一种基于卷积神经网络实现边坡生态防护的系统的制作方法

本发明属于河道边坡保护技术领域，具体地涉及一种基于卷积神经网络实现边坡生态防护的系统。

背景技术：

生态护坡是一种彰显人与河流自然和谐共处的一种亲水性工程，能充分体现水生物多样性以及本土化的特征，其核心是对河道周边整体环境、安全以及水资源进行综合性考虑。目前为了保护河道边坡，通常选择草种为根系发达且固土能力强的植物，以免河流长期冲刷边坡，加速边坡的水土流失。例如，百喜草就是一种常见在边坡上种植的绿化草种，建植成功的百喜草草坪具有抗旱能力非常强的特点，但是存在的问题是此种草不耐涝，因此，在出现河道涨水的情况时，水流会淹没边坡上的草，而该种不耐涝的草则难以存活，加之水位上涨会影响边坡土层的稳固性，从而造成水土流失，防护失效，因此需选择在边坡上种植耐水涝的植物，以避免植物被水长时间的淹没而造成水土流失的情况，但是该种耐水涝的植物也会存在不耐旱的问题，长时间缺水也会影响该类型护坡植物的存活。

为了保证边坡上耐水涝植物的正常生长，需要保证对该类型植物进行按时浇灌。目前传统的浇灌方式，以人工按时浇灌方式为主，无疑会消耗人力和物力，同时考虑水位上涨情况，此时针对被上涨水位淹没或邻近上涨水位的耐水涝植物，是不需要浇水的。因此有必要基于上游水位数据预估在下一个浇灌周期的本地水位，然后根据预估结果对护坡植被进行自动化的浇灌管理，进而节省人力和物力，降低护坡的维护成本。

技术实现要素：

为了解决现有生态边坡植被浇灌方式所存在的人力物力成本较高的问题，本发明目的在于提供一种基于新型卷积神经网络进行坡面植被自动化浇灌管理的新型边坡生态防护系统，可以基于上游水位数据预估在下一个浇灌周期的本地水位，然后根据预估结果对护坡植被进行自动化的浇灌管理，进而节省人力和物力，降低护坡的维护成本。

本发明提供了一种基于卷积神经网络实现边坡生态防护的系统，包括有河道监测服务器、河道监测终端、水位计、安装架、立杆和至少一个布置在目标边坡上的边坡保护单元，其中，所述水位计采用雷达水位计或超声波水位计；

所述河道监测终端和所述水位计通过所述安装架固定在所述立杆的顶部，并使所述水位计正对河道水面，所述立杆的底端固定在所述目标边坡上，其中，所述河道监测终端分别通信连接所述河道监测服务器和所述水位计，所述河道监测终端用于将由所述水位计采集的水位数值上传至所述河道监测服务器，并接收来自所述河道监测服务器的浇水控制指令；

所述边坡保护单元包括有防护格栅、护坡植物、水泵、输水管、出水管和水泵控制箱，其中，所述防护格栅布置在所述目标边坡的斜坡上，所述护坡植物种植在所述防护格栅的栅格中，所述水泵的进水端布置在河道水面下，所述水泵的出水端连通所述输水管的一端，所述输水管的另一端在顺着所述目标边坡向上抵达所述目标边坡的坡体顶端后连通所述出水管，所述出水管沿着所述目标边坡的下游方向布置且间隔设置有多个正对所述防护格栅的出水口，所述水泵控制箱分别通信连接所述河道监测终端和所述水泵，所述水泵控制箱用于在收到经所述河道监测终端中转的所述浇水控制指令后，根据所述浇水控制指令启停控制所述水泵；

所述河道监测服务器的工作方法，包括：

获取历史记录的m日第一水位数值集合和与所述目标边坡对应的m日第二水位数值，其中，所述第一水位数值集合包含有在对应日由所述目标边坡上游地区的n个水位计所分别采集的第一水位数值，n为不小于64的自然数，m为不小于1000的自然数，所述m日第一水位数值集合与所述m日第二水位数值一一对应，所述第二水位数值的采集时间晚于对应第一水位数值的采集时间一日；

针对所述m日第一水位数值集合中的各日第一水位数值集合，将相应的且与所述n个水位计一一对应的n个第一水位数值编码为红绿蓝rgb三通道颜色值，得到包含有n个rgb值的水位数据样本；

针对所述m日第二水位数值中的各日第二水位数值，根据预设的水位等级与区间关系表查找到对应的水位等级，其中，所述水位等级与区间关系表包含有至少两个水位等级和所述至少两个水位等级与至少两个水位区间的一一对应关系；

从m个水位数据样本中抽取m个水位数据样本作为训练样本,并将对应的水位等级作为训练样本的分类标签，得到训练样本集，其中，m为不小于700的自然数，并使m/m介于0.6～0.8之间；

针对所述训练样本集中的各个水位数据样本，根据相应的n个rgb值，绘制得到像素矩阵为n*n的训练样本图像，其中，n为不小于n的平方根的自然数；

将所有训练样本图像及对应的分类标签输入卷积神经网络cnn模型进行训练，并在训练过程中出现训练集准确率达到预设高值区间且变化幅度小于预设幅度阈值的情况时，采用自适应梯度adagrad算法调整学习率，然后继续训练，直到学习率调整幅度小于预设调整阈值时，停止训练，得到完成训练的cnn模型，其中，所述cnn模型的神经网络结构包括有依次串联的k个蝶形反馈块、全连接层和输出层，所述k个蝶形反馈块中各个蝶形反馈块分别包含有块输入层、第一卷积层、第二卷积层、第一激活层、第二激活层、第一池化层、第二池化层和块输出层，所述块输入层分别连接所述第一卷积层、所述第二卷积层和所述块输出层，所述第一卷积层、所述第一激活层和所述第一池化层依次串联，所述第二卷积层、所述第二激活层和所述第二池化层依次串联，所述第一池化层和所述第二池化层分别连接所述块输出层，所述块输出层用于对收到的多个图像数据进行相加处理并输出相加结果，k为介于32～96之间的自然数，所述第一卷积层和所述第二卷积层分别采用不同大小的卷积核，所述第一池化层和所述第二池化层分别采用大小为1*1的卷积核，所述第一激活层和所述第二激活层分别采用线性整流relu函数作为激活函数，所述输出层采用归一化指数softmax函数；

获取今日第一水位数值集合，其中，所述今日第一水位数值集合包含有在今日由所述目标边坡上游地区的所述n个水位计所分别采集的今日第一水位数值；

将所述今日第一水位数值集合中的且与所述n个水位计一一对应的n个今日第一水位数值编码为红绿蓝rgb三通道颜色值，得到包含有n个rgb值的水位数据；

根据所述水位数据中的n个rgb值，绘制得到像素矩阵为n*n的待分类图像；

将所述待分类图像输入所述完成训练的cnn模型，得到明日的分类标签识别结果；

根据所述明日的分类标签识别结果，确定明日水位等级；

根据预设的浇水策略，向与所述目标边坡对应的河道监测终端发送与所述明日水位等级对应的浇水控制指令，其中，所述浇水策略包含有至少两个浇水控制指令和所述至少两个浇水控制指令与所述至少两个水位等级的一一对应关系。

基于上述发明内容，提供了一种基于新型卷积神经网络进行坡面植被自动化浇灌管理的边坡生态防护系统方案，即包括有河道监测服务器、河道监测终端、水位计、安装架、立杆和至少一个布置在目标边坡上的边坡保护单元，其中，所述河道监测服务器可以基于历史采集的上游水位数值和本地水位数值对用于识别水位等级的新型cnn模型进行训练，并在获取今日上游水位数值后，可通过该训练完成的新型cnn模型预估明日水位等级（即下一个浇灌周期的本地水位），然后根据预估结果发送自适应的浇水控制指令，实现对护坡植被进行自动化的浇灌管理目的，进而可节省人力和物力，降低护坡的维护成本。

在一个可能的设计中，在所述k个蝶形反馈块的串联方向上，使首个蝶形反馈块的块输入层分别连接第2k+1个蝶形反馈块的块输出层，其中，k=1,2,3,…且使2k+1不大于k。

在一个可能的设计中，在针对所述训练样本集中的各个水位数据样本，根据相应的n个rgb值，绘制得到像素矩阵为n*n的训练样本图像之前，所述河道监测服务器的工作方法还包括：

针对各个分类标签，判断所述训练样本集中的对应训练样本数是否小于预设样本数阈值，若是，则采用合成少数过采样技术smote算法对训练样本进行数值均衡处理，得到训练样本数增加的训练样本集。

在一个可能的设计中，针对所述m日第一水位数值集合中的各日第一水位数值集合，将相应的且与所述n个水位计一一对应的n个第一水位数值编码为红绿蓝rgb三通道颜色值，得到包含有n个rgb值的水位数据样本,包括：

将所述第一水位数值从十进制数字转换为二进制数字；

从左至右对所述二进制数字进行补0，得到24位二进制数字；

将所述24位二进制数字中的前8位二进制数字转换为十进制数字，得到所述红绿蓝rgb三通道颜色值中的红色通道颜色值；

将所述24位二进制数字中的中8位二进制数字转换为十进制数字，得到所述红绿蓝rgb三通道颜色值中的绿色通道颜色值；

将所述24位二进制数字中的后8位二进制数字转换为十进制数字，得到所述红绿蓝rgb三通道颜色值中的蓝色通道颜色值。

在一个可能的设计中，在针对所述训练样本集中的各个水位数据样本，根据相应的n个rgb值，绘制得到像素矩阵为n*n的训练样本图像之后，所述河道监测服务器的工作方法还包括：当n小于预设数量阈值时，对所述训练样本图像进行放大处理，得到具有标准尺寸大小的训练样本图像。

在一个可能的设计中，所述河道监测服务器还用于在收到由所述水位计采集的实时水位数值后，若根据所述实时水位数值发现当前河道水位低于预设阈值时，判定所述水泵的进水端露出河道水面，并向河道管理人员的手持终端发送提醒消息。

在一个可能的设计中，在所述立杆的顶端设置有避雷针。

在一个可能的设计中，所述浇水控制指令包含有水泵启动时长。

在一个可能的设计中，所述河道监测终端通过gprs模块、cdma模块、4g/5g模块和/或nb-iot模块无线通信连接所述河道监测服务器。

在一个可能的设计中，所述河道监测终端通过rs232接口、rs485接口和/或以太网口有线通信连接所述水位计，所述河道监测终端通过wifi模块、nb-iot模块和/或zigbee模块无线通信连接所述水泵控制箱。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的基于卷积神经网络实现边坡生态防护的系统的结构示意图。

图2是本发明提供的在基于卷积神经网络实现边坡生态防护的系统中的通信网络结构示例图。

图3是本发明提供的河道监测服务器的工作方法流程示意图。

图4是本发明提供的cnn模型的神经网络结构示意图。

上述附图中：1-河道监测服务器；2-河道监测终端；3-水位计；4-安装架；5-立杆；6-边坡保护单元；61-防护格栅；62-护坡植物；63-水泵；64-输水管；65-出水管；651-出水口；66-水泵控制箱；7-避雷针；100-目标边坡。

具体实施方式

下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明示例的实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。

应当理解，尽管本文可能使用术语第一、第二等等来描述各种单元，但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元，同时不脱离本发明示例的实施例的范围。

应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，单独存在b，同时存在a和b三种情况；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，a/和b，可以表示：单独存在a，单独存在a和b两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。

应当理解，在本文中若将单元称作与另一个单元“连接”、“相连”或“耦合”时，它可以与另一个单元直相连接或耦合，或中间单元可以存在。相対地，在本文中若将单元称作与另一个单元“直接相连”或“直接耦合”时，表示不存在中间单元。另外，应当以类似方式来解释用于描述单元之间的关系的其他单词（例如，“在……之间”对“直接在……之间”,“相邻”对“直接相邻”等等）。

应当理解，本文使用的术语仅用于描述特定实施例，并不意在限制本发明示例的实施例。若本文所使用的，单数形式“一”、“一个”以及“该”意在包括复数形式，除非上下文明确指示相反意思。还应当理解，若术语“包括”、“包括了”、“包含”和/或“包含了”在本文中被使用时,指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性,并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。

应当理解，还应当注意到在一些备选可能设计中，所出现的功能/动作可能与附图出现的顺序不同。例如,取决于所涉及的功能/动作,实际上可以实质上并发地执行,或者有时可以以相反的顺序来执行连续示出的两个图。

应当理解，在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而,本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统，以避免用不必要的细节来使得示例不清楚。在其他实例中，可以不以非必要的细节来示出众所周知的过程、结构和技术，以避免使得示例实施例不清楚。

如图1～3所示，本实施例提供的所述基于卷积神经网络实现边坡生态防护的系统，包括有河道监测服务器1、河道监测终端2、水位计3、安装架4、立杆5和至少一个布置在目标边坡100上的边坡保护单元6，其中，所述水位计3可以但不限于采用雷达水位计或超声波水位计等。

所述河道监测终端2和所述水位计3通过所述安装架4固定在所述立杆5的顶部，并使所述水位计3正对河道水面，所述立杆5的底端固定在所述目标边坡100上，其中，所述河道监测终端2分别通信连接所述河道监测服务器1和所述水位计3，所述河道监测终端2用于将由所述水位计3采集的水位数值上传至所述河道监测服务器1，并接收来自所述河道监测服务器1的浇水控制指令。如图1和2所示，所述河道监测服务器1及所述河道监测终端2可采用现有河道监测系统中的服务器及终端实现，它们之间的通信连接方式可以但不限于为：所述河道监测终端2通过gprs（generalpacketradioservice，中文名称为通用无线分组业务，是一种基于gsm系统的无线分组交换技术，提供端到端的、广域的无线ip连接）模块、cdma（codedivisionmultipleaccess,码分多址,是指利用码序列相关性实现的多址通信）模块、4g/5g模块和/或nb-iot（narrowbandinternetofthings,窄带物联网）模块等无线通信连接所述河道监测服务器1。所述水位计3用于采集所处位置的河道水位，以便反映河道水面淹没所述目标边坡100的斜坡区域面积大小，水位越高，淹没边坡的斜坡区域面积越大，其可采用现有的水位采集设备实现，并与所述河道监测终端2的通信连接方式可以但不限于为：所述河道监测终端2通过rs232接口、rs485接口和/或以太网口有线通信连接所述水位计3。

所述边坡保护单元6包括有防护格栅61、护坡植物62、水泵63、输水管64、出水管65和水泵控制箱66，其中，所述防护格栅61布置在所述目标边坡100的斜坡上，所述护坡植物62种植在所述防护格栅61的栅格中，所述水泵63的进水端布置在河道水面下，所述水泵63的出水端连通所述输水管64的一端，所述输水管64的另一端在顺着所述目标边坡100向上抵达所述目标边坡100的坡体顶端后连通所述出水管65，所述出水管65沿着所述目标边坡100的下游方向布置且间隔设置有多个正对所述防护格栅61的出水口651，所述水泵控制箱66分别通信连接所述河道监测终端2和所述水泵63，所述水泵控制箱66用于在收到经所述河道监测终端2中转的所述浇水控制指令后，根据所述浇水控制指令启停控制所述水泵63。如图1和2所示，通过由所述防护格栅61、所述护坡植物62、所述水泵63、所述输水管64和所述出水管65构成的浇灌引流机构，可在启动所述水泵63时，将河水抽至坡体顶端的所述出水管65中，然后通过沿下游方向依次间隔设置的多个出水口651将河水导出，最终从上而下地对坡面上的所述护坡植物62进行浇灌。优化的，为了实现出水均量目的，确保位于所述出水管65末端的出口水651也能导出河水，多个所述出水口651的口径大小沿下游方向依次增大。所述水泵控制箱66可采用现有的控制设备实现，并与所述河道监测终端2的通信连接方式可以但不限于为：所述河道监测终端2通过wifi（无线保真）模块、nb-iot模块和/或zigbee（也称紫蜂，是一种低速短距离传输的无线网上协议，底层是采用ieee802.15.4标准规范的媒体访问层与物理层）模块等无线通信连接所述水泵控制箱66。

所述河道监测服务器1的工作方法，如图3所示，可以但不限于包括有如下步骤s101～s110。

s101.获取历史记录的m日第一水位数值集合和与所述目标边坡100对应的m日第二水位数值，其中，所述第一水位数值集合包含有在对应日由所述目标边坡100上游地区的n个水位计所分别采集的第一水位数值，n为不小于64的自然数，m为不小于1000的自然数，所述m日第一水位数值集合与所述m日第二水位数值一一对应，所述第二水位数值的采集时间晚于对应第一水位数值的采集时间一日。

在所述步骤s101中，所述第一水位数值可由布置在上游河道的且配置有水位计的河道监测终端每日上传而得。所述第二水位数值由所述水位计3每日采集得到，并通过所述河道监测终端2每日上传得到。由于后续需要用今日第一水位数值预估明日的水位等级，因此所述第二水位数值的采集时间晚于对应第一水位数值的采集时间一日，例如1月24日的所述第二水位数值需与1月23日的所述第一水位数值一一对应。此外，所述第一水位数值和所述第二水位数值可以均为当日平均水位数值或最大水位数值。

s102.针对所述m日第一水位数值集合中的各日第一水位数值集合，将相应的且与所述n个水位计一一对应的n个第一水位数值编码为红绿蓝rgb三通道颜色值，得到包含有n个rgb值的水位数据样本。

在所述步骤s102中，由于水位数值的单位一般为mm，可能会超过256，会使得单通道的灰度图无法满足数值涵盖需求，因此在本实施例中选用rgb三通道的彩色图，只要水位数值小于256*256*256=16777216mm,即可进行编码，满足实际的数值涵盖需求。另外，具体的编码方式可以但不限于包括：将所述第一水位数值从十进制数字转换为二进制数字；从左至右对所述二进制数字进行补0，得到24位二进制数字；将所述24位二进制数字中的前8位二进制数字转换为十进制数字，得到所述红绿蓝rgb三通道颜色值中的红色通道颜色值；将所述24位二进制数字中的中8位二进制数字转换为十进制数字，得到所述红绿蓝rgb三通道颜色值中的绿色通道颜色值；将所述24位二进制数字中的后8位二进制数字转换为十进制数字，得到所述红绿蓝rgb三通道颜色值中的蓝色通道颜色值。

s103.针对所述m日第二水位数值中的各日第二水位数值，根据预设的水位等级与区间关系表查找到对应的水位等级，其中，所述水位等级与区间关系表包含有至少两个水位等级和所述至少两个水位等级与至少两个水位区间的一一对应关系。

在所述步骤s103中，所述至少两个水位等级可以但不限于按照常规方式划分为低水位（即反映淹没小部分斜坡区域）、中水位（即反映淹没一半斜坡区域）和高水位（即反映淹没大部分斜坡区域或全部斜坡区域）。

s104.从m个水位数据样本中抽取m个水位数据样本作为训练样本,并将对应的水位等级作为训练样本的分类标签，得到训练样本集，其中，m为不小于700的自然数，并使m/m介于0.6～0.8之间。

在所述步骤s104中，至于剩下的水位数据样本，可作为测试样本，得到测试样本集。此外，考虑在训练样本集中，针对不同的分类标签，对应的样本数存在差异较大和数据不均衡，进而影响训练模型的识别准确率问题，有必要对所述训练样本集进行均衡处理，即在得到训练样本集之后，优选的，所述工作方法还包括：针对各个分类标签，判断所述训练样本集中的对应训练样本数是否小于预设样本数阈值，若是，则采用合成少数过采样技术smote（syntheticminorityoversamplingtechnique）算法对训练样本进行数据均衡处理，得到训练样本数增加的训练样本集。所述smote算法是一种现有的综合采样人工合成数据算法，用于解决数据类别不平衡问题(imbalancedclassproblem)，以over-sampling少数类和under-sampling多数类结合的方式来合成数据，由于对于少数类中每一个样本x，可以欧氏距离为标准计算它到少数类样本集中所有样本的距离，得到其k近邻，因此这样处理不会改变数据的分布，相比较于undersample、oversample、ensembleresampling和classweight方法等，更具有优势。此外，对于测试样本集，由于需要保证样本真实性，无需进行均衡处理。

s105.针对所述训练样本集中的各个水位数据样本，根据相应的n个rgb值，绘制得到像素矩阵为n*n的训练样本图像，其中，n为不小于n的平方根的自然数。

在所述步骤s105中，绘制所述训练样本图像的具体方式可以但不限于为将第x个rgb值作为第floor(x/n)行且第x-n*floor(x/n)列像素的rgb值，其中，x为介于1～n之间的自然数，floor()表示下取整函数，至于其它的像素，可以采取补零或补平均rgb值等常用方式进行补值处理，从而可以得到一个矩形的训练样本图像，例如针对上游地区有210个水位计的情况，可以得到一个像素矩阵为15*15的训练样本图像。此外，考虑初始得到的训练样本图像的尺寸大小可能过小，对于卷积神经网络的训练效果不太理想，因此在得到所述训练样本图像后，所述工作方法还包括：当n小于预设数量阈值时，对所述训练样本图像进行放大处理，得到具有标准尺寸大小的训练样本图像。例如放大得到尺寸大小为21*21的图像。

s106.将所有训练样本图像及对应的分类标签输入卷积神经网络cnn模型进行训练，并在训练过程中出现训练集准确率达到预设高值区间且变化幅度小于预设幅度阈值的情况时，采用自适应梯度adagrad算法调整学习率，然后继续训练，直到学习率调整幅度小于预设调整阈值时，停止训练，得到完成训练的cnn模型，其中，所述cnn模型的神经网络结构包括有依次串联的k个蝶形反馈块、全连接层和输出层，所述k个蝶形反馈块中各个蝶形反馈块分别包含有块输入层、第一卷积层、第二卷积层、第一激活层、第二激活层、第一池化层、第二池化层和块输出层，所述块输入层分别连接所述第一卷积层、所述第二卷积层和所述块输出层，所述第一卷积层、所述第一激活层和所述第一池化层依次串联，所述第二卷积层、所述第二激活层和所述第二池化层依次串联，所述第一池化层和所述第二池化层分别连接所述块输出层，所述块输出层用于对收到的多个图像数据进行相加处理并输出相加结果(当上层特征图像与下层特征图像出现相加维度不匹配时，可运用1*1卷积来保持特征图像维度一致)，k为介于32～96之间的自然数，所述第一卷积层和所述第二卷积层分别采用不同大小的卷积核，所述第一池化层和所述第二池化层分别采用大小为1*1的卷积核，所述第一激活层和所述第二激活层分别采用线性整流relu函数作为激活函数，所述输出层采用归一化指数softmax函数。

在所述步骤s106中，由于典型的且用于图像识别的卷积神经网络架构基本上都是运用于对真实图像的分类识别，而本实施例要处理的是由采集的水位数据通过编码而来的数据图像，具有如下特点：由于采集水位数据呈现稀疏和无规则状态，不同日期的图像之间存在细微的差异，直观的观察无法找出各个图像的区别，对于卷积神经网络而言，通过训练模型结构找出图像之间的差异同样存在一定的困难；因此提供了如图4所示的一种新型卷积神经网络模型。

在所述步骤s106中，所述新型卷积神经网络模型的工作原理如下：网络结构由若干个蝶形反馈块block组成，每一个block包含各自不同随机参数的卷积层，同时运用relu函数作为激活函数，在两条不同的线路上做了卷积以后，与输入图像数据做加法，然后再将新的数据图像传递到下一层进行训练，从而由block的个数组成网络的深度，例如可通过串联的64个block，形成深度为64层的卷积神经网络。同时在训练过程中，由于所有图像数据在和卷积核做运算之前，会在周围均填充一列数据，可避免丢失边缘图像数据信息。优化的，为了使数据图像保持原有的特征进而更好的向下传递，在所述k个蝶形反馈块的串联方向上，使首个蝶形反馈块的块输入层分别连接第2k+1个蝶形反馈块的块输出层，其中，k=1,2,3,…且使2k+1不大于k，如此可使网络不会因为卷积层多次的特征提取而失去原有的特征，避免出现网络过拟合。此外，所述第一卷积层采用大小为3*3的卷积核，所述第二卷积层采用大小为5*5的卷积核，以保证用不同的感受野在上一层输入数据中提取图像的特征。所述自适应梯度adagrad算法为现有算法，即利用每次迭代历史的梯度平方根的和来修改学习率。此外，所述cnn模型也可以但不限于采用基于resnet50网络结构、mobile-net网络结构或vgg16网络结构等的现有模型，但是它们的识别准确率将略差于所述新型卷积神经网络模型。

s107.获取今日第一水位数值集合，其中，所述今日第一水位数值集合包含有在今日由所述目标边坡100上游地区的所述n个水位计所分别采集的今日第一水位数值。

s108.将所述今日第一水位数值集合中的且与所述n个水位计一一对应的n个今日第一水位数值编码为红绿蓝rgb三通道颜色值，得到包含有n个rgb值的水位数据。

在所述步骤s108中，具体编码方式可参见前述步骤s102，于此不再赘述。

s109.根据所述水位数据中的n个rgb值，绘制得到像素矩阵为n*n的待分类图像。

在所述步骤s109中，具体绘制方式可参见前述步骤s105，于此不再赘述。此外，为了与具有标准尺寸大小的训练样本图像保持相同尺寸大小，则在得到所述待分类图像后，所述工作方法还包括：当n小于预设数量阈值时，对所述待分类图像进行放大处理，得到具有标准尺寸大小的待分类图像。

s110.将所述待分类图像输入所述完成训练的cnn模型，得到明日的分类标签识别结果。

s111.根据所述明日的分类标签识别结果，确定明日水位等级。

s112.根据预设的浇水策略，向与所述目标边坡100对应的河道监测终端2发送与所述明日水位等级对应的浇水控制指令，其中，所述浇水策略包含有至少两个浇水控制指令和所述至少两个浇水控制指令与所述至少两个水位等级的一一对应关系。

在所述步骤s112中，所述浇水控制指令可以但不限于包含有水泵启动时长，如此可通过时长来控制浇水量的多少，例如对于低水位的水位等级，可设置水泵启动时长为10分钟；对于中水位的水位等级，可设置水泵启动时长为5分钟；而对于高水位的水位等级，可设置水泵启动时长为0分钟，由此在这些水位情况时，可以减少或避免为护坡植物进行浇灌，进而可节省物力。

由此基于前述系统的结构及工作方法的详细描述，提供了一种基于新型卷积神经网络进行坡面植被自动化浇灌管理的边坡生态防护方案，即包括有河道监测服务器、河道监测终端、水位计、安装架、立杆和至少一个布置在目标边坡上的边坡保护单元，其中，所述河道监测服务器可以基于历史采集的上游水位数值和本地水位数值对用于识别水位等级的新型cnn模型进行训练，并在获取今日上游水位数值后，可通过该训练完成的新型cnn模型预估明日水位等级（即下一个浇灌周期的本地水位），然后根据预估结果发送自适应的浇水控制指令，实现对护坡植被进行自动化的浇灌管理目的，进而可节省人力和物力，降低护坡的维护成本。

优化的，所述河道监测服务器1还用于在收到由所述水位计3采集的实时水位数值后，若根据所述实时水位数值发现当前河道水位低于预设阈值时，判定所述水泵63的进水端露出河道水面，并向河道管理人员的手持终端发送提醒消息。由于所述水泵63的进水端是固定的，因此当水位下降到一定程度时，可视为露出河道水面，此时将导致无法抽水浇灌的问题，需要提醒河道管理人员进行相应处理，例如调整所述水泵63的进水端位置，使其再次位于河道水面之下。

优化的，在所述立杆5的顶端设置有避雷针7。如图1所示，通过前述设计，可以保护整个河道监测终端2及所述水位计3等电子设备避免遭受雷击，确保整个系统的正常浇灌管理工作。

以上所描述的实施例仅仅是示意性的，若涉及到作为分离部件说明的单元，其可以是或者也可以不是物理上分开的；若涉及到作为单元显示的部件，其可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

最后应说明的是，本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。