一种基于深度学习的甘蔗蔗芽特征识别装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的甘蔗蔗芽特征识别装置，其包括预处理模块、预学习模块、浅层学习模块、深度学习模块、蔗芽特征输出模块。本发明专利技术采用梯度投影的方法进行甘蔗位置、蔗节的快速识别；采用浅层神经网络按10个像素的步进快速识别可能是蔗芽的位置，然后再用深度神经网络精确识别几个最有可能是蔗芽的位置。采用浅层神经网络结构，进行快速的特征识别，浅层训练模块用于样本的训练，浅层识别模块使用已经训练好的参数，在正常工作时进行特征识别；采用深度神经网络结构，进行精确的特征识别。本发明专利技术实现了甘蔗蔗芽的快速检测，在Intel i7‑3770处理器环境下测试（采用CPU模式）完成一次蔗芽特征识别的时间平均为341.09 ms。

A Sugarcane Bud Feature Recognition Device Based on Deep Learning

The invention discloses a sugarcane bud feature recognition device based on deep learning, which comprises a pre-processing module, a pre-learning module, a shallow learning module, a deep learning module and a sugarcane bud feature output module. The method of gradient projection is used for fast identification of sugarcane position and sugarcane knot, and the shallow neural network is used for fast identification of sugarcane bud position by 10 pixels step, then the depth neural network is used to accurately identify several most likely positions of sugarcane bud. The shallow neural network structure is used for fast feature recognition. The shallow training module is used for sample training. The shallow recognition module uses the trained parameters to recognize features in normal work. The deep neural network structure is used for accurate feature recognition. The invention realizes the rapid detection of sugarcane bud, and the average time of completing a sugarcane bud feature recognition is 341.09 MS under the environment of Intel i7 3770 processor (using CPU mode).

【技术实现步骤摘要】
一种基于深度学习的甘蔗蔗芽特征识别装置
本专利技术涉及一种基于深度学习的甘蔗蔗芽特征识别装置，涉及深度学习、人工神经网络、图像处理、图像识别，以及涉甘蔗特征的识别和串口通信。
技术介绍
目前我国研制及使用的甘蔗种植机机型均为实时切种式甘蔗种植机，种植机能顺序完成开沟、施肥、切种、覆土、铺膜等工序。但该种植机需人工将蔗种喂入切种器，实时切种并覆土种植，所以喂入工人劳动强度大、喂入不均匀、用蔗种多、容易造成漏播等情况，每亩用种量需1.3吨左右，且该种植机机箱较小，作业时补充蔗种麻烦，种植效率较低，种植密度不均匀。采用预切种式的甘蔗种植机械，每亩用种量仅需0.3-0.5吨，可以大幅节约蔗种，增加榨糖量，降低成本价格，并且有助于在排种阶段实现均匀排种，提高种植效率。因此相对于实时切种式，采用预切种式的甘蔗种植机械具有更明显的优点。甘蔗切种的一个关键问题，一是要避开节的位置切割，避免切到蔗芽；二是保证一到两个完整节，如果没有节那就没有芽，白白浪费蔗种，如果节过多那么种植过密，并且也浪费了蔗芽。解决这两个问题的关键技术就是蔗节识别，然后再进行智能化切种。蔗芽特征识别的研究，目前有少数的研究，黄亦其等基于Matlab的甘蔗茎节特征分布定位与试验[1]。目前还没有见到有关深度学习应用于蔗芽特征识别方面的研究。目前市场上还没有专门的甘蔗蔗芽特征识别装置，特别是还没有可以实现快速识别甘蔗蔗节芽方法、装置。本专利技术针对以上问题，提供一种基于深度学习的甘蔗蔗芽特征识别装置，通过摄像头拍摄甘蔗图像，然后通过计算机或者ARM嵌入式开发板进行图像处理与图像识别，识别出甘蔗位置，最后生成甘蔗位置数据，通过计算机或者ARM嵌入式开发板的串口输出甘蔗位置数据。
技术实现思路
为实现上述目的，本专利技术提供如下技术方案：一种基于深度学习的甘蔗蔗芽特征识别装置，其特征在于，其包括依次连接的预处理模块、预学习模块、浅层学习模块、深度学习模块、蔗芽特征输出模块和云服务器与监测终端模块；其中，所述预处理模块包括摄像头、图像采集单元和图像滤波单元三个部分；所述预学习模块包括快速蔗节识别模块、快速甘蔗位置识别模块两个部分；所述浅层学习模块采用浅层神经网络结构，进行快速的特征识别；所述深度学习模块采用深度神经网络结构，进行精确的特征识别，其包括深度训练模块、深度识别模块。深度训练模块用于样本的训练，深度识别模块用于采用已经训练好的参数，在正常工作时进行精确的特征识别；蔗芽特征输出模块包括生成蔗芽位置信息、生成输出字符串；云服务器与监测终端模块包括TCP云服务器，用于保存系统的参数，保存甘蔗种的数据库信息。进一步，作为优选，快速甘蔗位置识别模块包括Y方向梯度计算，其采用RBG三基色单独计算梯度的方法，然后进行Y方向梯度投影，计算每一行(X轴)的值总合，相当于把整个梯度图像投影到Y轴上，获得一个一维的X方向梯度投影数组(波形)，Y方向第一级滤波、Y方向第一级整形、Y方向第二级滤波、Y方向第二级整形、确定甘蔗所在区域。进一步，作为优选，快速蔗节识别模块包括X方向梯度计算、Y方向梯度投影、投影波形限幅，X方向梯度计算包括X方向第一路滤波、X方向第一路整形、X方向第二路滤波、X方向第二路整形、两路波形合成、蔗节位置识别，其中X方向第一路滤波、X方向第一路整形、X方向第二路滤波、X方向第二路整形，分别进行两路的滤波和整形，然后进行两路数据进行或运算；最后进行蔗节位置识别，输出数据(波形)上升沿处为某一蔗节的开始位置，输出数据(波形)下降沿处为某一蔗节的结束位置；依次把所有蔗节位置都标定；对于过密的两个蔗节位置进行合并，合并近邻区域，如果两个近邻区域小于经验值，则对该两个近邻区域进行合并。生成蔗节位置数据，其中，经验值默认取总数据长度的2％。进一步，作为优选，浅层学习模块包括浅层训练模块、浅层识别模块；浅层训练模块用于样本的训练，浅层识别模块用于采用已经训练好的参数，在正常工作时进行特征识别；所述的浅层训练模块的具体步骤包括：(1)把蔗芽图片分成两大类别，第1类为蔗芽图片，第2类为非蔗芽图片；(2)两类图片采用40X40的大小；(3)构建5层结构的MLP神经网络，5层的节点数，默认值分别为：1600,300,150,50,1。节点数可以通过设置进行改变；(4)激活函数设置为sigmoid函数；(5)训练方法为反向传播，学习率默认为0.01，可以通过设置进行改变；(6)算法的中止条件：最大迭代次数默认采用300000次，容许误差默认采用1e-6，可以通过设置进行改变；(7)训练用特征向量以列向量存储；(8)进行训练，并保存MLP网络及参数数据。进一步，作为优选，浅层识别模块包括以下步骤：(1)根据权利要求5生成的蔗节位置数据，提取每一个蔗节的位置。(2)根据提取的蔗节位置，在蔗节位置以及附近进行扫描，抽取40X40大小的图片块。(3)根据权利要求7生成的MLP网络及参数数据，构建识别网络，对40X40大小的图片块进行识别，判断是蔗芽的可能性。(4)提取该节最有可能是蔗芽的位置。进一步，作为优选，所述深度学习模块采用深度神经网络结构，进行精确的特征识别，其包括深度训练模块、深度识别模块。深度训练模块用于样本的训练，深度识别模块用于采用已经训练好的参数，在正常工作时进行精确的特征识别；深度神经网络结构采用AlexNet模型，共有5个卷积层，3个全连接层，前两个卷积层和第五个卷积层有pool池化层，其他两个卷积层没有池化。进一步，作为优选，所述深度训练模块具体要求如下：(1)把蔗芽图片分成两大类别，第1类为蔗芽图片，第2类为非蔗芽图片；(2)两类图片采用227X227的大小；(3)基础学习率采用0.001，基础学习率在迭代的过程中，对基础学习率进行调整。表示基础学习率，在参数梯度下降优化的过程中，学习率会有所调整；(4)最大迭代次数采用5000，这个数设置太小，会导致没有收敛，精确度很低；设置太大，会导致震荡，浪费时间；(5)学习率变化指数采用0.1；(6)动量采用0.9，上一次梯度更新的权重。进一步，作为优选，所述深度识别模块确定蔗芽位置的方法如下：(1)根据深度训练模块获取的深度神经网络结构和参数，构建深度神经网络；(2)根据浅层识别模块获取的最有可能是蔗芽的位置，提取60X60大小的图像块；(3)通过插值方式，构造227X227大小的图像块；(4)采用深度神经网络，对227X227大小的图像块进行精确的识别，确定蔗芽位置。进一步，作为优选，蔗芽特征输出模块包括生成蔗芽位置信息、生成输出字符串；步骤如下：(1)根据深度识别模块生成的蔗芽位置信息。(2)生成蔗芽位置信息输出字符，字符串的格式如下：{bud:{1:x,y,w,h,r},{2:x,y,w,h,r},{3:x,y,w,h,r},}(x,y)代表蔗芽位置左上角坐标，w代表蔗芽图像模块宽度,h代表蔗芽图像模块高度，r代表识别的可信度。进一步，作为优选，所述的云服务器与监测终端模块包括TCP云服务器和监测终端，其中，TCP云服务器用于保存系统的参数，保存甘蔗种的数据库信息；监测终端用于远程检测该设置的数据。与现有技术相比，本专利技术的有益效果是：本专利技术通过摄像头拍摄甘蔗图像，然后通过计算机或者ARM嵌入式开发板进行图像处本文档来自技高网...

【技术保护点】
1.一种基于深度学习的甘蔗蔗芽特征识别装置，其特征在于，其包括依次连接的预处理模块、预学习模块、浅层学习模块、深度学习模块、蔗芽特征输出模块和云服务器与监测终端模块；其中，所述预处理模块包括摄像头、图像采集单元和图像滤波单元三个部分；所述预学习模块包括快速蔗节识别模块、快速甘蔗位置识别模块两个部分；所述浅层学习模块采用浅层神经网络结构，进行快速的特征识别；所述深度学习模块采用深度神经网络结构，进行精确的特征识别，其包括深度训练模块、深度识别模块，深度训练模块用于样本的训练，深度识别模块用于采用已经训练好的参数，在正常工作时进行精确的特征识别；蔗芽特征输出模块包括生成蔗芽位置信息、生成输出字符串；云服务器与监测终端模块包括TCP云服务器，用于保存系统的参数，保存甘蔗种的数据库信息。

【技术特征摘要】
1.一种基于深度学习的甘蔗蔗芽特征识别装置，其特征在于，其包括依次连接的预处理模块、预学习模块、浅层学习模块、深度学习模块、蔗芽特征输出模块和云服务器与监测终端模块；其中，所述预处理模块包括摄像头、图像采集单元和图像滤波单元三个部分；所述预学习模块包括快速蔗节识别模块、快速甘蔗位置识别模块两个部分；所述浅层学习模块采用浅层神经网络结构，进行快速的特征识别；所述深度学习模块采用深度神经网络结构，进行精确的特征识别，其包括深度训练模块、深度识别模块，深度训练模块用于样本的训练，深度识别模块用于采用已经训练好的参数，在正常工作时进行精确的特征识别；蔗芽特征输出模块包括生成蔗芽位置信息、生成输出字符串；云服务器与监测终端模块包括TCP云服务器，用于保存系统的参数，保存甘蔗种的数据库信息。2.根据权利要求1所述的一种基于深度学习的甘蔗蔗芽特征识别装置，其特征在于：快速甘蔗位置识别模块包括Y方向梯度计算，其采用RBG三基色单独计算梯度的方法，然后进行Y方向梯度投影，计算每一行（X轴）的值总合，相当于把整个梯度图像投影到Y轴上，获得一个一维的X方向梯度投影数组（波形），Y方向第一级滤波、Y方向第一级整形、Y方向第二级滤波、Y方向第二级整形、确定甘蔗所在区域。3.根据权利要求1所述的一种基于深度学习的甘蔗蔗芽特征识别装置，其特征在于：快速蔗节识别模块包括X方向梯度计算、Y方向梯度投影、投影波形限幅，X方向梯度计算包括X方向第一路滤波、X方向第一路整形、X方向第二路滤波、X方向第二路整形、两路波形合成、蔗节位置识别，其中X方向第一路滤波、X方向第一路整形、X方向第二路滤波、X方向第二路整形，分别进行两路的滤波和整形，然后进行两路数据进行或运算；最后进行蔗节位置识别，输出数据（波形）上升沿处为某一蔗节的开始位置，输出数据（波形）下降沿处为某一蔗节的结束位置；依次把所有蔗节位置都标定；对于过密的两个蔗节位置进行合并，合并近邻区域，如果两个近邻区域小于经验值，则对该两个近邻区域进行合并，生成蔗节位置数据，其中，经验值默认取总数据长度的2%。4.根据权利要求1所述的一种基于深度学习的甘蔗蔗芽特征识别装置，其特征在于：浅层学习模块包括浅层训练模块、浅层识别模块；浅层训练模块用于样本的训练，浅层识别模块用于采用已经训练好的参数，在正常工作时进行特征识别；所述的浅层训练模块的具体步骤包括：（1）把蔗芽图片分成两大类别，第1类为蔗芽图片，第2类为非蔗芽图片；（2）两类图片采用40X40的大小；（3）构建5层结构的MLP神经网络，5层的节点数，默认值分别为：1600,300,150,50,1，节点数可以通过设置进行改变；（4）激活函数设置为sigmoid函数；（5）训练方法为反向传播，学习率默认为0.01，可以通过设置进行改变；（6）算法的中止条件：最大迭代次数默认采用300000次，容许误差默认采用1e-6，可以通过设置进行改变；（7）训练用特征向量以列向...

【专利技术属性】
技术研发人员：廖义奎，李尚平，文春明，
申请(专利权)人：广西民族大学，
类型：发明
国别省市：广西,45