[实用新型]一种基于高光谱的病害样本分析设备

说明书

本实用新型涉及病害样本分析，具体涉及一种基于高光谱的病害样本分析设备，包括工作台、嵌于工作台上用于放置待检样本的检测台以及固定于高光谱摄像头底部的摄像头支架，工作台上位于检测台外部设有环形滑槽，环形滑槽内部设有沿环形滑槽来回移动的电动小车，电动小车通过支撑杆与安装座固定，安装座内壁之间转动连接有转轴，安装座侧面固定有驱动电机，驱动电机与伸入安装座内部的蜗杆固定，转轴上固定有与蜗杆配合的涡轮，转轴上固定有转动座；本实用新型提供的技术方案能够有效克服现有技术所存在的病害识别效率较低、病害识别准确率较低的缺陷。

技术领域

本实用新型涉及病害样本分析，具体涉及一种基于高光谱的病害样本分析设备。

背景技术

农业病害防治工作的首要步骤是对病害种类进行快速识别。现有技术通常由种植人员按指示采集样本，速递到分析机构进行分析。然而传统的人工分析方法速度慢、效率低，当病害面积较大时，无法进行快速有效的分析。

ChannelNormalization(通道归一化)是一项用于人工智能神经网络训练及推理的技术，可以大幅减少计算量，加速实现过程。它的核心思想就是将用于训练或推理的数据按照每个通道进行归一化。举例来说：照片文件一般分为红黄蓝三色通道，通道归一化就是将一个批次里的所有红色、黄色、蓝色数据分别归一化，但是红色、黄色、蓝色数据之间不进行任何计算。Channel normalization是在2019年由下面这篇文章提出来的：arXiv:1907.09539[cs.LG].

ResNet残差网络是为了解决深度神经网络(DNN)隐藏层过多时出现网络退化问题而提出来的。它的主要思想是建立跳跃连接，在普通多层神经网络的首尾处再建立一条连接，这样信息流在神经网络的传递中就可以通过主通道传递重要信息，也可以从旁通道传递残差信息，从而保证信息传递的完整性。Resnet是在2015年由下面这篇文章提出来的：

He,Kaiming；Zhang,Xiangyu；Ren,Shaoqing；Sun,Jian(2015-12-10).DeepResidual Learning for Image Recognition.arXiv:1512.03385.

为了快速对病害种类进行识别，在此设计了一种基于高光谱的病害样本分析设备，将高光谱采集技术与人工智能深度学习相结合，有效提高病害检测的准确率，以提升农业生产效率。

实用新型内容

(一)解决的技术问题

针对现有技术所存在的上述缺点，本实用新型提供了一种基于高光谱的病害样本分析设备，能够有效克服现有技术所存在的病害识别效率较低、病害识别准确率较低、不便于安装更换高光谱摄像头的缺陷。

(二)技术方案

为实现以上目的，本实用新型通过以下技术方案予以实现：

一种基于高光谱的病害样本分析设备，包括工作台、嵌于工作台上用于放置待检样本的检测台以及固定于高光谱摄像头底部的摄像头支架，所述工作台上位于检测台外部设有环形滑槽，所述环形滑槽内部设有沿环形滑槽来回移动的电动小车；

所述电动小车通过支撑杆与安装座固定，所述安装座内壁之间转动连接有转轴，所述安装座侧面固定有驱动电机，所述驱动电机与伸入安装座内部的蜗杆固定，所述转轴上固定有与蜗杆配合的涡轮，所述转轴上固定有转动座；

所述转动座与连接座固定，所述连接座上开设有容纳槽，所述容纳槽内壁通过第二弹簧与限位块相连，所述限位块底部固定有伸出连接座底部的拉杆，所述摄像头支架上开设有与限位块卡接的安装槽；

还包括用于对高光谱摄像头收集的高光谱信息进行分析处理的工业计算机。