[发明专利]用于灌溉装置的灌溉水压控制的神经网络的训练方法

说明书

本申请公开了一种用于灌溉装置的灌溉水压控制的神经网络的训练方法，其包括：获取训练图像，所述训练图像为待浇灌区域的图像；将所述训练图像通过编码器以获得训练特征向量，其中，所述编码器包括深度卷积神经网络；计算所述训练特征向量的正交化损失函数值，所述正交化损失函数值为所述训练特征向量与所述训练特征向量的转置的乘积与单位矩阵之间的均方差；将所述训练特征向量通过解码器以获得解码值，所述解码器包括多个全连接层，所述解码器中的最后一个全连接层的输出位为一；计算所述解码值与真实值之间的差值损失函数值；以及，基于所述差值损失函数值和所述正交化损失函数值，更新所述编码器和所述解码器的参数。

技术领域

本发明涉及深度学习和神经网络技术领域，且更为具体地，涉及一种用于灌溉装置的灌溉水压控制的神经网络的训练方法、基于深度神经网络的灌溉水压控制方法、用于灌溉装置的灌溉水压控制的神经网络的训练系统、基于深度神经网络的灌溉水压控制系统和电子设备。

背景技术

水在人类的生产和生活是必不可少的宝贵资源，但其自然存在的状态并不完全符合人类的需要。通过修建水利工程，可以控制水流，防止洪涝灾害，并进行水量的调节和分配，以满足人民生活和生产对水资源的需要。

在农业应用方面，水利工程用灌溉装置用于对作物进行灌溉作业，但是，当前的水利工程用灌溉装置不能很好地适应多地形进行灌溉作业，且对具有一定高度的作物进行灌溉时，也容易出现水压控制不当的问题。如果水压不足，则会导致灌溉范围变小，水资源利用不充分，而如果水压过大，也会造成水资源的浪费和效率下降。

因此，期待一种用于灌溉装置的灌溉水压控制的技术方案。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

深度学习以及神经网络的发展为灌溉装置的灌溉水压控制提供了新的解决思路和方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于灌溉装置的灌溉水压控制的神经网络的训练方法、基于深度神经网络的灌溉水压控制方法、用于灌溉装置的灌溉水压控制的神经网络的训练系统、基于深度神经网络的灌溉水压控制系统和电子设备，其基于深度学习的计算机视觉的方法来进行灌溉装置的灌溉水压的控制。具体地，在对用于灌溉装置的灌溉水压控制的神经网络的训练过程中，为了尽可能地去除特征向量中的无用信息，在对编码器进行训练时，通过构造正交化损失函数来对编码器的参数进行更新，进而增加模型的准确性。

根据本申请的一个方面，提供了一种用于灌溉装置的灌溉水压控制的神经网络的训练方法，其包括：

获取训练图像，所述训练图像为待浇灌区域的图像；

将所述训练图像通过编码器以获得训练特征向量，其中，所述编码器包括深度卷积神经网络，所述深度卷积神经网络的最后一层为全连接层，所述训练特征向量由所述全连接层输出；

计算所述训练特征向量的正交化损失函数值，所述正交化损失函数值为所述训练特征向量与所述训练特征向量的转置的乘积与单位矩阵之间的均方差；

将所述训练特征向量通过解码器以获得解码值，所述解码器包括多个全连接层，所述解码器中的最后一个全连接层的输出位为一；

计算所述解码值与真实值之间的差值损失函数值；以及

基于所述差值损失函数值和所述正交化损失函数值，更新所述编码器和所述解码器的参数。

在上述用于灌溉装置的灌溉水压控制的神经网络的训练方法中，将所述训练图像通过编码器以获得训练特征向量，包括：将所述训练图像通过所述深度卷积神经网络中的多层卷积层、多层池化层和多层激活层以获得卷积特征图；以及，将所述卷积特征图通过所述深度卷积神经网络中的所述全连接层，以获得所述训练特征向量。