一种低功耗广域网内农作物生长数据传输系统及方法技术方案

一种低功耗广域网内农作物生长数据传输系统及方法，本发明专利技术涉及低功耗广域网内农作物生长数据传输系统及方法。本发明专利技术的目的是为了解决现有方法对偏远山区农作物生长周期判断结果缺乏统一的标准、时效性低、准确性差、工作效率低的问题。系统包括：图像数据获取模块用于获取农作物生长图像信息；预处理模块用于对获取的信息进行预处理；网络搭建模块用于建立机器学习模型；训练模块用于获取训练好的机器学习模型；广域网通信模块用于将待处理的农作物生长图像信息传输给机器学习模块；机器学习模块用于将待处理的农作物生长图像信息输入训练好的机器学习模型，获得识别结果。本发明专利技术用于农作物生长识别领域。用于农作物生长识别领域。用于农作物生长识别领域。

【技术实现步骤摘要】
一种低功耗广域网内农作物生长数据传输系统及方法


[0001]本专利技术涉及低功耗广域网内农作物生长数据传输系统及方法，涉及无线通信领域。

技术介绍

[0002]无线传感器网络是由大量密集部署在监控区域的自治节点组成，通过无线通信方式形成的一种自组织网络应用系统，被广泛应用于军事、智能交通、环境监控、医疗卫生等多个领域，是国内外公认的具有广阔发展前景的高技术产业。
[0003]无线传感器网络协议栈中的传输调度方法负责为节点分配无线通信资源，是关系到无线网络的信道利用率、延迟等关键性能指标的重要技术。近年来，以低功耗、低速率、长距离通讯为特征的低功耗广域网成为传感网与物联网的发展方向之一。低功耗广域网信号传输距离远的优点允许节点单跳将数据传输至网关，节点不需要进行侦听和转发数据，允许节点完成与网关数据传输后关闭射频模块，从而降低了节点功耗，低功耗的优点让低功耗广域网逐渐成为无线传感器网络重要发展方向。然而，针对其通讯速率较低，相同数据量占用信道时间长；传输距离远，相同节点部署密度，网关负载节点多。通信速度低和传输距离远的特点造成网络信道资源紧张，需要新型传输调度算法来有效提升无线信道的利用率，从而满足数据传输速率的要求。
[0004]农作物生长周期的识别对于农业生产十分重要，在玉米，小麦，水稻，棉花等作物中都有广泛的应用，精准的生长周期识别可以有效地指导农业生产。
[0005]生长周期的识别一般需要资深的农业技术人员去现场查看，这样虽然可以利用专家知识来获知生长周期，但偏远山区如果每天对每个地块区域都进行现场观察则代价巨大，而且一个专家也不一定对多种作物都熟悉，对操作人员的专业技术要求高，加上诸多主观因素，致使这种工作模式产生的结果缺乏统一的标准、时效性低、准确性差、工作效率低，极大的限制了其在农业生产中的推广应用。

技术实现思路

[0006]本专利技术的目的是为了解决现有方法对偏远山区农作物生长周期判断结果缺乏统一的标准、时效性低、准确性差、工作效率低的问题，而提出一种低功耗广域网内农作物生长数据传输系统及方法。
[0007]一种低功耗广域网内农作物生长数据传输系统包括图像数据获取模块、预处理模块、网络搭建模块、训练模块、广域网通信模块、机器学习模块；
[0008]所述图像数据获取模块用于获取农作物生长图像信息；
[0009]所述预处理模块用于对图像数据获取模块获取的信息进行预处理；
[0010]所述网络搭建模块用于建立机器学习模型；
[0011]所述训练模块用于根据预处理模块获取的预处理后信息对机器学习模型进行训练，获取训练好的机器学习模型；
[0012]所述广域网通信模块用于将图像数据获取模块获取的待处理的农作物生长图像信息传输给机器学习模块；
[0013]所述机器学习模块用于将待处理的农作物生长图像信息输入训练好的机器学习模型，获得识别结果。
[0014]优选地，所述图像数据获取模块用于获取农作物生长的图像信息；具体过程为：
[0015]判断不同视角拍摄的图像的边界值信息是否存在，如果所有图像的边界值信息都存在，则根据边界值信息，将所有图像进行拼接，恢复成连续图像；如果所有图像中有大于等于一种图像的边界值信息不存在，则采用图像处理算法处理边界值信息不存在的图像，使所有图像的边界值信息都存在，进而得到拼接后的连续图像；
[0016]所述图像处理算法具体过程为：
[0017]通过检测并提取边界图像的特征和关键点，使用RANSAC算法匹配特征向量，估计单应矩阵，确定不存在边界值信息的图像的边界信息。
[0018]优选地，所述预处理模块用于对图像数据获取模块获取的信息进行预处理；具体过程为：
[0019]对图像数据获取模块获取的农作物生长图像信息进行去噪处理；
[0020][0021]式中，f(x,y)表示图像数据获取模块获取的农作物生长图像信号，g(x,y)表示去噪处理后图像信号，n(x,y)表示噪声。
[0022]优选地，所述网络搭建模块用于建立机器学习模型；
[0023]机器学习模型包括输入层、第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一CBAM注意力模块、第二CBAM注意力模块、第三CBAM注意力模块、第四CBAM注意力模块、第五CBAM注意力模块、第一激活层、第六卷积层、第七卷积层、第八卷积层、第一非对称卷积层、第二非对称卷积层、第三非对称卷积层、BN层，第二激活层、全局平均池化层和全连接层；
[0024]图像输入机器学习模型的输入层，经过输入层输入到第一卷积层进行特征图提取，对第一卷积层输出图像进行0.5倍的上采样，采样结果输入到第二卷积层进行特征图提取，对第二卷积层输出图像进行0.5倍的上采样，采样结果输入到第三卷积层进行特征图提取，对第三卷积层输出图像进行0.5倍的上采样，采样结果输入到第四卷积层进行特征图提取，第四卷积层输出图像输入到第五卷积层进行特征图提取；
[0025]对第五卷积层提取的特征图进行1*1的卷积操作改变特征图的维度，得到特征图M5；对第四卷积层提取的特征图进行1*1的卷积操作改变特征图的维度，得到特征图M4；对第三卷积层提取的特征图进行1*1的卷积操作改变特征图的维度，得到特征图M3；对第二卷积层提取的特征图进行1*1的卷积操作改变特征图的维度，得到特征图M2；
[0026]对特征图M5进行2倍上采样，采样结果输入到特征图M4，对特征图M4进行2倍上采样，采样结果输入到特征图M3，对特征图M3进行2倍上采样，采样结果输入到特征图M2；
[0027]对M5进行3*3的卷积得到特征图P5；对输入采样结果的特征图M4进行3*3的卷积得到特征图P4；对输入采样结果的特征图M3进行3*3的卷积得到特征图P3；对输入采样结果的特征图M2进行3*3的卷积得到特征图P2；
[0028]对特征图P5进行0.5倍的上采样得到特征图P6；
[0029]将特征图P2分别经过第一激活层、第一深度可分离卷积层、第一BN层，第一BN层输出作为第一CBAM注意力模块的输入；
[0030]将特征图P3分别经过第二激活层、第二深度可分离卷积层、第二BN层，第二BN层输出作为第二CBAM注意力模块的输入；
[0031]将特征图P4分别经过第三激活层、第三深度可分离卷积层、第三BN层，第三BN层输出作为第三CBAM注意力模块的输入；
[0032]将特征图P5分别经过第四激活层、第四深度可分离卷积层、第四BN层，第四BN层输出作为第四CBAM注意力模块的输入；
[0033]将特征图P6分别经过第五激活层、第五深度可分离卷积层、第五BN层，第五BN层输出作为第五CBAM注意力模块的输入；
[0034]融合第一CBAM注意力模块的输出、第二CBAM注意力模块的输出、第三CBAM注意力模块的输出、第四CBAM注意力模块的输出和第五CBAM注意力模块的输出，将融合后图像特征输入第六激活层；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种低功耗广域网内农作物生长数据传输系统，其特征在于：所述系统包括图像数据获取模块、预处理模块、网络搭建模块、训练模块、广域网通信模块、机器学习模块；所述图像数据获取模块用于获取农作物生长图像信息；所述预处理模块用于对图像数据获取模块获取的信息进行预处理；所述网络搭建模块用于建立机器学习模型；所述训练模块用于根据预处理模块获取的预处理后信息对机器学习模型进行训练，获取训练好的机器学习模型；所述广域网通信模块用于将图像数据获取模块获取的待处理的农作物生长图像信息传输给机器学习模块；所述机器学习模块用于将待处理的农作物生长图像信息输入训练好的机器学习模型，获得识别结果。2.根据权利要求1所述一种低功耗广域网内农作物生长数据传输系统，其特征在于：所述图像数据获取模块用于获取农作物生长的图像信息；具体过程为：判断不同视角拍摄的图像的边界值信息是否存在，如果所有图像的边界值信息都存在，则根据边界值信息，将所有图像进行拼接，恢复成连续图像；如果所有图像中有大于等于一种图像的边界值信息不存在，则采用图像处理算法处理边界值信息不存在的图像，使所有图像的边界值信息都存在，进而得到拼接后的连续图像；所述图像处理算法具体过程为：通过检测并提取边界图像的特征和关键点，使用RANSAC算法匹配特征向量，估计单应矩阵，确定不存在边界值信息的图像的边界信息。3.根据权利要求2所述一种低功耗广域网内农作物生长数据传输系统，其特征在于：所述预处理模块用于对图像数据获取模块获取的信息进行预处理；具体过程为：对图像数据获取模块获取的农作物生长图像信息进行去噪处理；式中，f(x,y)表示图像数据获取模块获取的农作物生长图像信号，g(x,y)表示去噪处理后图像信号，n(x,y)表示噪声。4.根据权利要求3所述一种低功耗广域网内农作物生长数据传输系统，其特征在于：所述网络搭建模块用于建立机器学习模型；机器学习模型包括输入层、第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一CBAM注意力模块、第二CBAM注意力模块、第三CBAM注意力模块、第四CBAM注意力模块、第五CBAM注意力模块、第一激活层、第六卷积层、第七卷积层、第八卷积层、第一非对称卷积层、第二非对称卷积层、第三非对称卷积层、BN层，第二激活层、全局平均池化层和全连接层；图像输入机器学习模型的输入层，经过输入层输入到第一卷积层进行特征图提取，对第一卷积层输出图像进行0.5倍的上采样，采样结果输入到第二卷积层进行特征图提取，对第二卷积层输出图像进行0.5倍的上采样，采样结果输入到第三卷积层进行特征图提取，对第三卷积层输出图像进行0.5倍的上采样，采样结果输入到第四卷积层进行特征图提取，第
四卷积层输出图像输入到第五卷积层进行特征图提取；对第五卷积层提取的特征图进行1*1的卷积操作改变特征图的维度，得到特征图M5；对第四卷积层提取的特征图进行1*1的卷积操作改变特征图的维度，得到特征图M4；对第三卷积层提取的特征图进行1*1的卷积操作改变特征图的维度，得到特征图M3；对第二卷积层提取的特征图进行1*1的卷积操作改变特征图的维度，得到特征图M2；对特征图M5进行2倍上采样，采样结果输入到特征图M4，对特征图M4进行2倍上采样，采样结果输入到特征图M3，对特征图M3进行2倍上采样，采样结果输入到特征图M2；对M5进行3*3的卷积得到特征图P5；对输入采样结果的特征图M4进行3*3的卷积得到特征图P4；对输入采样结果的特征图M3进行3*3的卷积得到特征图P3；对输入采样结果的特征图M2进行3*3的卷积得到特征图P2；对特征图P5进行0.5倍的上采样得到特征图P6；将特征图P2分别经过第一激活层、第一深度可分离卷积层、第一BN层，第一BN层输出作为第一CBAM注意力模块的输入；将特征图P3分别经过第二激活层、第二深度可分离卷积层、第二BN层，第二BN层输出作为第二CBAM注意力模块的输入；将特征图P4分别经过第三激活...

【专利技术属性】
技术研发人员：谢吉龙，刘万村，赵丹，孙慧敏，姜涛，雍丽英，杜丽萍，孙昊楠，张喜海，王海龙，
申请(专利权)人：哈尔滨职业技术学院，
类型：发明
国别省市：