[发明专利]一种基于卷积神经网络的金针菇不同生长期智能补光的装置与方法

权利要求书

1.一种基于卷积神经网络的金针菇不同生长期智能补光的装置，其特征在于：包括承载装置、摄像头、全光谱LED灯、计算机、金针菇培养基和塑料管，所述承载装置包括横梁支架和防水保护箱，所述横梁支架固定在补光室顶部，所述防水保护箱通过绳子连接到横梁中央位置，用于防止摄像头进水并帮助摄像头数据线承载重量，所述摄像头固定放置于防水箱中，所述摄像头镜头对准金针菇培养基区域的中央，所述全光谱LED灯安放在横梁的四个角，用于在摄像头采集样本照片时提供白光和判断生长期后提供有利于金针菇生长的有色光。所述计算机与摄像头和全光谱LED灯相连，用于处理和存储摄像头采集到的图像和控制全光谱LED灯的颜色，所述金针菇培养基放置于四盏全光谱LED灯下方，用于金针菇的培养，所述塑料管用于保护全光谱LED灯电源线和摄像头与计算机之间的数据传输线。

2.根据权利要求1所述的基于卷积神经网络的金针菇不同生长期智能补光的装置，其特征在于：四盏全光谱LED灯可以由计算机进行控制来调节灯的颜色，颜色的调节范围是红色、橙色、黄色、绿色、蓝靛色和紫色。

3.根据权利要求1所述的基于卷积神经网络的金针菇不同生长期智能补光的装置，其特征在于：在摄像头采集图像时，全光谱LED灯能打开白光有利于保证采集到的图像的质量。

4.根据权利要求1所述的基于卷积神经网络的金针菇不同生长期智能补光的装置，其特征在于：防水保护箱最底面为高清透明玻璃，其余五面皆为不易变形的且重量较轻的木板，从而降低了承载装置的负重，摄像头可以透过高清透明玻璃窗对底部金针菇培养区域进行图像采集。

5.一种基于卷积神经网络的金针菇不同生长期智能补光的方法，其特征在于包括以下步骤：

(1)通过收集大量的金针菇不同生长期的图像，将图像交由众多有经验的金针菇种植专家标注分类，形成训练CNN模型的训练数据集；

(2)利用上一步得到的标注好的数据作为训练样本集，输入到caffe深度学习框架进行训练，并得到金针菇不同生长期分类模型；

(3)通过计算机发出指令控制全光谱LED灯显示白光，并发出指令让摄像头对金针菇培养基进行拍照取样并上传至计算机(每隔10小时取样一次)；

(4)根据训练好的CNN模型对摄像头采取的样本照片进行分类，判断该金针菇图像样本所属的生长期；

(5)计算机根据上一步获得的金针菇的生长期，来控制全光谱LED灯亮起有利于金针菇该生长期生长的有色光，满足金针菇对光质的要求。

6.根据权利要求5所述的基于卷积神经网络的金针菇不同生长期智能补光的方法，其特征在于：所述步骤(1)中的CNN模型的训练包括以下步骤：

(6a)选取的训练样本数据必须是严格人工记录生长期，并经过准确标注的；

(6b)通过将所有标注好的训练数据输送到卷积神经网络的训练器中，CNN单神经元的权重计算公式如下；

其中W为权重，b为偏移量，向量x由输入的待判定金针菇图像样本经数字化后得到。

7.根据权利要求5所述的基于卷积神经网络的金针菇不同生长期智能补光的方法，其特征在于：所述步骤(3)摄像头取样具体实施步骤如下：

(7a)计算机程序设置时间任务时间间隔10小时；

(7b)计算机发出指令，令全光谱LED灯打开白光照亮金针菇培养基区域；

(7c)为了防止摄像头拍照时全光谱LED灯还没有来得及亮起，所以在计算机发出令全光谱LED灯亮起白色光指令之后，间隔10s，再向摄像头发出拍照指令；

(7d)摄像头拍照后，照片通过数据线传回计算机。

8.根据权利要求5所述的基于卷积神经网络的金针菇不同生长期智能补光的方法，其特征在于：所述步骤(4)中生长期判别包括以下步骤：

(8a)将测试集样本代入建好的卷积神经网络训练模型；

(8b)将卷积神经网络预测模型结果与生长周期对光质的要求，控制全光谱LED灯亮起需要的颜色。

9.根据权利要求5所述的基于卷积神经网络的金针菇不同生长期智能补光的方法，其特征在于：所述步骤(5)中提到的金针菇对光质的要求具体如下：

(9a)菌丝生长阶段，红、黄色光对菌丝生长有促进作用，透明的光则具有抑制作用；

(9b)子实体生长阶段，蓝色光对子实体原基分化具有较强的诱导作用，白色光作用其次，红色光作用最差。