一种番茄生长状态的智能分析方法及智能分析装置制造方法及图纸

本发明专利技术为图像识别技术领域，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，包括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。

An intelligent analysis method and device of tomato growth state

The invention belongs to the technical field of image recognition, in particular to an intelligent analysis method and an intelligent analysis device for tomato growth state, including the establishment of a tomato growth analysis model in advance, the tomato growth analysis model including a linear regression model and a convolution neural network model, the acquisition of a tomato growth image, and the introduction of the tomato growth image into a linear regression model and a convolution neural network model respectively In the model, the linear regression model is used to analyze the tomato growth image and calculate the current growth index of tomato; the convolution neural network model is used to analyze the tomato growth image and calculate the current growth index of tomato leaves. Beneficial effects: for the qualitative analysis of tomato growth image, linear regression model is used, for the quantitative analysis of tomato growth image, convolution neural network model is used, and different models are used for the qualitative analysis and quantitative analysis, which not only improves the accuracy, but also improves the operation speed.

【技术实现步骤摘要】
一种番茄生长状态的智能分析方法及智能分析装置
本专利技术涉及图像识别
，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。
技术介绍
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。
技术实现思路
本专利技术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，本专利技术采用以下技术方案：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。本专利技术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。本专利技术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是本专利技术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是本专利技术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是本专利技术具体实施方式提供的线性回归模型建立方法流程图。图4是本专利技术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是本专利技术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是本专利技术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是本专利技术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专利技术的技术方案。图1是本专利技术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；在本专利技术实施例中，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；在本专利技术实施例中，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；在本专利技术实施例中，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。在本专利技术实施例中，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。作为本专利技术的优选实施例，本专利技术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示出了本专利技术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；在本专利技术实施例中，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；在本专利技术实施例中，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。在本专利技术实施例中，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是本专利技术实施例提供的线性回归本文档来自技高网...

【技术保护点】
1.一种番茄生长状态的智能分析方法，其特征在于，所述智能分析方法包括：/n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；/n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；/n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；/n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。/n

【技术特征摘要】
1.一种番茄生长状态的智能分析方法，其特征在于，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。


2.如权利要求1所述的智能分析方法，其特征在于，所述预先建立番茄生长分析模型具体包括：
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；
导入果叶样本数据，针对果叶分析对所述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。


3.如权利要求2所述的方法，其特征在于，所述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具体包括：
导入生长期样本数据，判断所述生长期样本数据维度是否平衡，若否，则对所述生长期样本数据进行归一化处理；
将所述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；
对所述生长期样本集进行线性回归分析，建立线性回归模型；
将所述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，则对所述线性回归模型进行参数优化。


4.如权利要求2所述的方法，其特征在于，所述导入果叶样本数据，针对果叶分析对所述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具体包括：
导入果叶样本数据；
将所述果叶样本数据随机划分为果叶样本集和果叶测试集；
对所述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；
将所述果叶测试集导入所述卷积神经网络模型，计算并判断结果误差，若结果误差超过预设阈值，则对所述卷积神经网络模型进行参数优化。


5.如权利要求4所述的方法，其特征在于，所述卷积神经网络模型包括至少两层卷积层以及至少两层池化层，所述卷积层采用ReLu函数作为激活函数，每层网络之间采用Dropout层连接。


6.一种番茄生长状态的智能分析装置，其特征在于，所述智能分析装置包括：
番茄生长分析模型预建单元...

【专利技术属性】
技术研发人员：尹武，张晋娜，李慧肜，
申请(专利权)人：深圳市睿海智电子科技有限公司，
类型：发明
国别省市：广东;44