一种番茄生长状态的智能分析方法及智能分析装置与流程
本发明涉及图像识别技术领域，尤其涉及一种番茄生长状态的智能分析方法及智能分析装置。
背景技术：
随着现代化的发展，传统农业中也逐渐转向智能化的种植与管理，目前，市面上出现了一些基于大数据的智能分析植物生长状态的农业种植管理系统，但均是对一套农业种植基于一种人工智能算法模型，不能适用于所有检测数据的分析与管理预测，例如对于定性及定量分析的参数采用同一套算法模型，使得模型运算速度慢，且效率低。
技术实现要素：
本发明的目的在于提出一种番茄生长状态的智能分析方法及智能分析装置，以解决现有农业种植仅基于一套分析算法模型运算效率低的问题。
为达此目的，本发明采用以下技术方案：
一种番茄生长状态的智能分析方法，所述智能分析方法包括：
预先建立番茄生长分析模型，所述番茄生长分析模型包括线性回归模型和卷积神经网络模型；
获取番茄生长图像，将所述番茄生长图像分别导入到所述线性回归模型和所述卷积神经网络模型中；所述线性回归模型对所述番茄生长图像分析计算导出番茄当前的生长期生长指标；
所述卷积神经网络模型对所述番茄生长图像分析计算导出番茄当前的果叶生长指标。
本发明还提供一种番茄生长状态智能分析的装置，所述智能分析装置包括：
番茄生长分析模型预建单元，用于预先建立番茄生长分析模型，所述番茄生长分析模型包括线性回归模型和卷积神经网络模型；
番茄生长图像导入单元，用于获取番茄生长图像，将所述番茄生长图像分别导入到所述线性回归模型和所述卷积神经网络模型中；
生长期生长指标分析单元，用于所述线性回归模型对所述番茄生长图像分析计算导出番茄当前的生长期生长指标；
果叶生长指标分析单元，用于所述卷积神经网络模型对所述番茄生长图像分析计算导出番茄当前的果叶生长指标。
本发明通过预先建立番茄生长分析模型，番茄生长分析模型包括线性回归模型和卷积神经网络模型；获取番茄生长图像，将番茄生长图像分别导入到线性回归模型和卷积神经网络模型中；线性回归模型对番茄生长图像分析计算导出番茄当前的生长期生长指标；卷积神经网络模型对番茄生长图像分析计算导出番茄当前的果叶生长指标。有益效果：针对番茄生长图像的定性分析采用线性回归模型，针对番茄生长图像的定量分析采用卷积神经网络模型，通过对定性分析与定量分析采用不同模型，既提高了准确率，又提高了运算速率。
附图说明
图1是本发明具体实施方式提供的番茄生长状态的智能分析方法流程图一。
图2是本发明具体实施方式提供的番茄生长状态的智能分析方法流程图二。
图3是本发明具体实施方式提供的线性回归模型建立方法流程图。
图4是本发明具体实施方式提供的卷积神经网络模型建立方法流程图。
图5是本发明具体实施方式提供的番茄生长状态的智能分析装置结构示意图。
图6是本发明具体实施方式提供的线性回归模型建立模块结构示意图。
图7是本发明具体实施方式提供的卷积神经网络模型建立模块结构示意图。
具体实施方式
在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
图1是本发明实施例提供的番茄生长状态的智能分析方法流程图一，详述如下：
在步骤s101中，预先建立番茄生长分析模型，番茄生长分析模型包括线性回归模型和卷积神经网络模型；
在本发明实施例中，预先建立两个番茄生长分析模型，分别为线性回归模型和卷积神经网络模型，线性回归模型相比于其他算法，在分析多因素的模型时更加方便快捷，在数据量比较大的时候运行速度依然很快，而且在线性回归中对于每个变量都可以给出理解和解释，只要数据得当，可以达到很高的准确率。卷积神经网络相比其他神经网络算法，因为其共享卷积核所以对于高维数据处理是高效的，无需手动选取特征，具有空间不变性，自动提取特征，具有较好特征分类效果，而且对于图像处理方面，卷积网络的输入图像和网络的拓扑结构能很好的吻合，在特征提取同时又能进行模式分类。
在步骤s102中，获取番茄生长图像，将番茄生长图像分别导入到线性回归模型和卷积神经网络模型中；
在本发明实施例中，通过采集装置获取番茄的生长图像，将番茄图像经过光照预处理、图像增强、图像剪切等处理后分别导入线性回归模型和卷积神经网络模型中。
在步骤s103中，线性回归模型对番茄生长图像分析计算导出番茄当前的生长期生长指标；
在本发明实施例中，在线性回归模型中进行番茄的生长期生长指标计算，包括生长势、开花期、始收期、盛收期、末收期等参数，即番茄生长期的定性分析。
在步骤s104中，卷积神经网络模型对番茄生长图像分析计算导出番茄当前的果叶生长指标。
在本发明实施例中，步骤s103和步骤s104不分先后顺序，可同时进行。在卷积神经网络模型中进行番茄的果叶生长指标计算，包括花絮类型、叶色彩、叶形状、果实形状、果实色彩、果实数量、果实大小、果实高低等参数，即番茄生长期的定性分析。
作为本发明的优选实施例，本发明的智能分析方法还可以用在番茄生长虫害智能分析上。
神经网络适用于大量数据采集，具有较复杂的系统，可以提供精确数据，但计算量比较大，适用于精细数据分析。线性回归比较简单，适用于定性的分析，数据分析量较小。两者结合来分析番茄的生长状态，既提高了准确率，又提高了运算速率。
图2示出了本发明实施例提供的番茄生长状态的智能分析方法流程图二，详述如下：
在步骤s201中，导入生长期样本数据，针对生长期样本数据进行线性回归分析，并建立线性回归模型；
在本发明实施例中，导入生长期样本数据，包括生长期样本数据表格，分别包括生长期样本数据，生长期样本特征和生长期样本类别，例如开花期样本数据，开花期样本特征以及辨别结果为开花期。
在步骤s202中，导入果叶样本数据，针对果叶分析对番茄生长样本数据使用卷积神经网络进行特征提取，并建立卷积神经网络模型；
在本发明实施例中，导入果叶样本数据，包括果叶样本数据表格，分别包括果叶样本数据，果叶样本特征和果叶样本类别，果叶样本特征以及果叶样本辨别结果，例如，提供该参数类型图片，如识别绿色叶，则需要提供一系列绿色叶图片，不同角度方向拍摄图片，一系列图片中除绿色叶外其他特征最好都不同，以免其他因素对模型建立造成干扰。
在步骤s203中，获取番茄生长图像，将番茄生长图像分别导入到所述线性回归模型和所述卷积神经网络模型中；
在步骤s204中，线性回归模型对番茄生长图像分析计算导出处番茄当前的生长期生长指标；
在步骤s205中，卷积神经网络模型对番茄生长图像分析计算导出番茄当前的果叶生长指标。
在本发明实施例中，通过导入生长期样本数据和果叶样本数据，分别预先建立线性回归模型和卷积神经网络模型，样本数据的数量一般在几千到几万张。
图3是本发明实施例提供的线性回归模型建立方法流程图，详述如下：
在步骤s301中，导入生长期样本数据，判断生长期样本数据维度是否平衡，若否，则执行步骤s302；
在本发明实施例中，导入生长期样本数据后，判断生长期样本数据维度是否平衡，维度不平衡是指各类数据大小不匹配，不在一个数量级上。
在步骤s302中，对生长期样本数据进行归一化处理；
在本发明实施例中，若维度不平衡，则对生长期样本数据进行归一化处理，为了不影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据归一化处理，以解决数据指标之间的可比性，原始数据经过数据标准化处理后，各指标处于同一数量级。
在步骤s303中，将生长期样本数据随机划分为生长期样本集和生长期测试集；
在本发明实施例中，将生长期样本数据随机划分为生长期样本集和生长期测试集，在本实施例中，生长期样本集和生长期测试集的比例为8:2。
在步骤s304中，对生长期样本集进行线性回归分析，建立线性回归模型；
在本发明实施例中，线性回归模型公式为：hɵ(x)=ɵ0+ɵ1x，其中ɵ0和ɵ1为参数。线性回归模型的特点是建模速度快，不需要很复杂的计算，在数据量大的情况下依然运行速度很快。可以根据系数给出每个变量的理解和解释。对异常值很敏感。
在步骤s305中，将生长期测试集导入所述线性回归模型，计算并判断结果误差，若结果误差超过预设阈值，则对线性回归模型进行参数优化。
在本发明实施例中，使用生长期测试集对线性回归模进行测试，测试一定次数，若平均误差超过预设阈值则需要对模型进行参数优化，使线性回归模型在生长期测试集上平均误差低于阈值，再将线性回归模型做成接口投入到程序中使用。误差阈值一般为百分之一到千分之一，根据成本和性能综合情况。参数优化方法采用增加训练样本，增大训练次数，直到满足误差要求。
图4是本发明实施例提供的卷积神经网络模型建立方法流程图，详述如下：
在步骤s401中，导入果叶样本数据；
在步骤s402中，将果叶样本数据随机划分为果叶样本集和果叶测试集；
在本发明实施例中，将果叶样本数据随机划分为果叶样本集和果叶测试集，在本实施例中，果叶样本集和果叶测试集的比例为8:2。
在步骤s403中，对果叶样本集使用卷积神经网络进行特征提取，建立卷积神经网络模型；
在本发明实施例中，对果叶样本集使用卷积神经网络进行特征提取，从图片中通过采集算法根据位置、轮廓，从图片中进行特征值提取，特征值包括叶色彩、叶形状、果实形状、果实色彩、果实数量、果实大小、果实高低等。
作为本发明优选实施例，卷积神经网络至少包括两层卷积层以及至少两层池化层，其中，卷积层采用relu函数作为激活函数，卷积神经网络模型结构可以为：输入层、卷积层、池化层、卷积层、池化层、输出层，或者输入层、卷积层、卷积层、池化层、池化层、输出层，卷积层和池化层的的次数根据模型需要而定。也可以在池化层之后增加一个全连接层。还可以再各层之间增加几层，层与层之间采用dropout连接方式降低模型对训练集拟合度，增强模型泛化能力。
其中，输入层即为采集的番茄生长图像，输出层为计算的结果，卷积层的公式为：s(i,j)=(x*w)(i,j)+b=
在图像数据通过卷积层之后，通常会使用一个激活层。其目的是给一个在卷积层中刚经过线性计算操作的系统引入非线性特征。本实施例采用relu函数作为激活函数，将输出的张量中的小于0的位置对应的元素值都变为0。relu函数对模型收敛有巨大的加速作用，对梯度消失的问题也有帮助。relu函数为线性修正函数，作用是保证训练后的网络完全具备稀疏性，还可以减少运算量和数据维度。relu函数定义为：relu(x)=max(0,x)。
最后池化层通过对不同位置的特征进行聚合统计，计算图像一个区域上的某个特征的平均值或最大值。池化层是对输入张量的各个子矩阵进行压缩。
在步骤s404中，将果叶测试集导入卷积神经网络模型，计算并判断结果误差，若结果误差超过预设阈值，则对卷积神经网络模型进行参数优化。
在本发明实施例中，卷积神经网络模型建立后使用果叶测试集进行测试，如若识别准确率达到预设阈值，则将卷积神经网络模型做成接口代入到程序当中，以要识别番茄生长图像作为参数传进，要识别的参数结果作为结果输出，如果低于预设阈值，则需要对卷积神经网络模型参数进行调优，直至识别准确率达到预设阈值，再做成接口代入程序中。
在本发明实施例中，通过试验数据，得出通过使用该智能分析方法，可以提高准确率以及速率，试验数据如表1所示：
表1：模型参数设置与测试准确率及速率表
本发明通过预先建立番茄生长分析模型，番茄生长分析模型包括线性回归模型和卷积神经网络模型；获取番茄生长图像，将番茄生长图像分别导入到线性回归模型和卷积神经网络模型中；线性回归模型对番茄生长图像分析计算导出处番茄当前的生长期生长指标；卷积神经网络模型对番茄生长图像分析计算导出番茄当前的果叶生长指标。有益效果：针对番茄生长图像的定性分析采用线性回归模型，针对番茄生长图像的定量分析采用卷积神经网络模型，通过对定性分析与定量分析采用不同模型，既提高了准确率，又提高了运算速率。
图5本发明实施例提供的番茄生长状态的智能分析装置结构示意图，详述如下：
该智能分析装置包括番茄生长分析模型预建单元10预先建立番茄生长分析模型，番茄生长分析模型包括线性回归模型和卷积神经网络模型；
在本发明实施例中，番茄生长分析模型预建单元10包括：
线性回归模型建立模块110导入生长期样本数据，针对生长期样本数据进行线性回归分析，并建立线性回归模型；
卷积神经网络模型建立模块120导入果叶样本数据，针对果叶分析对番茄生长样本数据使用卷积神经网络进行特征提取，并建立卷积神经网络模型。
在本发明实施例中，在线性回归模型中进行番茄的生长期生长指标计算，包括生长势、开花期、始收期、盛收期、末收期等参数，即番茄生长期的定性分析。
在卷积神经网络模型中进行番茄的果叶生长指标计算，包括花絮类型、叶色彩、叶形状、果实形状、果实色彩、果实数量、果实大小、果实高低等参数，即番茄生长期的定性分析。
番茄生长图像导入单元20获取番茄生长图像，将番茄生长图像分别导入到线性回归模型和卷积神经网络模型中；
生长期生长指标分析单元30线性回归模型对番茄生长图像分析计算导出番茄当前的生长期生长指标；
果叶生长指标分析单元40卷积神经网络模型对所述番茄生长图像分析计算导出番茄当前的果叶生长指标。
作为本发明的优选实施例，本发明的智能分析方法还可以用在番茄生长虫害智能分析上。
各单元执行的方法在上述方法实施例中已详细阐述，在此不再赘述。
图6本发明实施例提供的线性回归模型建立模块结构示意图，详述如下：
线性回归模型建立模块110包括：
归一化处理模块111导入生长期样本数据，判断生长期样本数据维度是否平衡，若否，则对生长期样本数据进行归一化处理；
在本发明实施例中，导入生长期样本数据后，判断生长期样本数据维度是否平衡，维度不平衡是指各类数据大小不匹配，不在一个数量级上。若维度不平衡，则对生长期样本数据进行归一化处理，为了不影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据归一化处理，以解决数据指标之间的可比性，原始数据经过数据标准化处理后，各指标处于同一数量级。
生长期样本数据划分模块112将生长期样本数据随机划分为生长期样本集和生长期测试集；
在本发明实施例中，将生长期样本数据随机划分为生长期样本集和生长期测试集，在本实施例中，生长期样本集和生长期测试集的比例为8:2。
线性回归分析模块113对生长期样本集进行线性回归分析，建立线性回归模型；
在本发明实施例中，线性回归模型公式为：hɵ(x)=ɵ0+ɵ1x，其中ɵ0和ɵ1为参数。线性回归模型的特点是建模速度快，不需要很复杂的计算，在数据量大的情况下依然运行速度很快。可以根据系数给出每个变量的理解和解释。对异常值很敏感。
生长期参数优化模块114将生长期测试集导入所述线性回归模型，计算并判断结果误差，若结果误差超过预设阈值，则对线性回归模型进行参数优化。
在本发明实施例中，使用生长期测试集对线性回归模进行测试，测试一定次数，若平均误差超过预设阈值则需要对模型进行参数优化，使线性回归模型在生长期测试集上平均误差低于阈值，再将线性回归模型做成接口投入到程序中使用。误差阈值一般为百分之一到千分之一，根据成本和性能综合情况。参数优化方法采用增加训练样本，增大训练次数，直到满足误差要求。
线性回归模型建立模块110中各模块的执行方法在上述方法实施例中已详细阐述，在此不再赘述。
图7本发明实施例提供的卷积神经网络模型建立模块结构示意图，详述如下：
卷积神经网络模型建立模块120包括:
果叶样本数据导入模块121导入果叶样本数据；
果叶样本数据划分模块122将果叶样本数据随机划分为果叶样本集和果叶测试集；
在本发明实施例中，将果叶样本数据随机划分为果叶样本集和果叶测试集，在本实施例中，果叶样本集和果叶测试集的比例为8:2。
特征提取模块123对果叶样本集使用卷积神经网络进行特征提取，建立卷积神经网络模型；
在本发明实施例中，对果叶样本集使用卷积神经网络进行特征提取，从图片中通过采集算法根据位置、轮廓，从图片中进行特征值提取，特征值包括叶色彩、叶形状、果实形状、果实色彩、果实数量、果实大小、果实高低等。
作为本发明优选实施例，卷积神经网络至少包括两层卷积层以及至少两层池化层，其中，卷积层采用relu函数作为激活函数，卷积神经网络模型结构可以为：输入层、卷积层、池化层、卷积层、池化层、输出层，或者输入层、卷积层、卷积层、池化层、池化层、输出层，卷积层和池化层的的次数根据模型需要而定。也可以在池化层之后增加一个全连接层。还可以再各层之间增加几层，层与层之间采用dropout连接方式降低模型对训练集拟合度，增强模型泛化能力。
其中，输入层即为采集的番茄生长图像，输出层为计算的结果，卷积层的公式为：s(i,j)=(x*w)(i,j)+b=
在图像数据通过卷积层之后，通常会使用一个激活层。其目的是给一个在卷积层中刚经过线性计算操作的系统引入非线性特征。本实施例采用relu函数作为激活函数，将输出的张量中的小于0的位置对应的元素值都变为0。relu函数对模型收敛有巨大的加速作用，对梯度消失的问题也有帮助。relu函数为线性修正函数，作用是保证训练后的网络完全具备稀疏性，还可以减少运算量和数据维度。relu函数定义为：relu(x)=max(0,x)。
最后池化层通过对不同位置的特征进行聚合统计，计算图像一个区域上的某个特征的平均值或最大值。池化层是对输入张量的各个子矩阵进行压缩。
果叶参数优化模块124将果叶测试集导入卷积神经网络模型，计算并判断结果误差，若结果误差超过预设阈值，则对卷积神经网络模型进行参数优化。
在本发明实施例中，卷积神经网络模型建立后使用果叶测试集进行测试，如若识别准确率达到预设阈值，则将卷积神经网络模型做成接口代入到程序当中，以要识别番茄生长图像作为参数传进，要识别的参数结果作为结果输出，如果低于预设阈值，则需要对卷积神经网络模型参数进行调优，直至识别准确率达到预设阈值，再做成接口代入程序中。
本发明有益效果：针对番茄生长图像的定性分析采用线性回归模型，针对番茄生长图像的定量分析采用卷积神经网络模型，通过对定性分析与定量分析采用不同模型，既提高了准确率，又提高了运算速率。
值得注意的是，本领域普通技术人员可以理解：实现上述方法实施例的步骤或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读存储介质中，该程序在执行时，执行包括上述方法实施例的步骤，而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以不再进行赘述，相关之处参见方法实施例的部分说明即可。
以上对发明的具体实施方式进行了详细说明，但其只作为范例，本发明并不限制于以上描述的具体实施方式。对于本领域的技术人员而言，任何对该发明进行的等同修改或替代也都在本发明的范畴之中，因此，在不脱离本发明的精神和原则范围下所作的均等变换和修改、改进等，都应涵盖在本发明的范围内。
- 还没有人留言评论。精彩留言会获得点赞！