【目的】目前堆肥腐熟度主要采用復(fù)雜的化學、生物學方法進行判斷,操作繁瑣且效率低。卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)模擬人類視覺,既可保留堆肥圖像的顏色信息,也提取了輪廓、線條、粒度等更加具有代表性的特征,從而避免了因光照條件不同對堆肥腐熟度預(yù)測識別效果的影響。本文提出了通過堆肥圖像判斷堆肥腐熟度的方法,構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)的堆肥腐熟度預(yù)測模型,并驗證了該模型進行堆肥腐熟度判斷的準確度�！痉椒ā抗┰嚩逊蕵颖静杉越K、山東、浙江三省,堆肥原料分別為秸稈、尾菜和畜禽糞便,堆肥周期依次為50 d、45 d和60 d。在廠棚內(nèi)的堆肥槽中,用�？低晹z像頭(型號為C3W,焦段為廣角,焦距2.8 mm,清晰度1080 p,夜間自動補光,攝像頭距堆肥表面約1 m)拍攝不同腐熟時期的堆肥圖像,圖像格式為JPEG。分別取三種不同原料的堆肥圖像樣本構(gòu)成三組圖像數(shù)據(jù)集,將三種原料的圖像按照尾菜∶秸稈∶畜禽糞便原料1∶1∶1構(gòu)成第四組圖像數(shù)據(jù)集。每組數(shù)據(jù)集中,80%的圖像數(shù)據(jù)用于訓(xùn)練基于卷積神經(jīng)網(wǎng)絡(luò)模型,并建立預(yù)測模型參數(shù)。剩余20%的圖像用于測試,驗證模型的腐熟...

【文章頁數(shù)】：12 頁

【部分圖文】：

圖３－２堆肥表面典型遮擋物??

圖片、以及存放在ｔｘｔ文件中的數(shù)據(jù)??集劃分規(guī)則，其中標注文件中存放了每一個樣本圖片中遮擋物的坐標、類別還有有效??的堆肥區(qū)域及其腐熟情況，而通過ｔｘｔ文件在堆肥數(shù)據(jù)集中隨機�。担埃サ臄�(shù)據(jù)作為訓(xùn)??練集，�。常埃サ臄�(shù)據(jù)作為驗證集，將剩下２０％的堆肥圖像數(shù)據(jù)單獨預(yù)留出來作為測試??....

圖４－７感受野示意圖??－

基于深度學習的堆肥表面遮擋物檢測與腐熟度預(yù)測研宄??■■■■??■■■＿?畫??（ａ）?（ｂ）??圖４－６不同深度的特征圖??Ｆｉｇ．４－６?Ｆｅａｔｕｒｅ?ｍａｐｓ?ａｔ?ｄｉｆｆｅｒｅｎｔ?ｄｅｐｔｈｓ??卷積神經(jīng)網(wǎng)絡(luò)由于卷積和池化操作，網(wǎng)絡(luò)越深，提取的特征圖越來越小，深層網(wǎng)....

圖４－６不同深度的特征圖??Ｆｉｇ．４－６?Ｆｅａｔｕｒｅ?ｍａｐｓ?ａｔ?ｄｉｆｆｅｒｅｎｔ?ｄｅｐｔｈｓ??卷積神經(jīng)網(wǎng)絡(luò)由于卷積和池化操作，網(wǎng)絡(luò)越深，提取的特征圖越來越小，深層網(wǎng)??

基于深度學習的堆肥表面遮擋物檢測與腐熟度預(yù)測研宄??■■■■??■■■＿?畫??（ａ）?（ｂ）??圖４－６不同深度的特征圖??Ｆｉｇ．４－６?Ｆｅａｔｕｒｅ?ｍａｐｓ?ａｔ?ｄｉｆｆｅｒｅｎｔ?ｄｅｐｔｈｓ??卷積神經(jīng)網(wǎng)絡(luò)由于卷積和池化操作，網(wǎng)絡(luò)越深，提取的特征圖越來越小，深層網(wǎng)....

本文編號：3927758