

所述圖像數(shù)據(jù)獲取模塊用于獲取農(nóng)作物生長(zhǎng)的圖像信息；具體過程為：

判斷不同視角拍攝的圖像的邊界值信息是否存在，如果所有圖像的邊界值信息都存在，則根據(jù)邊界值信息，將所有圖像進(jìn)行拼接，恢復(fù)成連續(xù)圖像；如果所有圖像中有大于等于一種圖像的邊界值信息不存在，則采用圖像處理算法處理邊界值信息不存在的圖像，使所有圖像的邊界值信息都存在，進(jìn)而得到拼接后的連續(xù)圖像；

所述圖像處理算法具體過程為：

通過檢測(cè)并提取邊界圖像的特征和關(guān)鍵點(diǎn)，使用RANSAC算法匹配特征向量，估計(jì)單應(yīng)矩陣，確定不存在邊界值信息的圖像的邊界信息；

所述預(yù)處理模塊用于對(duì)圖像數(shù)據(jù)獲取模塊獲取的信息進(jìn)行預(yù)處理；具體過程為：

對(duì)圖像數(shù)據(jù)獲取模塊獲取的農(nóng)作物生長(zhǎng)圖像信息進(jìn)行去噪處理；

式中，f(x,y)表示圖像數(shù)據(jù)獲取模塊獲取的農(nóng)作物生長(zhǎng)圖像信號(hào)，g(x,y)表示去噪處理后圖像信號(hào)，n(x,y)表示噪聲；

所述網(wǎng)絡(luò)搭建模塊用于建立機(jī)器學(xué)習(xí)模型；

機(jī)器學(xué)習(xí)模型包括輸入層、第一卷積層、第二卷積層、第三卷積層、第四卷積層、第五卷積層、第一CBAM注意力模塊、第二CBAM注意力模塊、第三CBAM注意力模塊、第四CBAM注意力模塊、第五CBAM注意力模塊、第一激活層、第六卷積層、第七卷積層、第八卷積層、第一非對(duì)稱卷積層、第二非對(duì)稱卷積層、第三非對(duì)稱卷積層、BN層，第二激活層、全局平均池化層和全連接層；

圖像輸入機(jī)器學(xué)習(xí)模型的輸入層，經(jīng)過輸入層輸入到第一卷積層進(jìn)行特征圖提取，對(duì)第一卷積層輸出圖像進(jìn)行0.5倍的上采樣，采樣結(jié)果輸入到第二卷積層進(jìn)行特征圖提取，對(duì)第二卷積層輸出圖像進(jìn)行0.5倍的上采樣，采樣結(jié)果輸入到第三卷積層進(jìn)行特征圖提取，對(duì)第三卷積層輸出圖像進(jìn)行0.5倍的上采樣，采樣結(jié)果輸入到第四卷積層進(jìn)行特征圖提取，第四卷積層輸出圖像輸入到第五卷積層進(jìn)行特征圖提取；

對(duì)第五卷積層提取的特征圖進(jìn)行1*1的卷積操作改變特征圖的維度，得到特征圖M5；對(duì)第四卷積層提取的特征圖進(jìn)行1*1的卷積操作改變特征圖的維度，得到特征圖M4；對(duì)第三卷積層提取的特征圖進(jìn)行1*1的卷積操作改變特征圖的維度，得到特征圖M3；對(duì)第二卷積層提取的特征圖進(jìn)行1*1的卷積操作改變特征圖的維度，得到特征圖M2；

對(duì)特征圖M5進(jìn)行2倍上采樣，采樣結(jié)果輸入到特征圖M4，對(duì)特征圖M4進(jìn)行2倍上采樣，采樣結(jié)果輸入到特征圖M3，對(duì)特征圖M3進(jìn)行2倍上采樣，采樣結(jié)果輸入到特征圖M2；

對(duì)M5進(jìn)行3*3的卷積得到特征圖P5；對(duì)輸入采樣結(jié)果的特征圖M4進(jìn)行3*3的卷積得到特征圖P4；對(duì)輸入采樣結(jié)果的特征圖M3進(jìn)行3*3的卷積得到特征圖P3；對(duì)輸入采樣結(jié)果的特征圖M2進(jìn)行3*3的卷積得到特征圖P2；

對(duì)特征圖P5進(jìn)行0.5倍的上采樣得到特征圖P6；

將特征圖P2分別經(jīng)過第一激活層、第一深度可分離卷積層、第一BN層，第一BN層輸出作為第一CBAM注意力模塊的輸入；

將特征圖P3分別經(jīng)過第二激活層、第二深度可分離卷積層、第二BN層，第二BN層輸出作為第二CBAM注意力模塊的輸入；

將特征圖P4分別經(jīng)過第三激活層、第三深度可分離卷積層、第三BN層，第三BN層輸出作為第三CBAM注意力模塊的輸入；

將特征圖P5分別經(jīng)過第四激活層、第四深度可分離卷積層、第四BN層，第四BN層輸出作為第四CBAM注意力模塊的輸入；

將特征圖P6分別經(jīng)過第五激活層、第五深度可分離卷積層、第五BN層，第五BN層輸出作為第五CBAM注意力模塊的輸入；

融合第一CBAM注意力模塊的輸出、第二CBAM注意力模塊的輸出、第三CBAM注意力模塊的輸出、第四CBAM注意力模塊的輸出和第五CBAM注意力模塊的輸出，將融合后圖像特征輸入第六激活層；

將第六激活層的輸出作為第六卷積層的輸入；

將第六激活層的輸出作為第七卷積層的輸入；

將第六激活層的輸出作為第八卷積層的輸入；

第六卷積層的輸出作為第一非對(duì)稱卷積層的輸入；

第七卷積層的輸出作為第二非對(duì)稱卷積層的輸入；

第八卷積層的輸出作為第三非對(duì)稱卷積層的輸入；

計(jì)算第一非對(duì)稱卷積層輸出的圖像特征向量和第二非對(duì)稱卷積層輸出的圖像特征向量的歐氏距離Distance(a,b)₁₂；

計(jì)算第一非對(duì)稱卷積層輸出的圖像特征向量和第三非對(duì)稱卷積層輸出的圖像特征向量的歐氏距離Distance(a,b)₂₃；

計(jì)算第二非對(duì)稱卷積層輸出的圖像特征向量和第三非對(duì)稱卷積層輸出的圖像特征向量的歐氏距離Distance(a,b)₁₃；

將作為第一非對(duì)稱卷積層輸出的圖像特征向量的權(quán)重；

將作為第二非對(duì)稱卷積層輸出的圖像特征向量的權(quán)重；

將作為第三非對(duì)稱卷積層輸出的圖像特征向量的權(quán)重；

按權(quán)重融合第一非對(duì)稱卷積層的輸出、第二非對(duì)稱卷積層的輸出、第三非對(duì)稱卷積層的輸出，將融合后圖像特征輸入第六BN層，第六BN層輸出輸入第七激活層，第七激活層的輸出輸入全局平均池化層，全局平均池化層的輸出輸入全連接層，全連接層輸出特征向量。