一种基于卷积神经网络的金针菇不同生长期智能补光的装置与方法与流程

本发明涉及机器学习、图像分类和金针菇种植技术领域，一种基于卷积神经网络的金针菇不同生长期智能补光的装置与方法。

背景技术：

金针菇的菌丝灰白色，绒毛状。子实体为丛生，菌盖初期呈半圆形小体，长大后渐平展，直径2～8厘米，表面光滑，色泽白、黄白色或淡茶褐色。菌肉为白色，金针菇具有很高的药用食疗作用。有研究又表明，金针菇内所含的一种物质具有很好的抗癌作用。金针菇具有丰富的营养，为家庭或餐厅普遍使用的食材。具有非常广阔的市场。对于金针菇的种植厂商如果能提高金针菇的产量，必定带来较好的经济效益。

在传统的金针菇种植中很多厂商未使用有色光进行生长促进，或者有些厂商使用带颜色的遮罩物放置于金针菇上方，这种方法需要浪费大量的人力物力，且每一个厂房中金针菇数量巨大，对其进行单色遮罩物进行遮罩的工作非常繁琐，如果不加光照在黑暗中进行培养或使用单色光培养，无法在产量和质量带来提升。

参考传统的金针菇培养方法，结合目前图像深度学习中广泛应用的卷积神经网络算法提供良好的解决方案。主要优势为，节省了大量的人力物力去对金针菇进行遮罩。使用深度学习进行生长期自动判断，在节省人力的情况下增加的判断准确度。全程由计算机程序控制完成，具有判断操作及时和工作效率高等优点。

技术实现要素：

本发明的目的是提供一种基于卷积神经网络的金针菇不同生长期智能补光的装置与方法，为提高金针菇产量和质量提供了有效的解决方案，有助于实现金针菇补光工作的自动化完成。

为解决上述技术问题，本发明的主要技术内容如下：

一种基于卷积神经网络的金针菇不同生长期智能补光的装置，其特征在于：包括承载装置、摄像头(分辨率1920*1080)、全光谱led灯、计算机、金针菇培养基和塑料管，所述承载装置包括横梁支架和防水保护箱，所述横梁支架固定在补光室顶部，所述防水保护箱通过绳子连接到横梁中央位置，用于防止摄像头进水并帮助摄像头数据线承载重量，所述摄像头固定放置于防水箱中，所述摄像头镜头对准金针菇培养基区域的中央，所述全光谱led灯安放在横梁的四个角，用于在摄像头采集样本照片时提供白光和判断生长期后提供有利于金针菇生长的有色光。所述计算机与摄像头和全光谱led灯相连，用于处理和存储摄像头采集到的图像和控制全光谱led灯的颜色，所述金针菇培养基放置于四盏全光谱led灯下方，用于金针菇的培养，所述塑料管用于保护全光谱led灯电源线和摄像头与计算机之间的数据传输线；

上述四盏全光谱led灯可以由计算机进行控制来调节灯的颜色，颜色的调节范围是红色、橙色、黄色、绿色、蓝靛色和紫色；

上述在摄像头采集图像时，全光谱led灯能打开白光有利于保证采集到的图像的质量；

上述防水保护箱最底面为高清透明玻璃，其余五面皆为不易变形的且重量较轻的木板，从而降低了承载装置的负重，摄像头可以透过高清透明玻璃窗对底部金针菇培养区域进行图像采集；

一种基于卷积神经网络的金针菇不同生长期智能补光的方法，包括以下步骤：

(1)通过收集大量的金针菇不同生长期的图像，将图像交由众多有经验的金针菇种植专家标注分类，形成训练cnn模型的训练数据集；

(2)利用上一步得到的标注好的数据作为训练样本集，输入到caffe深度学习框架进行训练，并得到金针菇不同生长期分类模型；

(3)通过计算机发出指令控制全光谱led灯显示白光，并发出指令让摄像头对金针菇培养基进行拍照取样并上传至计算机(每隔10小时取样一次)；

(4)根据训练好的cnn模型对摄像头采取的样本照片进行分类，判断该金针菇图像样本所属的生长期；

(5)计算机根据上一步获得的金针菇的生长期，来控制全光谱led灯亮起有利于金针菇该生长期生长的有色光，满足金针菇对光质的要求；

上述步骤(1)中的cnn模型的训练包括以下步骤：

(a)选取的训练样本数据必须是严格人工记录生长期，并经过准确标注的；

(b)通过将所有标注好的训练数据输送到卷积神经网络的训练器中，cnn单神经元的权重计算公式如下；

其中w为权重，b为偏移量，向量x由输入的待判定金针菇图像样本经数字化后得到；

上述步骤(3)摄像头取样具体实施步骤如下：

(a)计算机程序设置时间任务时间间隔10小时；

(b)计算机发出指令，令全光谱led灯打开白光照亮金针菇培养基区域；

(c)为了防止摄像头拍照时全光谱led灯还没有来得及亮起，所以在计算机发出令全光谱led灯亮起白色光指令之后，间隔10s，再向摄像头发出拍照指令；

(d)摄像头拍照后，照片通过数据线传回计算机，计算机将照片保存后用于分类识别；

上述步骤(4)中生长期判别包括以下步骤：

(a)将测试集样本代入建好的卷积神经网络训练模型；

(b)将卷积神经网络预测模型结果与生长周期对光质的要求，控制led亮起需要的颜色；

上述步骤(5)中提到的金针菇对光质的要求具体如下：

(a)菌丝生长阶段，红、黄色光对菌丝生长有促进作用，透明的光则具有抑制作用；

(b)子实体生长阶段，蓝色光对子实体原基分化具有较强的诱导作用，白色光作用其次，红色光作用最差；

本发明的优点

1、采用横梁四角布灯很大程度上避免了中央单个布灯带来的金针菇受光不均匀情况。

2、采用较轻的木质防水保护箱相比传统铁质保护箱能有效减轻横梁的负重，增加横梁的使用年限。

3、采用卷积神经网络能够在训练样本不断增加的情况下，不断提升对金针菇图像的分类准确率。

4、利用计算机程序全程控制光照的补充减少了人力物力的投入，节省了成本，提升了金针菇的产量，带来了经济效益。

附图说明

图1为本发明装置的结构示意图；

图2为本发明的方法流程图；

图3为卷积神经网络示例图；

具体实施方式

为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的其具体实施方式、结构、特征及其功效，详细说明如后。

如图1所示，一种基于卷积神经网络的金针菇不同生长期智能补光的装置，包括承载装置、摄像头4、全光谱led灯5、计算机6、金针菇培养基8和塑料管7，所述承载装置包括横梁支架1和防水保护箱2，所述横梁支架1固定在补光室顶部，所述防水保护箱2通过绳子3连接到横梁支架1中央位置，用于防止摄像头4进水并帮助摄像头4数据线承载重量，所述摄像头4固定放置于防水箱中，所述摄像头4镜头对准金针菇培养基8区域的中央，所述全光谱led灯5安放在横梁支架1的四个角，用于在摄像头采集样本照片时提供白光和判断生长期后提供有利于金针菇生长的有色光。所述计算机7与摄像头4和全光谱led灯5相连，用于处理和存储摄像头4采集到的图像和控制led灯5的颜色，所述金针菇培养基8放置于四盏全光谱led灯5下方，用于金针菇的培养，所述塑料管7用于保护led灯5的电源线和摄像头4与计算机6之间的数据传输线；

作为优选方案，四盏全光谱led灯5可以由计算机6进行控制来调节灯的颜色，颜色的调节范围是红色、橙色、黄色、绿色、蓝靛色和紫色。

作为优选方案，在摄像头4采集图像时，全光谱led灯5能打开白光有利于保证采集到的图像的质量。

作为优选方案，防水保护箱2最底面为高清透明玻璃，其余五面皆为不易变形的且重量较轻的木板，从而降低了承载装置的负重，摄像头4可以透过高清透明玻璃窗对底部金针菇培养区域进行图像采集。

如图2、图3、所示，为一种基于卷积神经网络的金针菇不同生长期智能补光的方法，包括以下步骤：

(1)通过收集大量的金针菇不同生长期的图像，将图像交由众多有经验的金针菇种植专家标注分类，形成训练cnn模型的训练数据集；

(2)利用上一步得到的标注好的数据作为训练样本集，输入到caffe深度学习框架进行训练，并得到金针菇不同生长期分类模型；

(3)通过计算机发出指令控制全光谱led灯显示白光，并发出指令让摄像头对金针菇培养基进行拍照取样并上传至计算机(每隔10小时取样一次)；

(4)根据训练好的cnn模型对摄像头采取的样本照片进行分类，判断该金针菇图像样本所属的生长期；

(5)计算机根据上一步获得的金针菇的生长期，来控制全光谱led灯亮起有利于金针菇该生长期生长的有色光，满足金针菇对光质的要求；

上述步骤(1)中需要收集cnn模型的训练数据集，具体原理如下：

如图3所示，input图像样本经数字化得到的输入数据，t1和t2层为特征提取层，c1和c2层为特征映射层，j1为激活函数层。output为卷积神经网络最后的输出。

卷积神经网络是人工神经网络当前应用十分广泛的一种，已成为图像识别领域的重要研究算法。它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。卷积网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。

卷积网络在本质上是一种输入到输出的映射，它能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式，只要用已经人工标注好的大量样本数据对卷积网络加以训练，网络就具有输入输出对之间的映射能力。卷积网络执行的是有导师训练，所以其样本集是由形如：(输入向量，理想输出向量)的向量对构成的。

训练主要分为两个阶段：

第一阶段，向前传播阶段：

(a)从样本集中取一个样本(x,yp)，将x输入网络；

(b)计算相应的实际输出op；

在此阶段，信息从输入层经过逐级的变换，传送到输出层。这个过程也是网络在完成训练后正常运行时执行的过程。在此过程中，网络执行的是计算(实际上就是输入与每层的权值矩阵相点乘，得到最后的输出结果)：

op＝fn(…(f2(f1(xpw(1))w(2))…)w(n))

第二阶段，向后传播阶段：

(a)算实际输出op与相应的理想输出yp的差；

(b)按极小化误差的方法反向传播调整权矩阵。(变量名称需要改过来)；

具体包括以下步骤：

(1)选取的训练样本数据必须是严格人工记录生长期，并经过准确标注的；

(2)通过将所有标注好的训练数据输送到卷积神经网络的训练器中，cnn单神经元的权重计算公式如下；

其中w为权重，b为偏移量，向量x由输入的待判定金针菇图像样本经数字化后得到；

上述步骤(3)中摄像头取样需要注意的是采集用于判断金针菇生长期的图像样本时，环境必须与采集训练样本时保持一致，主要光照采用同等亮度的白色光，ccd采样区域保持一致，主要原因是避免环境不同带来分类效果的下降。

具体实现步骤如下：

(a)计算机程序设置时间任务时间间隔10小时；

(b)计算机发出指令，令全光谱led灯打开白光照亮金针菇培养基区域；

(c)为了防止摄像头拍照时全光谱led灯还没有来得及亮起，所以在计算机发出令全光谱led灯亮起白色光指令之后，间隔10s，再向摄像头发出拍照指令；

(d)摄像头拍照后，照片通过数据线传回计算机；

上述步骤(4)中生长期判别的原理是利用卷积神经网络已经训练好的模型对上一步采集的样本图像作为神经网络的输入，通过将对应的输出结果与各个分类的理想输出计算差异，与哪一个类别差异最小，那么就判定金针菇属于哪一个类别。

具体实现步骤如下：

(a)将测试集样本代入建好的卷积神经网络训练模型；

(b)将卷积神经网络预测模型结果与生长周期对光质的要求，控制全光谱led亮起需要的颜色；

上述步骤(5)中金针菇对光质的要求，不同光对金针菇不同生长期有不同程度的影响。

具体影响如下：

(a)菌丝生长阶段，红、黄色光对菌丝生长有促进作用，透明的光则具有抑制作用；

(b)子实体生长阶段，蓝色光对子实体原基分化具有较强的诱导作用，白色光作用其次，红色光作用最差；

本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。