一种监测易发芽作物发芽状态的方法及装置制造方法及图纸

本发明专利技术提供了一种监测易发芽作物发芽状态的方法及装置，包括：获取待监测图像，待监测图像包括未发芽图像、轻微发芽图像和严重发芽图像；将待监测图像输入至训练好的CNN与RNN结合模型，输出待监测图像对应的发芽状态类别。本发明专利技术在训练样本不断增加的情况下，不断提升分类的准确率，利用计算机视觉技术和神经网络技术实现自动实时监控，判断的分类结果客观性、准确性、实时性和高效性都很高，解决了由于易发芽作物发芽程度变化细微复杂，人为观察要有丰富的易发芽作物贮藏知识且费时费力，受人的主观性影响大导致判断结果不准确等问题，同时还保证了良好的贮藏环境。

【技术实现步骤摘要】
一种监测易发芽作物发芽状态的方法及装置
本专利技术实施例涉及图像处理和机器学习
，尤其涉及一种监测易发芽作物发芽状态的方法及装置。
技术介绍
易发芽作物在我国广泛种植。易发芽作物的块茎收获以后，以马铃薯为例，休眠与萌发过程分为三个阶段：第一个阶段称薯块成熟期，即贮藏早期，表现为薯块表皮尚未完全木栓化，薯块内的水分迅速向外蒸发，薯块重量显著减少，加之温度较高，容易积聚水汽而引起薯块的腐烂，经过20—35d的成熟作用后，表皮充分木栓化，蒸发强度和呼吸强度的逐渐减弱，而转入休眠状态；第二阶段称为薯块静止期或深休眠期，即贮藏中期，在这一时期薯块呼吸作用减慢，养分消耗减低到最低程度。第三阶段称为休眠后期，也称萌发期，即贮藏晚期，此时易发芽作物的休眠终止，呼吸作用又转旺盛，同时由于呼吸产生的热量积聚而使贮藏温度升高，促使薯块迅速发芽，此时，薯块重量减轻程度与萌发程度成正比。发芽会使马铃薯块茎组织中所含的大量淀粉转化而造成外观萎蔫，同时马铃薯发芽部位产生有毒物质龙葵素。对于大西洋这个品种的马铃薯，未发芽的马铃薯的薯块呈卵圆形或圆形，顶部平，芽眼浅，表皮有轻微网纹，淡黄皮白肉，薯块大小中等而整齐，没有任何发芽的迹象；轻微发芽的马铃薯的薯块上隐约有芽胚出现，慢慢发出细小的绿色幼芽直到至少有一个芽生长达2mm；严重发芽的马铃薯的薯块表皮变绿色，有明显的芽胚出现，芽直径达到3.02mm，同一顶芽芽眼中至少出现2个芽。发芽的马铃薯会造成销售、加工的损失，甚至完全失去食用价值。对于传统的易发芽作物贮藏方式，抑制易发芽作物发芽是极其重要的，直接影响到易发芽作物的价格和消费者的身体健康。传统的易发芽作物贮藏方式有堆藏法、通风库贮藏法、药物贮藏保鲜方法、架藏、垛藏等，贮藏过程中应控制好贮藏室内的温度、湿度、光照等外界条件。为了延长贮藏期，应尽量减少人类的进入贮藏室的次数，这就为人们及时检查易发芽作物贮藏情况带来了阻碍，造成大量的易发芽作物的浪费可能性或食用发芽易发芽作物的危险性都会大大增肌。因此，在成本小的基础上需要有效的解决该问题。除此之外，由于易发芽作物发芽的程度变化细微、复杂，人为观察不仅费时费力，要求人有丰富的易发芽作物贮藏知识，而且受人的主观性影响大，导致判断结果不准确；还会破坏贮藏室的贮藏环境，减少易发芽作物的贮藏时间，造成损失。因此，目前针对易发芽作物，缺乏减少人工干扰，能准确自动监测易发芽作物的方法。
技术实现思路
为了解决目前针对易发芽作物，缺乏减少人工干扰，能准确自动监测易发芽作物的方法，本专利技术提供了一种监测易发芽作物发芽状态的方法，包括：获取待监测图像，待监测图像包括未发芽图像、轻微发芽图像和严重发芽图像；将待监测图像输入至训练好的CNN与RNN结合模型，输出待监测图像对应的发芽状态类别，发芽状态类别包括未发芽、轻微发芽和严重发芽。优选地，将待监测图像输入至训练好的CNN与RNN结合模型之前，还包括：采用自适应分割技术分割出，待监测图像中的易发芽作物部分，得到易发芽作物部分图像；将易发芽作物部分图像作归一化处理，以使，易发芽作物部分图像的尺寸一致。优选地，发芽状态类别由人工分类并标注。优选地，CNN与RNN结合模型的训练过程，包括：S1、将待监测图像输入CNN中，CNN的单神经元的权重计算公式为：其中，W为权重，b为偏移量，x为向量，x由待监测图像经数字化后得到，i为层数，n为层数数目；S2、将CNN输出的数据与RNN的参数整合，得到RNN的基础函数为：St＝f(U*Xt+W*St-1)其中，St为t时刻的记忆，Xt为t时刻的输入，U为Xt的系数，W为权重，St-1为t-1时刻的记忆，f()函数是神经网络中的激活函数；S3、运用softmax来预测，进一步提高分类的准确性，具体公式表示为：ot＝softmax(VSt)其中，V为预测时的权重矩阵，St为t时刻的记忆，ot为RNN于时刻t的输出；S4、在RNN的GRU模型中，得到：Rt＝σ(XtWxr+Ht-1Whr+br)Zt＝σ(XtWxz+Ht-1Whz+bz)其中，Rt为重置门、Zt为更新门、为t时刻的候选隐含状态，Ht为t时刻的隐含状态，Ht-1为t-1时刻的隐含状态，Xt为t时刻的输入，Wxr、Whr、br为Rt的参数，Wxz、Whz、bz为Zt的参数，Wxh、Whh、bh为的参数；S5、把CNN得到的图像的特征输入到GRU模型里，St为：St＝tanh(U*Xt+W*St-1+V*X)其中，Xt为t时刻的输入，U为Xt的系数，X为图像的特征，V为预测时的权重矩阵，St为t时刻的记忆，St-1为t-1时刻的记忆。优选地，CNN与RNN结合模型由Caffe深度学习框架进行训练。另一方面，本专利技术还提供了一种监测易发芽作物发芽状态的装置，包括：获取模块，用于获取待监测图像，待监测图像包括未发芽图像、轻微发芽图像和严重发芽图像；监测模块，用于将待监测图像输入至训练好的CNN与RNN结合模型，输出待监测图像对应的发芽状态类别，发芽状态类别包括未发芽、轻微发芽和严重发芽。又一方面，本专利技术提供了一种电子设备，包括：存储器和处理器，处理器和存储器通过总线完成相互间的通信；存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行上述的方法。再一方面，本专利技术提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的方法。本专利技术提供了一种监测易发芽作物发芽状态的方法及装置，通过采用CNN(卷积神经网络)和RNN(循环神经网络)的方法能够在训练样本不断增加的情况下，不断提升对易发芽作物未发芽图像、轻微发芽图像、严重发芽图像的分类的准确率，利用计算机视觉技术和神经网络技术实现自动实时监控，判断的分类结果客观性、准确性、实时性和高效性都很高，解决了由于易发芽作物发芽程度变化细微复杂，人为观察要有丰富的易发芽作物贮藏知识且费时费力，受人的主观性影响大导致判断结果不准确等问题，同时还保证了良好的贮藏环境，为人们贮藏易发芽作物提供了一个良好的方法。附图说明图1为根据本专利技术的一个优选实施例的一种监测易发芽作物发芽状态的方法的流程示意图；图2为根据本专利技术的一个优选实施例的一种监测易发芽作物发芽装置的结构示意图；图3为根据本专利技术的一个优选实施例的一种电子设备的结构示意图；图4为根据本专利技术的一个优选实施例的用于一种用于监测易发芽作物发芽装状态的系统的结构示意图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。图1为根据本专利技术的一个优选实施例的一种监测易发芽作物发芽状态的方法的流程示意图，如图1所示，本专利技术提供了一种监测易发芽作物发芽状态的方法，包括：S101、获取待监测图像，待监测图像包括未发芽图像、轻微发芽图像和严重发芽图像；S102、将待监测图像输入至训练好的CNN与RNN结合模型，输出待监测图像对应的发芽状态类别，发芽状态类别包括未发芽、轻微发芽和严重发芽。基于上述实施例，将待监测图像输入至训练好的CNN与RNN结合模型之前，还包括：采用自适应分割技术分割出，待监测图像中的易发芽作物部分，得到易发芽作物部分图像；将易发芽作物部分图像作归一化处理，以使，易发芽作物部本文档来自技高网...

【技术保护点】
1.一种监测易发芽作物发芽状态的方法，其特征在于，包括：获取待监测图像，所述待监测图像包括未发芽图像、轻微发芽图像和严重发芽图像；将所述待监测图像输入至训练好的CNN与RNN结合模型，输出所述待监测图像对应的发芽状态类别，所述发芽状态类别包括未发芽、轻微发芽和严重发芽。

【技术特征摘要】
1.一种监测易发芽作物发芽状态的方法，其特征在于，包括：获取待监测图像，所述待监测图像包括未发芽图像、轻微发芽图像和严重发芽图像；将所述待监测图像输入至训练好的CNN与RNN结合模型，输出所述待监测图像对应的发芽状态类别，所述发芽状态类别包括未发芽、轻微发芽和严重发芽。2.根据权利要求1所述的一种监测易发芽作物发芽状态的方法，其特征在于，所述将所述待监测图像输入至训练好的CNN与RNN结合模型之前，还包括：采用自适应分割技术分割出所述待监测图像中的易发芽作物部分，得到易发芽作物部分图像；将所述易发芽作物部分图像作归一化处理，以使所述易发芽作物部分图像的尺寸一致。3.根据权利要求1所述的一种监测易发芽作物发芽状态的方法，其特征在于，所述发芽状态类别由人工分类并标注。4.根据权利要求2所述的一种监测易发芽作物发芽状态的方法，其特征在于，所述CNN与RNN结合模型的训练过程，包括：S1、将所述待监测图像输入CNN中，所述CNN的单神经元的权重计算公式为：其中，W为权重，b为偏移量，x为向量，所述x由所述待监测图像经数字化后得到，i为层数，n为层数数目；S2、将所述CNN输出的数据与RNN的参数整合，得到所述RNN的基础函数为：St＝f(U*Xt+W*St-1)其中，St为t时刻的记忆，Xt为t时刻的输入，U为Xt的系数，W为权重，St-1为t-1时刻的记忆，f()函数是神经网络中的激活函数；S3、运用softmax来预测，进一步提高分类的准确性，具体公式表示为：ot＝softmax(VSt)其中，V为预测时的权重矩阵，St为t时刻的记忆，ot为所述RNN于时刻t...

【专利技术属性】
技术研发人员：郑丽敏，齐珊珊，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：北京,11