申请/专利权人：西安科技大学

申请日：2020-08-10

公开（公告）日：2024-04-09

公开（公告）号：CN112016596B

主分类号：G06F18/214

分类号：G06F18/214;G06F18/24;G06F18/15;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2020.12.18#实质审查的生效;2020.12.01#公开

摘要：本发明公开了一种基于卷积神经网络的农田土壤肥力评价方法，包括步骤：获取原始农田图像，并建立农田土壤肥力分类模型；对每张原始农田图像进行归一化处理，对归一化后原始数据进行数据扩充形成训练集；采用训练集对农田土壤肥力分类模型进行训练，获取目标农田的多张图像作为待评价图片，将待评价图片输入训练后的农田土壤肥力分类模型，输出对应分类结果；统计分析后得到目标农田的肥力评价等级。本发明在不破坏农田和作物生长的情况下获得样本，通过深度学习反复计算出当前地块的土壤肥力情况，节省人力物力，分类准确度高；同时结合土壤肥力多参数时空分布规律，为最终智慧农业中的精准施肥提供有效的技术支持。

主权项：1.基于卷积神经网络的农田土壤肥力评价方法，其特征在于，包括以下步骤：步骤1，获取原始农田图像，并建立农田土壤肥力分类模型；其中，原始农田图像为彩色图片，包含茂密和稀疏两大类；步骤2，对每张原始农田图像即原始数据进行归一化处理，对应得到归一化后原始数据，对归一化后原始数据进行数据扩充，得到扩充数据，所述扩充数据和归一化后原始数据共同形成训练集；所述对归一化后原始数据进行数据扩充，具体为：对归一化后原始数据中的每个数据矩阵分别进行翻转变换、缩放变换、平移变换、尺度变换和错切变换，对应得到五组变换后的数据矩阵，即为扩充数据；其中，所述翻转变换为沿着水平或者垂直方向翻转原始数据矩阵；所述缩放变换为按照设定比例反打或者缩小原始数据矩阵；所述平移变换为在图像平面上对归一化后的图像进行随机或者设定方式的平移，以改变图像内容的位置；所述尺度变换为对图像按照指定的尺子因子进行放大或者缩小，改变图像内容的大小或者模糊程度；所述错切变换为指定每张归一化后原始图像中所有像素点的x坐标或者y坐标保持不变，对应的y坐标或者x坐标则按比例发生平移，且平移的距离与该像素点到x轴或y轴的垂直距离成正比；步骤3，采用训练集对农田土壤肥力分类模型进行训练，得到训练后的农田土壤肥力分类网络；所述采用训练集对农田土壤肥力分类模型进行训练，其具体过程为：3.1，对农田土壤肥力分类模型中的权值参数和偏置进行随机初始化；3.2，将训练集中的每张图像作为输入数据依次输入农田土壤肥力分类模型，每次输入一个样本；输入图像的张量为M*N*S，其中M*N为输入图像的大小，S为通道数；3.3，将每张输入图像转换成S层二维像素矩阵，经过卷积层提取特征矩阵，池化层对特征矩阵进行下采样，经过多次卷积和池化过程，得到一个或多个多维矩阵，再通过两个全连接层对一个或多个多维矩阵进行数据整合，展开成概率的一维特征向量，最后输出分类概率值；3.4，采用小批量梯度下降算法对农田土壤肥力分类模型中的权值参数和偏置进行更新，直至损失函数小于设定值或所有训练样本训练完成，结束训练，得到训练后的农田土壤肥力分类网络；所述采用小批量梯度下降算法对农田土壤肥力分类模型中的权值参数和偏置进行更新，具体为：a设定批量大小；b当前批量训练结束后，计算当前批量与上一批量的交叉熵即损失函数，其计算公式为： 其中，L是损失值，N是一次要训练的图片数量，即批量大小，yi是真实样本标签，是农田土壤肥力分类模型输出的概率值；c根据当前批量的损失值，对农田土壤肥力分类模型中的权值参数和偏置进行更新，再进行下一批量的训练，如此往复，直至训练结束；步骤4，获取目标农田的多张图像作为待评价图片，将待评价图片输入训练后的农田土壤肥力分类网络，输出对应分类结果；将所有待评价图片的分类结果进行统计分析，得到目标农田的肥力评价等级；所述将所有待评价图片的分类结果进行统计分析，具体为：首先，统计所有待评价图片的分类结果为茂密的图片个数k，计算目标农田的商值K＞16，为待评价图片总数；然后，采用该商值作为目标农田土壤肥力评价指标；当s≥0.85时，土壤肥力评价为优；当0.7≤s＜0.85时，土壤肥力评价为良；当0.6≤s＜0.7时，土壤肥力评价为中；当s＜0.6时，土壤肥力评价为差。

全文数据：

权利要求：

百度查询： 西安科技大学 基于卷积神经网络的农田土壤肥力评价方法

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