基于深度学习网络的堆肥腐熟实时预测方法技术

本发明专利技术公开了一种基于深度学习网络的堆肥腐熟实时预测方法，以堆肥的堆体内温度、湿度、表面图像深度特征向量作为堆肥的描述特征，借助于深度学习方法高效学习能力，实现腐熟的在线实时监测。腐熟预测过程起始于堆体温度、湿度实时测量和图像采集，方法首先对图像进行预处理，由卷积神经网络(CNN)提取图像的深度特征，然后与堆体温度、湿度组合作为腐熟判断过程的输入量，送入循环神经网络(RNN)预测出当前时刻是否腐熟。本发明专利技术提出的相对完善、合理、准确的堆肥腐熟实时监测方法，为生产提供指导。

【技术实现步骤摘要】
基于深度学习网络的堆肥腐熟实时预测方法
本专利技术涉及一种运用信息技术使用堆肥温度、湿度、图像信息通过深度学习网络实现的堆肥腐熟实时预测方法，属于农业信息学领域。
技术介绍
在农业生产中，为了维持和提高土壤肥力需要向土壤施入一定量的有机质材料，在施用前利用微生物对这些材料进行一定程度的腐解处理叫腐熟。堆肥生产方式分静态方式、动态方式，本专利技术以直线型发酵槽堆肥方式为研究对象。发酵槽的宽度一般2.0～6.0m，深度0.3～2.0m，长度20～60m。堆肥的一次发酵时间一般在15～25d，然后再将完成一次发酵的堆肥送入二次发酵场地进行后熟发酵。在实际生产中一次发酵与二次发酵也可在同一发酵槽内完成，但是这种方式加长了发酵槽的占用时间，影响畜禽粪便的处理能力，如能实时监测到腐熟完成，将提高场地利用效率。腐熟度定义为堆肥的发酵完成程度，直接反映堆肥质量。故而企业在生产实践中习惯采用腐熟度来表示堆肥进行程度，腐熟度的变化体现在物理、化学、生物这3个方面。化学、生物指标一般要通过复杂费时的实验测得，而物理指标监测则相对简单。常用的物理指标有：温度、气味、色度、光学特性等。但如果直接用其作为腐熟判断指标，存在诸多限制。综合以上分析，亟需一种相对完善、合理、准确的堆肥腐熟实时监测方法，为生产提供指导。
技术实现思路
本专利技术针对
技术介绍
中存在的问题，提出一种基于深度学习网络的堆肥腐熟实时预测方法，包括以下步骤：S1、提取t时刻堆肥温度、湿度数据以及t时刻堆肥表面灰度图像数据；S2、预处理，将堆肥表面灰度图像数据进行中值滤波；S3、基于S2获得的数据，构建卷积神经网络CNN进行堆肥图像特征提取；S4、将堆肥温度、湿度数据和堆肥图像特征，组合形成堆肥实时特征向量，堆肥实时特征向量通过最小最大法归一化进行整合；S5、基于S4获得的数据，采用循环神经网络RNN进行预测。优选的，S1中，通过下式提取t时刻堆肥温度、湿度数据：Pt＝[pt,1,pt,2,pt,3]Dt＝[dt,1,dt,2,dt,3]其中，pt,1,pt,2,pt,3分别表示堆肥中距离堆肥表面垂直距离20cm、40cm、60cm处摄氏温度，dt,1,dt,2,dt,3分别表示堆肥中距离堆肥表面垂直距离20cm、40cm、60cm处湿度。优选的，S1中，通过下式提取t时刻堆肥表面灰度图像数据：其中，Ht是图像灰度矩阵，拍摄时摄像头正对堆肥表面拍摄，距离堆肥表面1-2米，取拍摄图像正中间区域80*80像素，n＝80。优选的，S2中，对堆肥表面灰度图像采用大小为3*3的滤波窗口进行中值滤波。优选的，S3中，堆肥图像特征提取使用的卷积神经网络包括3个卷积层、3个子采样层、2个全连通层以及1个分类层，第二个全连通层的128维向量为图像的最终特征。优选的，第一个卷积层中的卷积层包含16个特征映射，卷积核大小3*3；第一个池化层的提取区域大小为2*2，选用最大化方法；第二卷积层包含32个特征映射，卷积核的大小为3*3；第二个池化层的提取区域大小为2*2，选用最大化方法；第三卷积层包含64个特征映射，卷积核的大小为3*3；第三个池化层的提取区域大小为2*2，选用最大化方法；2个全连通层分别是6400和128维。优选的，S4中，归一化函数如下：Xn＝(Xo-MIN(X))/(MAX(X)-MIN(X))其中，Xo、Xn分别是归一化前后堆肥实时特征向量，MIN()、MAX()计算各属性维度的最小和最大值。优选的，S5中，循环神经网络包括输入层、隐藏层和输出层，输入层接收堆肥状态输入向量，通过激活函数更新网络隐含层节点状态，由输出层做出预测输出堆肥是否腐熟的信息；其中隐含层的状态存储了堆肥历史时刻的信息，可以挖掘出历史与当前时刻信息之间的关系。优选的，循环神经网络具体参数设置为：输入维数6+128＝134，隐藏层神经元160，时间步长为6。本专利技术的有益效果本专利技术提出一种以堆肥的堆体内温度、湿度、表面图像深度特征向量作为堆肥的描述特征，借助于深度学习方法高效学习能力，实现腐熟的在线实时监测。腐熟预测过程起始于堆体温度、湿度实时测量和图像采集，方法首先对图像进行预处理，由卷积神经网络(CNN)提取图像的深度特征，然后与堆体温度、湿度组合作为腐熟判断过程的输入量，送入循环神经网络(RNN)预测出当前时刻是否腐熟。本专利技术提出的相对完善、合理、准确的堆肥腐熟实时监测方法，为生产提供指导。附图说明图1为本专利技术腐熟判断流程。图2为CNN结构图。图3为RNN模型结构。图4为实施例中部分采集图像。具体实施方式下面结合实施例对本专利技术作进一步说明，但本专利技术的保护范围不限于此：结合图1，一种基于深度学习网络的堆肥腐熟实时预测方法，包括以下步骤：S1、提取t时刻堆肥温度、湿度数据以及t时刻堆肥表面灰度图像数据；S2、预处理，将堆肥表面灰度图像数据进行中值滤波；S3、基于S2获得的数据，构建卷积神经网络CNN进行堆肥图像特征提取，图2即为CNN结构图；S4、将堆肥温度、湿度数据和堆肥图像特征，组合形成堆肥实时特征向量，堆肥实时特征向量通过最小最大法归一化进行整合；S5、基于S4获得的数据，采用循环神经网络RNN进行预测，图3即为RNN模型结构。优选的，S1中，通过下式提取t时刻堆肥温度、湿度数据：Pt＝[pt,1,pt,2,pt,3]Dt＝[dt,1,dt,2,dt,3]其中，pt,1,pt,2,pt,3分别表示堆肥中距离堆肥表面垂直距离20cm、40cm、60cm处摄氏温度，dt,1,dt,2,dt,3分别表示堆肥中距离堆肥表面垂直距离20cm、40cm、60cm处湿度。优选的，S1中，通过下式提取t时刻堆肥表面灰度图像数据：其中，Ht是图像灰度矩阵，拍摄时摄像头正对堆肥表面拍摄，距离堆肥表面1-2米，取拍摄图像正中间区域80*80像素，n＝80。优选的，S2中，对堆肥表面灰度图像采用大小为3*3的滤波窗口进行中值滤波。优选的，S3中，堆肥图像特征提取使用的卷积神经网络包括3个卷积层、3个子采样层、2个全连通层以及1个分类层，第二个全连通层的128维向量为图像的最终特征。优选的，第一个卷积层中的卷积层包含16个特征映射，卷积核大小3*3；第一个池化层的提取区域大小为2*2，选用最大化方法；第二卷积层包含32个特征映射，卷积核的大小为3*3；第二个池化层的提取区域大小为2*2，选用最大化方法；第三卷积层包含64个特征映射，卷积核的大小为3*3；第三个池化层的提取区域大小为2*2，选用最大化方法；2个全连通层分别是6400和128维。优选的，S4中，归一化函数如下：Xn＝(Xo-MIN(X))/(MAX(X)-MIN(X))其中，Xo、Xn分别是归一化前后堆肥实时特征向量，MIN()、MAX()计算各属性维度的最小和最大值。以某尾菜堆废厂为例，监测5道发酵槽一个生产周期，数据采集间隔设为4小时，共收集温度、湿度、图像1000条数据，部分图像数据如图4所示。其中100个测试样本和900个训练样本。(1)温度、湿度、图像采集安装具有网络通讯功能功能温度、湿度、图像采集装置，编制程序采集温度、湿度、图像数据保存在数据库，图像以文件方式保存。(2)图像预处理编制程序实现中值滤波功能处理采集到的图像。(3)基于(2)获得的本文档来自技高网...

【技术保护点】
1.一种基于深度学习网络的堆肥腐熟实时预测方法，其特征在于包括以下步骤：S1、提取t时刻堆肥温度、湿度数据以及t时刻堆肥表面灰度图像数据；S2、预处理，将堆肥表面灰度图像数据进行中值滤波；S3、基于S2获得的数据，构建卷积神经网络CNN进行堆肥图像特征提取；S4、将堆肥温度、湿度数据和堆肥图像特征，组合形成堆肥实时特征向量，堆肥实时特征向量通过最小最大法归一化进行整合；S5、基于S4获得的数据，采用循环神经网络RNN进行预测。

【技术特征摘要】
1.一种基于深度学习网络的堆肥腐熟实时预测方法，其特征在于包括以下步骤：S1、提取t时刻堆肥温度、湿度数据以及t时刻堆肥表面灰度图像数据；S2、预处理，将堆肥表面灰度图像数据进行中值滤波；S3、基于S2获得的数据，构建卷积神经网络CNN进行堆肥图像特征提取；S4、将堆肥温度、湿度数据和堆肥图像特征，组合形成堆肥实时特征向量，堆肥实时特征向量通过最小最大法归一化进行整合；S5、基于S4获得的数据，采用循环神经网络RNN进行预测。2.根据权利要求1所述的方法，其特征在于S1中，通过下式提取t时刻堆肥温度、湿度数据：Pt＝[pt,1,pt,2,pt,3]Dt＝[dt,1,dt,2,dt,3]其中，pt,1,pt,2,pt,3分别表示堆肥中距离堆肥表面垂直距离20cm、40cm、60cm处摄氏温度，dt,1,dt,2,dt,3分别表示堆肥中距离堆肥表面垂直距离20cm、40cm、60cm处湿度。3.根据权利要求1所述的方法，其特征在于S1中，通过下式提取t时刻堆肥表面灰度图像数据：其中，Ht是图像灰度矩阵，拍摄时摄像头正对堆肥表面拍摄，距离堆肥表面1-2米，取拍摄图像正中间区域80*80像素，n＝80。4.根据权利要求1所述的方法，其特征在于S2中，对堆肥表面灰度图像采用大小为3*3的滤波窗口进行中值滤波。5.根据权利要求1所述的方法，其特征在于S3中，...

【专利技术属性】
技术研发人员：徐阳春，薛卫，韦中，胡雪娇，梅新兰，陈行健，
申请(专利权)人：南京农业大学，
类型：发明
国别省市：江苏,32