[发明专利]基于图像深度特征序列的堆肥腐熟判断方法

权利要求书

1.一种基于图像深度特征序列的堆肥腐熟判断方法，其特征在于包括以下步骤：

S1、提取t时刻堆肥表面图像数据；

S2、预处理，将堆肥表面图像数据进行图像去雾处理；

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；

S3中，将N幅已标记腐熟、未腐熟的去雾图像样本D₀送入CNN训练得到图像特征提取网络的各项参数；然后CNN用于腐熟判断过程的特征提取；CNN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384维向量为图像的最终特征即堆肥状态输入向量；

S4、基于循环神经网络RNN进行预测，t-5至t-1时刻图像特征及S3获得的t时刻堆肥图像特征作为输入量；

S4中，循环神经网络RNN包括三层：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藏层节点状态，由输出层做出预测输出堆肥是否腐熟的信息；其中隐藏层的状态存储了堆肥历史时刻的信息，挖掘出历史与当前时刻信息之间的关系，循环神经网络RNN的t时刻腐熟判断方法为：

RNN使用前向传播算法计算y_t实现腐熟判断，t时刻腐熟状态的预测输出y_t由时刻t-5起逐次向前传递计算得出，计算关系如下：

h_t＝σ(Ux_t+Wx_t-1+b)

其中，h_t是t时刻RNN模型的隐藏状态，460维；x_t是t时刻堆肥状态向量，384维；σ是tanh激活函数，b是460维线性关系偏置向量，U、W、V三矩阵是RNN的参数，U大小384*460，W大小460*460，V大小460*1，每个阶段共享；

t时刻模型输出O_t为：

O_t＝Vh_t+c

c是一维偏置量，t时刻预测输出y_t为：

y_t＝θ(O_t)

θ是softmax激活函数；

S5、输出判断结果。

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时刻堆肥表面图像数据：

R_tG_tB_t是图像RGB颜色矩阵I，拍摄时摄像头正对堆肥表面拍摄，距离堆肥表面1-6米，取拍摄图像正中间区域80*80像素，n＝80。

3.根据权利要求2所述的方法，其特征在于S2中，对R_tG_tB_t组成的颜色矩阵I，去雾过程如下：

a)、求取像素点最小值矩阵M：

b)、计算M中所有像素点的均值对M作均值滤波处理，得到M_ave；

c)、计算环境光值L：

其中调解量ρ取1.25；

d)、计算RGB三通道全局大气光值A：

e)、最终去雾图像为D：

4.根据权利要求1所述的方法，其特征在于S3中，将数据送入模型进行训练前，先对数据进行最小最大法归一化处理，将数据维度控制在[0.1，0.9]之间，归一化函数如下：

X_n＝(X_o-MIN(X))/(MAX(X)-MIN(X))

X_o是归一化前堆肥实时CNN的384维特征向量，X_n是归一化后堆肥实时CNN的384维特征向量；MIN()、MAX()计算各属性维度的最小和最大值。

5.根据权利要求1所述的方法，其特征在于S4中，所述循环神经网络RNN的训练过程为：将参数U、W、V、线性关系偏置向量b、一维偏置量c由反向传播算法通过梯度下降法一次次的迭代得到。