基于卷积神经网络的堆肥腐熟度预测
[目的]目前堆肥腐熟度主要采用复杂的化学、生物学方法进行判断,操作繁琐且效率低.卷积神经网络(convolutional neural network,CNN)模拟人类视觉,既可保留堆肥图像的颜色信息,也提取了轮廓、线条、粒度等更加具有代表性的特征,从而避免了因光照条件不同对堆肥腐熟度预测识别效果的影响.本文提出了通过堆肥图像判断堆肥腐熟度的方法,构建基于卷积神经网络的堆肥腐熟度预测模型,并验证了该模型进行堆肥腐熟度判断的准确度.[方法]供试堆肥样本采集自江苏、山东、浙江三省,堆肥原料分别为秸秆、尾菜和畜禽粪便,堆肥周期依次为50 d、45 d和60 d.在厂棚内的堆肥槽中,用海康威视摄像头(型号为C3W,焦段为广角,焦距2.8 mm,清晰度1080 p,夜间自动补光,摄像头距堆肥表面约1 m)拍摄不同腐熟时期的堆肥图像,图像格式为JPEG.分别取三种不同原料的堆肥图像样本构成三组图像数据集,将三种原料的图像按照尾菜:秸秆:畜禽粪便原料1:1:1构成第四组图像数据集.每组数据集中,80％ 的图像数据用于训练基于卷积神经网络模型,并建立预测模型参数.剩余20％ 的图像用于测试,验证模型的腐熟度预测效果.[结果]搭建的堆肥腐熟度预测模型由输入层、3层卷积层、3层池化层、2层全连接层和输出层构成.构建的腐熟度预测模型在秸秆、尾菜、畜禽粪便及三者堆肥混合图像数据集上的腐熟度预测平均准确率分别为98.7％、98.7％、98.8％ 和98.2％.与几种经典高效的图像特征提取、分类方法相比,较每个数据集上最优经典算法的平均准确率提升了3～14个百分点.通过CNN方法判断堆肥腐熟度,纹理特征比颜色特征更加有效.[结论]采用卷积神经网络的堆肥腐熟度预测模型能够提取堆肥图像外观特征,实现在可见光条件下直接通过堆肥图像准确、快速地识别堆肥腐熟度,可为堆肥企业生产实践提供指导.
堆肥、腐熟度、机器视觉、深度学习、卷积神经网络
25
TP3;TP1
国家重点研发计划2017YFD0800204
2019-12-31（万方平台首次上网日期，不代表论文的发表时间）
共12页
1977-1988
