深度學(xué)習(xí)在花卉養(yǎng)護(hù)技術(shù)中的應(yīng)用①

黃宏梅,陸衛(wèi)忠,2,楊 茹,曹 燕

1(蘇州科技大學(xué) 電子與信息工程學(xué)院,蘇州 215009)2(江蘇省建筑智慧節(jié)能重點(diǎn)實(shí)驗(yàn)室,蘇州 215009)

1 引言

隨著城市建設(shè)的快速發(fā)展,城市中灰色水泥建筑物越來越多,綠化面積比例越來越低.而隨著生活水平的提高,人們開始追求舒適健康的工作、生活環(huán)境.如,在辦公室中放置一些盆栽花卉既可以通過光合作用吸收二氧化碳,凈化室內(nèi)空氣,也可以陶冶情操.然而,由于大多數(shù)人缺乏專業(yè)的花卉養(yǎng)護(hù)技能,需要聘請(qǐng)專業(yè)人員幫助養(yǎng)護(hù),導(dǎo)致花卉的養(yǎng)護(hù)成本很高.

隨著信息技術(shù)和自動(dòng)技化術(shù)的不斷發(fā)展,國內(nèi)外花卉自動(dòng)化養(yǎng)護(hù)技術(shù)也逐步發(fā)展起來.文獻(xiàn)[1]中介紹Picent R 發(fā)明了一種智能花盆,這種花盆含有可以監(jiān)控植物溫濕度的傳感裝置,當(dāng)有人靠近時(shí),它會(huì)發(fā)出聲音來表示自己的需求.文獻(xiàn)[2]中介紹Mizuchi I 研發(fā)了一種叫做“Plantroid”的花盆機(jī)器人,會(huì)按照需求自動(dòng)調(diào)節(jié)植物的溫度和光照,從而使得植物健康生長.2011 年楊守健等[3]研制了一種簡易土壤濕度檢測(cè)裝置對(duì)土壤濕度進(jìn)行定時(shí)檢測(cè),根據(jù)土壤狀況和植物生長所需的濕度的不同決定對(duì)植物的澆水量.張兆朋[4]設(shè)計(jì)了一種家庭智能澆花器,實(shí)現(xiàn)了花卉的自動(dòng)澆花,并可以對(duì)不同的花卉實(shí)施不同的控制方式.2017 年趙宏才等[5]研究出了對(duì)黃瓜種植環(huán)境參數(shù)的自動(dòng)監(jiān)測(cè)方法,實(shí)現(xiàn)了黃瓜種植的自動(dòng)化.可以看出智能花卉養(yǎng)護(hù)技術(shù)已經(jīng)有了很大的進(jìn)展,但并未能徹底地解決花卉養(yǎng)護(hù)過程中的人工干預(yù),即無法完全實(shí)現(xiàn)花卉的自動(dòng)化養(yǎng)護(hù).

隨著人工智能技術(shù)的不斷發(fā)展,構(gòu)建深層網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行多層次特征學(xué)習(xí)的人工智能方法在大規(guī)模圖片分類領(lǐng)域取得了很大的成功[6].本文嘗試將深度學(xué)習(xí)應(yīng)用在花卉生長情況的圖像識(shí)別中,使其突破只能依靠人工觀測(cè)判斷花卉生長狀況的限制,通過花卉圖像實(shí)現(xiàn)對(duì)花卉生長情況的識(shí)別,從而實(shí)現(xiàn)花卉養(yǎng)護(hù)過程的自動(dòng)化.然而,花卉的一種簡單表象特征往往有可能是由于多種內(nèi)因?qū)е?僅根據(jù)圖像分類得到表象特征不足以準(zhǔn)確地判斷花卉生長的真實(shí)情況.

因此,本文提出一種花卉生長狀況的識(shí)別方法,來解決僅依靠圖像分類的判斷準(zhǔn)確率不高的問題.該方法采用一個(gè)具有兩個(gè)輸入通道的卷積神經(jīng)網(wǎng)絡(luò),其中第一個(gè)輸入通道是原始花卉圖像中提取的特征圖像,第二個(gè)輸入通道是傳感器采集的各生長環(huán)境數(shù)據(jù),兩個(gè)通道構(gòu)成分類器的輸入,并對(duì)構(gòu)建的模型進(jìn)行驗(yàn)證.

2 花卉生長狀況的識(shí)別方法

2.1 數(shù)據(jù)采集與特征選取

花卉是有生命的植物體,它的生長狀況總是伴隨著生長環(huán)境的變化而變化,要養(yǎng)好花卉就必須營造花卉生長發(fā)育所必須的環(huán)境條件.本文以吊蘭為例,研究識(shí)別其生長狀況的方法.吊蘭喜半陰,喜濕潤,且冬季容易凍壞,當(dāng)室內(nèi)環(huán)境參數(shù)發(fā)生改變的時(shí)候,它的生長狀況也會(huì)發(fā)生相應(yīng)的改變.在辦公室測(cè)試環(huán)境下,采樣數(shù)據(jù)為花卉的圖像,室內(nèi)空氣溫度(單位:℃)、濕度(單位:RH)、花卉土壤濕度(單位:RH)以及光照度(單位:klx),采樣方法為每天8 點(diǎn)以及18 點(diǎn)各進(jìn)行一次采樣,連續(xù)兩個(gè)月,共1200 條記錄.

2.1.1 花卉圖像樣本分析

吊蘭的生長狀況發(fā)生變化的時(shí)候,其葉片也會(huì)發(fā)生相應(yīng)的變化.上述共4 種環(huán)境參數(shù)可對(duì)應(yīng)8 種類別:

(1)空氣溫度過高,葉片會(huì)由綠變黃;

(2)空氣溫度過低,葉子開始變軟,從根部向葉尖爛葉,老葉整體開始由綠變黃再變枯;

(3)空氣濕度過高,由于吊蘭喜濕,所以葉片表象相對(duì)比較正常;

(4)空氣濕度過低,葉片表面略泛白,葉尖出現(xiàn)輕微變枯;

(5)光照過強(qiáng),葉子由綠變黃,葉尖變枯,表面略泛白;

(6)光照過低,葉片顏色變淡,葉子主干纖長且易斷;

(7)土壤濕度過高,葉片會(huì)從根部開始發(fā)黃;

(8)土壤濕度過低,葉尖會(huì)發(fā)黃變窄,葉片卷曲.

圖1 是一組花卉的表象圖片,圖1(a)和圖1(b)分別是吊蘭環(huán)境溫度過高和溫度過低的圖片;圖1(c)和圖1(d)分別是吊蘭空氣濕度過高和空氣濕度過低的圖片;圖1(e)和圖1(f)分別是吊蘭光照強(qiáng)過強(qiáng)和過弱的圖1(g)和圖1(h)分別是吊蘭環(huán)境土壤濕度過高和濕度過低的圖片.

2.1.2 圖像樣本誤差分析

從花卉的圖像樣本中可以了解當(dāng)前花卉的表象特征,然而花卉的一種簡單表象特征往往有可能是由于多種內(nèi)因?qū)е?比如,當(dāng)?shù)跆m的葉子變成黃色時(shí),可能導(dǎo)致這一表象特征的因素有空氣溫度過高、光照過強(qiáng)以及土壤濕度過低,所以,僅僅根據(jù)圖像樣本中所得到的表象特征不足以準(zhǔn)確地分辨出花卉生長的真實(shí)情況.因此,考慮通過結(jié)合花卉環(huán)境數(shù)據(jù)來幫助準(zhǔn)確分辨出花卉的生長狀況.

2.1.3 環(huán)境數(shù)據(jù)

環(huán)境數(shù)據(jù)是影響花卉生長的重要因素.可以通過空氣溫濕度傳感器、光照傳感器以及土壤濕度傳感器檢測(cè)得到當(dāng)前花卉的生長環(huán)境,本實(shí)驗(yàn)對(duì)吊蘭的生長環(huán)境進(jìn)行了檢測(cè),檢測(cè)得到的部分花卉生長環(huán)境數(shù)據(jù)如表1 所示,其中,表中T代表空氣溫度,單位為℃,H1代表空氣濕度,單位為RH,L代表光照強(qiáng)度,單位為klx,H2代表土壤濕度,單位為RH.然而,研究表明,當(dāng)空氣溫度達(dá)到15～25 ℃,空氣濕度達(dá)到60% RH,光照度達(dá)到65 klx,以及土壤濕度達(dá)到65% RH 時(shí),吊蘭才可以到達(dá)最佳的生長狀態(tài),我們將這一數(shù)據(jù)作為判斷吊蘭生長狀況的標(biāo)準(zhǔn).將檢測(cè)到的環(huán)境數(shù)據(jù)與標(biāo)準(zhǔn)值進(jìn)行比較,即可對(duì)比得出當(dāng)前吊蘭的實(shí)時(shí)生長狀況.

圖1 花卉生長狀況圖

表1 檢測(cè)的花卉環(huán)境數(shù)據(jù)

2.2 算法模型

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)已在圖像處理領(lǐng)域得到廣泛應(yīng)用[7,8].卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)是由輸入層、卷積層、池化層、全連接層以及輸出層構(gòu)成[9].卷積層和池化層一般會(huì)有若干個(gè),采用卷積層和池化層交替設(shè)置,即一個(gè)卷積層連接一個(gè)池化層,池化層再連接一個(gè)卷積層.卷積神經(jīng)網(wǎng)絡(luò)中的一個(gè)卷積層,由卷積操作(convolution)、非線性響應(yīng)操作(relu)以及池化操作(pooling)組成.卷積操作中通過不同的濾波器可以得到不同的輸出數(shù)據(jù),如顏色、形狀等圖像的特征信息.再通過非線性響應(yīng)操作以及池化操作獲得最大化的特征[10].

本文考慮將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到花卉生長狀況的識(shí)別技術(shù)中.然而,花卉的某些表象特征是由于不同的環(huán)境因素造成,如果僅依靠花卉生長狀況圖片進(jìn)行分類,很有可能出現(xiàn)判別失誤的情況.所以,本文設(shè)計(jì)了一種由環(huán)境數(shù)據(jù)來輔助的具有兩個(gè)輸入通道的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像分類,提高判別的準(zhǔn)確率,從而能更好地判別花卉當(dāng)前的生長狀況.因此,我們?cè)O(shè)計(jì)如下的環(huán)境數(shù)據(jù)輔助網(wǎng)絡(luò),模型框架如圖2 所示,將圖片通過卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,然后將傳感器實(shí)時(shí)采集到的數(shù)據(jù)進(jìn)行評(píng)估得到的結(jié)果與卷積神經(jīng)網(wǎng)絡(luò)分類得到的分類結(jié)果結(jié)合,再連接起來進(jìn)行重新分類,分類可以得到8 種類別,以及它們的對(duì)應(yīng)輸出關(guān)系如表2 所示,即,分別為00,01,10,11,20,21,30,31 這8 個(gè)類別.

圖2 方法模型框架

表2 生長類別輸出對(duì)應(yīng)關(guān)系表

2.3 算法設(shè)計(jì)

該算法分為兩個(gè)階段,第1 個(gè)階段為前向傳播過程,第2 個(gè)階段為反向傳播過程.

1)正向傳播過程

在這個(gè)階段,輸入的信息經(jīng)過逐層變換,傳輸?shù)捷敵鰧?主要是做前向的特征提取.即,從花卉樣本圖片中取出一個(gè)樣本輸入到網(wǎng)絡(luò)中,得到經(jīng)過逐層變化的輸出值,也就是實(shí)際值,并同時(shí)獲取期望得到的樣本輸出值,比較實(shí)際輸出值與期望輸出值,如果實(shí)際輸出值符合期望值,則輸出樣本的輸出結(jié)果,否則,進(jìn)入到下一個(gè)階段.

2)反向傳播過程

卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)一樣,通過反向誤差傳播更新每層神經(jīng)元的參數(shù),通過迭代不斷優(yōu)化神經(jīng)網(wǎng)絡(luò)的各個(gè)權(quán)值,使得神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值能夠與實(shí)際標(biāo)簽值最接近[11-13].反向傳播網(wǎng)絡(luò)是最常用的一種誤差最小化的優(yōu)化方法,通過求解正向輸出標(biāo)簽值與是假標(biāo)簽的平方誤差作為更新參數(shù)的策略.假設(shè)一共有c個(gè)類別、N個(gè)樣本,其中表示實(shí)際標(biāo)簽值,表示神經(jīng)網(wǎng)絡(luò)輸出的標(biāo)簽值,那么可以用式(1)表示平方誤差代價(jià)函數(shù).

為了更新權(quán)值,根據(jù)神經(jīng)網(wǎng)絡(luò)的正向傳播[14,15]可知,第1 層的神經(jīng)網(wǎng)絡(luò)的權(quán)值 ωt和bt可以通過式(2)計(jì)算得出.

通過誤差E的變化來求解參數(shù) ωt和偏置bt,采用最常見的隨機(jī)梯度下降法,首先對(duì)bt求解偏導(dǎo)數(shù):

然后根據(jù)式(2)不斷反向傳播,就可以將誤差傳播到最底層,根據(jù)式(2)和式(3)可以得出第l層的誤差變化率 δt:

將l+1層的誤差不斷傳播到1 層,最終傳播到第一個(gè)卷積層.結(jié)合上面的即可求出誤差E與權(quán)重 ωt之間的導(dǎo)數(shù):

這樣每一層的權(quán)值 ωt和偏置bt都可以通過誤差E偏導(dǎo)數(shù)不斷迭代更新,直到獲得誤差最小的權(quán)值,完成卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,該算法流程如圖3 所示.

圖3 算法訓(xùn)練流程圖

2.4 算法實(shí)現(xiàn)

首先,將對(duì)花卉圖像樣本進(jìn)行初始化,然后傳送到卷積層和池化層,進(jìn)行特征提取;接著將圖像特征結(jié)合環(huán)境數(shù)據(jù)輸入到相應(yīng)的全連接層,再通過分類器將其從傳輸?shù)捷敵鰧?然后將輸出值與期望值做比較,直至兩值之間的誤差值達(dá)到一定的閾值,則可得到我們想要的輸出結(jié)果[16,17].

基于深度學(xué)習(xí)的花卉生長狀態(tài)識(shí)別網(wǎng)絡(luò)的停止條件為如下兩個(gè)條件之一:

1)實(shí)際輸出與期望輸出的誤差值達(dá)到一定值;

2)訓(xùn)練次數(shù)達(dá)到預(yù)先設(shè)置好的最大訓(xùn)練次數(shù).

若滿足條件則可以得到花卉圖片所對(duì)應(yīng)的相應(yīng)類別,具體見算法1.

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)設(shè)備

本文采用基于CMOS 的圖像采集設(shè)備來,DTH11數(shù)字溫濕度傳感器,TSL2561 光強(qiáng)傳感器及SM2801BD型土壤濕度傳感器搭建形成一個(gè)花卉環(huán)境監(jiān)測(cè)系統(tǒng),如圖4 所示,來實(shí)現(xiàn)花卉環(huán)境數(shù)據(jù)的采集.將實(shí)時(shí)的環(huán)境數(shù)據(jù)經(jīng)過處理后,輸入到訓(xùn)練好的傳感器網(wǎng)絡(luò)輔助的卷積神經(jīng)網(wǎng)絡(luò)中,即可以獲得當(dāng)前花卉的生長狀態(tài),然后根據(jù)輸出的花卉生長狀態(tài)來決定花卉生長環(huán)境的控制策略.

?

圖4 監(jiān)測(cè)系統(tǒng)框架圖

3.2 數(shù)據(jù)預(yù)處理

3.2.1 圖像數(shù)據(jù)預(yù)處理

(1)數(shù)據(jù)集擴(kuò)充

在訓(xùn)練圖像識(shí)別的深度神經(jīng)網(wǎng)絡(luò)時(shí),需要使用大量的訓(xùn)練數(shù)據(jù),才會(huì)使網(wǎng)絡(luò)得到更好的性能,如提高網(wǎng)絡(luò)的分類準(zhǔn)確率,防止過擬合等[18].獲取更多的訓(xùn)練樣本是一種理想的方法,但這種方法的代價(jià)很大,在實(shí)踐中常常難以達(dá)到.而另一種方法則也能夠獲得類似的效果,那就是人為擴(kuò)展訓(xùn)練數(shù)據(jù)[19,20].人為擴(kuò)展圖像數(shù)據(jù)的常用方法有圖像旋轉(zhuǎn)、轉(zhuǎn)換、扭曲等.選取圖像旋轉(zhuǎn)的方式時(shí),太小角度的旋轉(zhuǎn)可能不會(huì)對(duì)圖像造成變化,角度太大又可能改變圖片的性質(zhì)(脫離數(shù)據(jù)集),因此選取了6 個(gè)“合適”的角度來對(duì)圖像進(jìn)行旋轉(zhuǎn)操作,即采用原圖、垂直鏡像、逆時(shí)針旋轉(zhuǎn)90°、隨機(jī)裁剪、水平鏡像以及順時(shí)針旋轉(zhuǎn)90°這6 個(gè)角度,如圖5所示.經(jīng)過處理以后,原始數(shù)據(jù)集擴(kuò)展成了原來的5 倍,共6000 條數(shù)據(jù).

(2)圖像數(shù)據(jù)準(zhǔn)備

卷積神經(jīng)網(wǎng)絡(luò)中含有全連接層的網(wǎng)絡(luò)輸入數(shù)據(jù)的大小是固定的,所以必須實(shí)現(xiàn)固定輸入圖像的大小.然而在圖像統(tǒng)一大小的過程中會(huì)有縮放,因此圖像會(huì)扭曲,為盡量避免模型受到無關(guān)因素的干擾,所以本文通過邊界填充或剪裁的方法來減少扭曲或失真.因此,本文將采集到的花卉圖片數(shù)據(jù)統(tǒng)一處理為64×64 大小的圖片.同時(shí),由于花卉的生長狀況共有8 種情況(空氣溫度過高或過低、空氣濕度過高或過低、光照強(qiáng)度過強(qiáng)或過弱、土壤濕度過高或過低),本文將統(tǒng)一處理完的圖像數(shù)據(jù)分為8 組分別代表8 種不同的生長狀況.

3.2.2 傳感器數(shù)據(jù)預(yù)處理

對(duì)應(yīng)每一個(gè)花卉圖像,同時(shí)通過空氣溫濕度傳感器、光照傳感器及土壤濕度傳感器獲取一組花卉環(huán)境數(shù)據(jù),可以表示為(w,s,g,t),這組四維的環(huán)境數(shù)據(jù)在空氣溫濕度、光照度及土壤濕度4 個(gè)方面對(duì)當(dāng)前花卉的生長狀況進(jìn)行了評(píng)價(jià).采用貝葉斯估計(jì),多貝葉斯估計(jì)將每一個(gè)傳感器作為一個(gè)貝葉斯估計(jì),將各個(gè)單獨(dú)傳感器的關(guān)聯(lián)概率分布合成一個(gè)聯(lián)合的后驗(yàn)的概率分布函數(shù),通過使用聯(lián)合分布函數(shù)的似然函數(shù)為最小,提供多傳感器信息的最終融合值.本文設(shè)置當(dāng)前最佳環(huán)境數(shù)據(jù)為(wbest,sbest,gbest,tbest),將最終融合值與其做比較從而提供整個(gè)環(huán)境的一個(gè)特征描述,即可以獲取傳感器數(shù)據(jù)對(duì)當(dāng)前花卉生長狀況的評(píng)價(jià)狀況.

3.3 傳感器輔助網(wǎng)絡(luò)結(jié)構(gòu)

花卉生長狀況的識(shí)別方法由一般卷積神經(jīng)網(wǎng)絡(luò)和傳感器采集數(shù)據(jù)分支網(wǎng)絡(luò)組成.本文嘗試了3 種不同層次的網(wǎng)絡(luò)(如圖6 所示),它們分別使用6 層、12 層以及14 層的卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)從圖像輸入中提取特征.在經(jīng)過多層卷積層和池化層之后,圖像輸入被轉(zhuǎn)換成具有長度為128 的圖像矢量,這是從圖像中提取的一組特征.同時(shí),與圖像對(duì)應(yīng)的4 維傳感器評(píng)價(jià)情況通過完全連接層,構(gòu)成長度為4 的環(huán)境數(shù)據(jù)向量,然后將這兩個(gè)向量連接成一個(gè)長度為132 的新向量,并最終完全連接到一個(gè)分類器.所有權(quán)重都是通過反向傳播算法進(jìn)行訓(xùn)練獲得的.

圖5 花卉樣本預(yù)處理圖

3.4 結(jié)果與分析

對(duì)于該模型,網(wǎng)絡(luò)在Tensorflow 環(huán)境中進(jìn)行訓(xùn)練,在訓(xùn)練過程中,隨機(jī)梯度下降(SGD)算法的批量大小設(shè)置為256,最大迭代次數(shù)設(shè)置為200,學(xué)習(xí)率初始值為0.01,如果總損失沒有下降,自動(dòng)下降1/10 直到0.000 01.當(dāng)前花卉的圖像、室內(nèi)溫度、相對(duì)濕度、土壤濕度、以及光照度等共5 個(gè)參數(shù),對(duì)應(yīng)于示例子網(wǎng)的5 個(gè)輸入,而當(dāng)前花卉的生長狀況對(duì)應(yīng)每個(gè)輸出.數(shù)據(jù)集中以4800 條樣本數(shù)據(jù)作為網(wǎng)絡(luò)的訓(xùn)練樣本,1200 條數(shù)據(jù)作為測(cè)試樣本.樣本隨機(jī)分為5 組,大小為1200,每個(gè)獨(dú)立應(yīng)用5 次,并進(jìn)行5 次交叉驗(yàn)證.每次訓(xùn)練時(shí),一組尚未被選中的組被選作驗(yàn)證組,其余組成訓(xùn)練組.根據(jù)表3 的結(jié)果,我們得出結(jié)論:網(wǎng)絡(luò)越深,性能就越好.然而,網(wǎng)絡(luò)越深相應(yīng)的時(shí)間代價(jià)也越大,我們要根據(jù)實(shí)際情況選擇適合的深度.

同時(shí),我們從網(wǎng)絡(luò)中減少了傳感器數(shù)據(jù)通道,并進(jìn)行與上述相同的實(shí)驗(yàn).我們的網(wǎng)絡(luò)和一般CNN 之間的結(jié)果顯示在表3 中.這表明環(huán)境數(shù)據(jù)確實(shí)有助于分類.

3.5 實(shí)驗(yàn)測(cè)試

在花盆周圍部署空氣溫濕度傳感器,以及在花盆里部署其他傳感器、架設(shè)攝像頭來構(gòu)建花卉智能養(yǎng)護(hù)系統(tǒng)試驗(yàn)平臺(tái),土壤材料選取普通的適合花卉生長的泥土,花卉采用喜濕的吊蘭,如圖7 所示.采樣時(shí)間為每天上午的8:00 以及下午的16:00.系統(tǒng)工作一段時(shí)間后,可以提取寄存器中存儲(chǔ)的花卉的環(huán)境數(shù)據(jù).表4 為系統(tǒng)工作6 天自動(dòng)養(yǎng)護(hù)模式下的花卉環(huán)境數(shù)據(jù)值,其中,表中T代表空氣溫度單位為℃;H1代表空氣濕度,單位為RH;L代表光照強(qiáng)度,單位為klx;H2代表土壤濕度,單位為RH.

測(cè)試結(jié)果表明,自動(dòng)養(yǎng)護(hù)模式能夠自動(dòng)判別出花卉當(dāng)前的生長狀況并能夠及時(shí)的對(duì)花卉的環(huán)境進(jìn)行改善,實(shí)現(xiàn)了自主養(yǎng)花護(hù)花的功能,達(dá)到了智能養(yǎng)花的目的.

3.6 誤差案例分析

該模型在結(jié)合環(huán)境數(shù)據(jù)之后,能夠較好地提高分辨花卉生長狀況的準(zhǔn)確度,然而由于花卉樣本的復(fù)雜性,花卉生長狀況的分辨還不能達(dá)到完全的正確.比如,在吊蘭的葉片圖像特征僅呈現(xiàn)為發(fā)黃的時(shí)候,且當(dāng)前的環(huán)境數(shù)據(jù)顯示為空氣溫度為30 ℃,空氣濕度為34%RH,光照強(qiáng)度為75 klx,土壤濕度為45% RH,根據(jù)模型分類得出的結(jié)果為空氣溫度過高,然而根據(jù)實(shí)際情況卻應(yīng)該分類為土壤濕度過低的情況.分析可得,由于此時(shí)空氣溫度過高和土壤濕度過低的特征表現(xiàn)相對(duì)比較接近,且此時(shí)圖像僅呈現(xiàn)為發(fā)黃的特征,很容易導(dǎo)致錯(cuò)誤的判斷.由于花卉的生長狀況是復(fù)雜的且不斷變化的,其特征是根據(jù)環(huán)境變化而發(fā)生的一個(gè)緩慢變化,在某一時(shí)刻點(diǎn)的單一特征是跳躍的,所以不能完全代表其生長狀況的變化.針對(duì)這一問題,采取將這一時(shí)刻點(diǎn)的特征與上一狀態(tài)的變化相結(jié)合,依據(jù)上一狀態(tài)的情況來對(duì)這一時(shí)刻點(diǎn)的特征做進(jìn)一步的判斷,從而提高識(shí)別的準(zhǔn)確率.

圖6 不同層次網(wǎng)絡(luò)

4 總結(jié)

本文提出的基于深度學(xué)習(xí)的花卉生長狀況自動(dòng)識(shí)別方法,突破了原始花卉養(yǎng)護(hù)中的只能通過人工觀測(cè)來判別花卉生長狀況的局限,擺脫了花卉養(yǎng)護(hù)需要高度專業(yè)化的花卉養(yǎng)護(hù)知識(shí)的限制,降低了花卉養(yǎng)護(hù)的成本.將該方法應(yīng)用到花卉養(yǎng)護(hù)裝置中,在不需要專人干預(yù)的情況下,能夠提高花卉養(yǎng)護(hù)的成功率,減輕花卉養(yǎng)護(hù)的工作量,從而降低花卉養(yǎng)護(hù)的成本,該方法也可應(yīng)用在農(nóng)作物的種植環(huán)節(jié)中,同樣也能幫助農(nóng)作物很好的生長.

表3 傳感器輔助CNN 和一般CNN 之間的性能比較

圖7 花卉智能養(yǎng)護(hù)系統(tǒng)試驗(yàn)平臺(tái)

表4 自動(dòng)養(yǎng)護(hù)模式下的花卉環(huán)境數(shù)據(jù)