申请/专利权人：航天信德智图(北京)科技有限公司

申请日：2023-08-11

公开（公告）日：2023-10-20

公开（公告）号：CN116720635B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/02;G06N3/0442;G06V10/764;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2023.10.20#授权;2023.09.26#实质审查的生效;2023.09.08#公开

摘要：本发明涉及深度学习技术领域，公开了一种基于实测数据的广西油茶估产方法，包括以下步骤：步骤S101，采集油茶果树的五个油茶果树图像；步骤S102，构建预测模型；步骤S103，将油茶果树图像输入预测模型，输出节点编码特征向量映射到二维坐标系的坐标点，生成坐标点拟合曲线，搜索拟合曲线峰点的总数作为油茶果数量；步骤S104，计算待估产的种植区域的油茶果树的平均油茶果数量；步骤S105，通过油茶果树的平均油茶果数量计算待估产的油茶果树的平均产量；本发明基于现场实测采集的多个角度的油茶果树图像进行处理，结合应用了节点图结构和注意力机制的预测模型来计算油茶果树的产果数量，并基于计算的结果采取对应的管理措施，提高油茶果种植的经济效益。

主权项：1.一种基于实测数据的广西油茶估产方法，其特征在于，包括以下步骤：步骤S101，采集油茶果树的五个油茶果树图像，五个油茶果树图像分别对应五个拍摄图像的角度；步骤S102，构建预测模型；预测模型包括第一隐藏层、图结构构造器、第二隐藏层；第一隐藏层包括5个串联的LSTM单元，分别输入正前方、正后方、左侧、右侧、正上方的油茶果树图像；图结构构造器用于构建图结构，图结构包括节点A、B、C、D、E，节点A连接节点B、C、D、E，节点B连接节点A、C，节点C连接节点A、B、D，节点D连接节点A、C、E，节点E连接节点A、D；节点A、B、C、D、E分别对应正上方、正前方、左侧、正后方、右侧的油茶果树的图像；节点的节点特征由对应的油茶果树的图像输入第一隐藏层获得的输出生成；第二隐藏层输入图结构中的节点特征，第二隐藏层输出节点编码特征向量；步骤S103，将从待估产的种植区域采集的油茶果树图像输入预测模型，输出节点编码特征向量，将节点编码特征向量映射到二维坐标系的坐标点；然后通过生成的坐标点拟合曲线，搜索拟合曲线的峰点，将五个油茶果树图像对应的节点编码特征搜索的峰点的总数作为从待估产的种植区域采集的油茶果树的油茶果数量；步骤S104，计算待估产的种植区域的油茶果树的平均油茶果数量，计算公式如下：其中L表示从待估产的种植区域采集的图像的油茶果树的总数，Hsum表示步骤S103计算的所有油茶果树的油茶果数量的累加和；步骤S105，将待估产的种植区域的油茶果树的平均油茶果数量与参考值进行对比，如果与参考值的差值的绝对值大于设定的差值阈值，则判断数量异常，否则判断正常，通过待估产的种植区域的油茶果树的平均油茶果数量计算待估产的种植区域的油茶果树的平均产量；第一隐藏层的第t个LSTM单元的计算包括：定义：xt表示第t个油茶果树图像，ht-1表示第t-1个LSTM单元的输出；遗忘门ft的计算如下：其中Wfx表示xt传递到ft对应的权重矩阵，表示ht-1传递到ft对应的权重矩阵，bf表示偏置项；σ表示激活函数；输入门it的计算如下：其中Wxi表示输入xt传递到it对应的权重矩阵，表示ht-1传递到it对应的权重矩阵，bi表示偏置项；σ表示激活函数；中间状态的计算如下：其中WxC表示输入xt传递到对应的权重矩阵，表示ht-1传递到对应的权重矩阵，bC表示偏置项；tanh表示tanh激活函数；细胞状态Ct表示为下式：其中Ct-1是第t-1个LSTM的细胞状态，⊙表示逐点相乘；输出门Ot表示为下式：其中Wxo表示输入xt传递到ot对应的权重矩阵，表示ht-1传递到ot对应的权重矩阵，bo表示偏置项；通过激活函数σ将的计算结果限定在0,1之间；输出ht表示为下式：ht＝ot⊙tanhCt，将输出门ot与tanhCt逐点相乘，得到第t个LSTM单元的输出ht；生成节点特征的方法是将第一隐藏层的输出的行向量按顺序拼接构成一个拼接向量作为节点特征；训练时第二隐藏层输出的节点编码特征向量输入分类器，分类器的分类标签表征不同的油茶果树的产果数量；第二隐藏层的节点与邻近节点的注意力系数的计算公式如下：eij＝a[Whi||Whj]其中eij表示节点i与邻近节点j之间的注意力系数，W表示节点i与邻近节点j之间的共享权重参数，hi表示节点i的节点特征，hj表示邻近节点j的节点特征，||表示拼接操作，a表示将拼接后的高维特征映射到一个实数；第二隐藏层的节点与邻近节点的归一化注意力系数的计算公式如下：其中aij表示节点i与邻近节点j之间的归一化注意力系数，exp表示取自然指数函数的幂运算，Ni表示与节点i相邻的节点集合，eik表示节点i与邻近节点k之间的注意力系数，softmax表示softmax激活函数，LeakyReLU表示LeakyReLU激活函数；第二隐藏层的节点与邻近节点的特征加权求和的计算公式如下：其中表示更新后的节点i的特征向量，αij表示节点i与邻近节点j之间的归一化注意力系数，W表示节点i与邻近节点j之间的共享权重参数，hj表示邻近节点j的节点特征，Ni表示与节点i相邻的节点集合，σ表示sigmoid激活函数；第二隐藏层的节点与邻近节点的注意力系数的计算公式中，a通过单层前馈神经网络实现。

全文数据：

权利要求：

百度查询： 航天信德智图(北京)科技有限公司 一种基于实测数据的广西油茶估产方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD