一种基于神经网络和物联网的农业场景识别方法技术

技术编号:36798443 阅读:19 留言:0更新日期:2023-03-08 23:21
本发明专利技术涉及数据处理与识别技术领域,提出了一种基于神经网络和物联网的农业场景识别方法,包括:获取农业场景图像数据集及实际采集图像;根据数据集中任意两张初始图像的差分图像的熵值表现,获取若干第一类别;利用因子分析获取每个第一类别的公共因子图像,根据公共因子图像获取每张初始图像在自编码网络中的第一特征图像集;将初始图像输入到第一识别网络中进行训练得到每张初始图像的第二特征图像集,根据第二特征图像集与第一特征图像集的特征匹配度对第一识别网络进行改进并训练,得到训练好的第二识别网络;根据训练好的第二识别网络对实际采集图像进行农业场景识别。本发明专利技术旨在解决现有的神经网络识别农业场景精度较低的问题。度较低的问题。度较低的问题。

【技术实现步骤摘要】
一种基于神经网络和物联网的农业场景识别方法


[0001]本专利技术涉及数据处理与识别
,具体涉及一种基于神经网络和物联网的农业场景识别方法。

技术介绍

[0002]在农业物联网领域中,对于农业场景的识别至关重要,而农业物联网领域中包括诸如农业生产、环境监测、病虫害监测预警等众多农业场景,现有的对于农业尝尽的分类识别方法主要有VGG

net等识别网络;但是由于农业场景多种多样,虽然不同农业场景具有一定的相似之处,但是不同农业场景之间的依旧存在较多的、且过于零散的差异特征,相同农业场景也具有部分较大的差别之处;这导致现有的卷积神经网络需要花费较大的代价来训练和提取农业场景的共性特征进行分类,并且难以得到准确的识别精度,无法准确判断农业场景类型;因此需要一种可以根据相同农业场景之间的共性特征来提高神经网络对于特征的识别效果,进而得到更高的识别精度和对农业场景识别的准确性的方法。

技术实现思路

[0003]本专利技术提供一种基于神经网络和物联网的农业场景识别方法,以解决现有的神经网络识别农业场景精度较低的问题,所采用的技术方案具体如下:本专利技术一个实施例提供了一种基于神经网络和物联网的农业场景识别方法,该方法包括以下步骤:获取农业场景图像数据集及实际采集图像;对农业场景图像数据集中任意两张初始图像进行差分,获取到若干差分图像,计算每张差分图像的熵值并按照升序排列获取熵值序列,统计熵值序列中每个元素对应差分图像的第一相似数量,根据第一相似数量获取若干初始类别,根据初始图像间差分图像的熵值对未归入任意一个初始类别的初始图像进行归类,获取若干第一类别;利用因子分析获取每个第一类别的公共因子图像,根据公共因子图像获取每个第一类别的自编码网络的损失函数,将每个第一类别中的所有初始图像输入到对应的自编码网络中,对自编码网络进行训练,获取每张初始图像所属第一类别对应的自编码网络中每个隐藏层的第一特征图像集;将所有初始图像输入到第一识别网络中,获取每张初始图像在每个隐藏层中的第二特征图像集,根据每张初始图像在相同隐藏层的第一特征图像集和第二特征图像集之间的余弦相似度,获取第二特征图像集中每张第二特征图像的特征匹配度,根据特征匹配度及第二特征图像,获取第三特征图像,并根据第三特征图像为第二识别网络分配每个卷积层的损失函数,根据第二识别网络所有卷积层的损失函数对第二识别网络进行训练,获取训练好的第二识别网络;将实际采集图像输入到训练好的第二识别网络中,获取对实际采集图像的农业场景识别结果。
[0004]可选的,所述统计熵值序列中每个元素对应差分图像的第一相似数量,包括的具体方法为:所述熵值序列中每个元素表示差分图像的熵值,每个元素对应差分图像表示小于等于元素对应熵值的差分图像,所述差分图像由任意两张初始图像作差得到,将差分图像对应的两张初始图像作为差分图像的初始图像集;在熵值序列中获取任意一个元素对应差分图像的所有初始图像集,将存在交集的初始图像集求并集得到初始图像合集,将与初始图像合集存在交集的初始图像集同样求并集得到新的初始图像合集,对所有初始图像集判断交集并得到若干初始图像合集,将不存在交集的初始图像集及所有初始图像合集作为第一图像集,第一图像集的数量记为每个元素对应差分图像的第一相似数量。
[0005]可选的,所述获取若干初始类别,包括的具体方法为:熵值序列中随熵值元素的增大,每个元素对应差分图像的第一相似数量随之增大,当出现第一个第一相似数量大于第一预设阈值的元素时,将该熵值元素对应的若干第一图像集分别作为初始类别。
[0006]可选的,所述获取若干第一类别,包括的具体方法为:根据每个未归入任意一个初始类别的初始图像与每个初始类别中所有初始图像的差分图像的熵值均值进行归类,将每个未归入的初始图像归入到最小熵值均值对应的初始类别中,所有初始图像都归类到对应初始类别后,得到的若干更新后的初始类别记为若干第一类别。
[0007]可选的,所述获取每个第一类别的自编码网络的损失函数,包括的具体方法为:每个第一类别分别对应一个自编码网络和一个公共因子图像,自编码网络原始损失函数是输出结果与输入图像的均方差,将损失函数修改为输出结果与输入图像所属第一类别的公共因子图像的均方差,获得每个第一类别的自编码网络的损失函数。
[0008]可选的,所述获取每张初始图像所属第一类别对应的自编码网络中每个隐藏层的第一特征图像集,包括的具体方法为:所述自编码网络中的编码部分中有若干卷积层,每个卷积层分别输出一个特征图像,将相同特征图像大小的卷积层作为一个隐藏层,每张初始图像输入到对应第一类别的自编码网络中会得到每个隐藏层中包含的若干相同特征图像大小的第一特征图像,相同隐藏层中的第一特征图像记为第一特征图像集。
[0009]可选的,所述第一识别网络,具体的构造方法为:所述第一识别网络采用VGG

net网络结构,并且保证第一识别网络与所述自编码网络具有相同结构的卷积层和特征图像大小。
[0010]可选的,所述获取第三特征图像,并根据第三特征图像为第二识别网络分配每个卷积层的损失函数,包括的具体方法为:获取每张第二特征图像中每个像素值与特征匹配度的乘积,将每张第二特征图像的乘积结果按照原像素位置分布关系组合进行更新,记为对应的第三特征图像,在每个隐藏层中的每个卷积层添加卷积层的损失函数,所述卷积层的损失函数为对应的第三特征图像与第二特征图像的均方差,所有输入的初始图像在每个卷积层对应的第三特征图像与第二特征图像的均方差构成每个卷积层的损失函数,将添加卷积层的损失函数的第一识别网络作为第二识别网络。
[0011]本专利技术相较于现有技术的有益效果是:通过对农业场景分类,对不同第一类别分别进行因子分析得到每个第一类别的公共因子图像,提高得到的每种农业场景共性特征的纯度,有助于神经网络对共性特征进行更好的识别;通过自编码网络的损失函数的改进,得到第一识别网络中每张农业场景图像对应第二特征图像的特征匹配度,进而对第一识别网络的特征图像进行更新得到第二识别网络,有助于提高第二识别网络对不同农业场景的区分度,提高农业场景的识别精度和准确性。
附图说明
[0012]为了更清楚地说明本专利技术实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本专利技术的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
[0013]图1为本专利技术的一个实施例所提供一种基于神经网络和物联网的农业场景识别方法的流程示意图;图2为VGG

net的模型结构示意图;图3为自编码网络的模型结构示意图。
具体实施方式
[0014]下面将结合本专利技术实施例中的附图,对本专利技术实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本专利技术一部分实施例,而不是全部的实施例。基于本专利技术中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络和物联网的农业场景识别方法,其特征在于,该方法包括以下步骤:获取农业场景图像数据集及实际采集图像;对农业场景图像数据集中任意两张初始图像进行差分,获取到若干差分图像,计算每张差分图像的熵值并按照升序排列获取熵值序列,统计熵值序列中每个元素对应差分图像的第一相似数量,根据第一相似数量获取若干初始类别,根据初始图像间差分图像的熵值对未归入任意一个初始类别的初始图像进行归类,获取若干第一类别;利用因子分析获取每个第一类别的公共因子图像,根据公共因子图像获取每个第一类别的自编码网络的损失函数,将每个第一类别中的所有初始图像输入到对应的自编码网络中,对自编码网络进行训练,获取每张初始图像所属第一类别对应的自编码网络中每个隐藏层的第一特征图像集;将所有初始图像输入到第一识别网络中,获取每张初始图像在每个隐藏层中的第二特征图像集,根据每张初始图像在相同隐藏层的第一特征图像集和第二特征图像集之间的余弦相似度,获取第二特征图像集中每张第二特征图像的特征匹配度,根据特征匹配度及第二特征图像,获取第三特征图像,并根据第三特征图像为第二识别网络分配每个卷积层的损失函数,根据第二识别网络所有卷积层的损失函数对第二识别网络进行训练,获取训练好的第二识别网络;将实际采集图像输入到训练好的第二识别网络中,获取对实际采集图像的农业场景识别结果。2.根据权利要求1所述的一种基于神经网络和物联网的农业场景识别方法,其特征在于,所述统计熵值序列中每个元素对应差分图像的第一相似数量,包括的具体方法为:所述熵值序列中每个元素表示差分图像的熵值,每个元素对应差分图像表示小于等于元素对应熵值的差分图像,所述差分图像由任意两张初始图像作差得到,将差分图像对应的两张初始图像作为差分图像的初始图像集;在熵值序列中获取任意一个元素对应差分图像的所有初始图像集,将存在交集的初始图像集求并集得到初始图像合集,将与初始图像合集存在交集的初始图像集同样求并集得到新的初始图像合集,对所有初始图像集判断交集并得到若干初始图像合集,将不存在交集的初始图像集及所有初始图像合集作为第一图像集,第一图像集的数量记为每个元素对应差分图像的第一相似数量。3.根据权利要求2所述的一种基于神经网络和物联网的农业场景识别方法,其特征在于,所述获取若干初始类别,包括的具体方法为:熵值序列中随熵值元素的增大,每个元素对应差分图像的第一相似数量随之增大,当出现第一个第一相似数量大于第一预设阈值的元素时,将...

【专利技术属性】
技术研发人员:徐建娴夏智武余影星孙瀚乐世宏
申请(专利权)人:联通江苏产业互联网有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1