本發明涉及機器學習、圖像分類和金針菇種植技術領域，一種基于卷積神經網絡的金針菇不同生長期智能補光的裝置與方法。

背景技術：

金針菇的菌絲灰白色，絨毛狀。子實體為叢生，菌蓋初期呈半圓形小體，長大后漸平展，直徑2～8厘米，表面光滑，色澤白、黃白色或淡茶褐色。菌肉為白色，金針菇具有很高的藥用食療作用。有研究又表明，金針菇內所含的一種物質具有很好的抗癌作用。金針菇具有豐富的營養，為家庭或餐廳普遍使用的食材。具有非常廣闊的市場。對于金針菇的種植廠商如果能提高金針菇的產量，必定帶來較好的經濟效益。

在傳統的金針菇種植中很多廠商未使用有色光進行生長促進，或者有些廠商使用帶顏色的遮罩物放置于金針菇上方，這種方法需要浪費大量的人力物力，且每一個廠房中金針菇數量巨大，對其進行單色遮罩物進行遮罩的工作非常繁瑣，如果不加光照在黑暗中進行培養或使用單色光培養，無法在產量和質量帶來提升。

參考傳統的金針菇培養方法，結合目前圖像深度學習中廣泛應用的卷積神經網絡算法提供良好的解決方案。主要優勢為，節省了大量的人力物力去對金針菇進行遮罩。使用深度學習進行生長期自動判斷，在節省人力的情況下增加的判斷準確度。全程由計算機程序控制完成，具有判斷操作及時和工作效率高等優點。

技術實現要素：

本發明的目的是提供一種基于卷積神經網絡的金針菇不同生長期智能補光的裝置與方法，為提高金針菇產量和質量提供了有效的解決方案，有助于實現金針菇補光工作的自動化完成。

為解決上述技術問題，本發明的主要技術內容如下：

一種基于卷積神經網絡的金針菇不同生長期智能補光的裝置，其特征在于：包括承載裝置、攝像頭(分辨率1920*1080)、全光譜led燈、計算機、金針菇培養基和塑料管，所述承載裝置包括橫梁支架和防水保護箱，所述橫梁支架固定在補光室頂部，所述防水保護箱通過繩子連接到橫梁中央位置，用于防止攝像頭進水并幫助攝像頭數據線承載重量，所述攝像頭固定放置于防水箱中，所述攝像頭鏡頭對準金針菇培養基區域的中央，所述全光譜led燈安放在橫梁的四個角，用于在攝像頭采集樣本照片時提供白光和判斷生長期后提供有利于金針菇生長的有色光。所述計算機與攝像頭和全光譜led燈相連，用于處理和存儲攝像頭采集到的圖像和控制全光譜led燈的顏色，所述金針菇培養基放置于四盞全光譜led燈下方，用于金針菇的培養，所述塑料管用于保護全光譜led燈電源線和攝像頭與計算機之間的數據傳輸線；

上述四盞全光譜led燈可以由計算機進行控制來調節燈的顏色，顏色的調節范圍是紅色、橙色、黃色、綠色、藍靛色和紫色；

上述在攝像頭采集圖像時，全光譜led燈能打開白光有利于保證采集到的圖像的質量；

上述防水保護箱最底面為高清透明玻璃，其余五面皆為不易變形的且重量較輕的木板，從而降低了承載裝置的負重，攝像頭可以透過高清透明玻璃窗對底部金針菇培養區域進行圖像采集；

一種基于卷積神經網絡的金針菇不同生長期智能補光的方法，包括以下步驟：

(1)通過收集大量的金針菇不同生長期的圖像，將圖像交由眾多有經驗的金針菇種植專家標注分類，形成訓練cnn模型的訓練數據集；

(2)利用上一步得到的標注好的數據作為訓練樣本集，輸入到caffe深度學習框架進行訓練，并得到金針菇不同生長期分類模型；

(3)通過計算機發出指令控制全光譜led燈顯示白光，并發出指令讓攝像頭對金針菇培養基進行拍照取樣并上傳至計算機(每隔10小時取樣一次)；

(4)根據訓練好的cnn模型對攝像頭采取的樣本照片進行分類，判斷該金針菇圖像樣本所屬的生長期；

(5)計算機根據上一步獲得的金針菇的生長期，來控制全光譜led燈亮起有利于金針菇該生長期生長的有色光，滿足金針菇對光質的要求；

上述步驟(1)中的cnn模型的訓練包括以下步驟：

(a)選取的訓練樣本數據必須是嚴格人工記錄生長期，并經過準確標注的；

(b)通過將所有標注好的訓練數據輸送到卷積神經網絡的訓練器中，cnn單神經元的權重計算公式如下；

其中w為權重，b為偏移量，向量x由輸入的待判定金針菇圖像樣本經數字化后得到；

上述步驟(3)攝像頭取樣具體實施步驟如下：

(a)計算機程序設置時間任務時間間隔10小時；

(b)計算機發出指令，令全光譜led燈打開白光照亮金針菇培養基區域；

(c)為了防止攝像頭拍照時全光譜led燈還沒有來得及亮起，所以在計算機發出令全光譜led燈亮起白色光指令之后，間隔10s，再向攝像頭發出拍照指令；

(d)攝像頭拍照后，照片通過數據線傳回計算機，計算機將照片保存后用于分類識別；

上述步驟(4)中生長期判別包括以下步驟：

(a)將測試集樣本代入建好的卷積神經網絡訓練模型；

(b)將卷積神經網絡預測模型結果與生長周期對光質的要求，控制led亮起需要的顏色；

上述步驟(5)中提到的金針菇對光質的要求具體如下：

(a)菌絲生長階段，紅、黃色光對菌絲生長有促進作用，透明的光則具有抑制作用；

(b)子實體生長階段，藍色光對子實體原基分化具有較強的誘導作用，白色光作用其次，紅色光作用最差；

本發明的優點

1、采用橫梁四角布燈很大程度上避免了中央單個布燈帶來的金針菇受光不均勻情況。

2、采用較輕的木質防水保護箱相比傳統鐵質保護箱能有效減輕橫梁的負重，增加橫梁的使用年限。

3、采用卷積神經網絡能夠在訓練樣本不斷增加的情況下，不斷提升對金針菇圖像的分類準確率。

4、利用計算機程序全程控制光照的補充減少了人力物力的投入，節省了成本，提升了金針菇的產量，帶來了經濟效益。

附圖說明

圖1為本發明裝置的結構示意圖；

圖2為本發明的方法流程圖；

圖3為卷積神經網絡示例圖；

具體實施方式

為更進一步闡述本發明為達成預定發明目的所采取的技術手段及功效，以下結合附圖及較佳實施例，對依據本發明提出的其具體實施方式、結構、特征及其功效，詳細說明如后。

如圖1所示，一種基于卷積神經網絡的金針菇不同生長期智能補光的裝置，包括承載裝置、攝像頭4、全光譜led燈5、計算機6、金針菇培養基8和塑料管7，所述承載裝置包括橫梁支架1和防水保護箱2，所述橫梁支架1固定在補光室頂部，所述防水保護箱2通過繩子3連接到橫梁支架1中央位置，用于防止攝像頭4進水并幫助攝像頭4數據線承載重量，所述攝像頭4固定放置于防水箱中，所述攝像頭4鏡頭對準金針菇培養基8區域的中央，所述全光譜led燈5安放在橫梁支架1的四個角，用于在攝像頭采集樣本照片時提供白光和判斷生長期后提供有利于金針菇生長的有色光。所述計算機7與攝像頭4和全光譜led燈5相連，用于處理和存儲攝像頭4采集到的圖像和控制led燈5的顏色，所述金針菇培養基8放置于四盞全光譜led燈5下方，用于金針菇的培養，所述塑料管7用于保護led燈5的電源線和攝像頭4與計算機6之間的數據傳輸線；

作為優選方案，四盞全光譜led燈5可以由計算機6進行控制來調節燈的顏色，顏色的調節范圍是紅色、橙色、黃色、綠色、藍靛色和紫色。

作為優選方案，在攝像頭4采集圖像時，全光譜led燈5能打開白光有利于保證采集到的圖像的質量。

作為優選方案，防水保護箱2最底面為高清透明玻璃，其余五面皆為不易變形的且重量較輕的木板，從而降低了承載裝置的負重，攝像頭4可以透過高清透明玻璃窗對底部金針菇培養區域進行圖像采集。

如圖2、圖3、所示，為一種基于卷積神經網絡的金針菇不同生長期智能補光的方法，包括以下步驟：

(1)通過收集大量的金針菇不同生長期的圖像，將圖像交由眾多有經驗的金針菇種植專家標注分類，形成訓練cnn模型的訓練數據集；

(2)利用上一步得到的標注好的數據作為訓練樣本集，輸入到caffe深度學習框架進行訓練，并得到金針菇不同生長期分類模型；

(3)通過計算機發出指令控制全光譜led燈顯示白光，并發出指令讓攝像頭對金針菇培養基進行拍照取樣并上傳至計算機(每隔10小時取樣一次)；

(4)根據訓練好的cnn模型對攝像頭采取的樣本照片進行分類，判斷該金針菇圖像樣本所屬的生長期；

(5)計算機根據上一步獲得的金針菇的生長期，來控制全光譜led燈亮起有利于金針菇該生長期生長的有色光，滿足金針菇對光質的要求；

上述步驟(1)中需要收集cnn模型的訓練數據集，具體原理如下：

如圖3所示，input圖像樣本經數字化得到的輸入數據，t1和t2層為特征提取層，c1和c2層為特征映射層，j1為激活函數層。output為卷積神經網絡最后的輸出。

卷積神經網絡是人工神經網絡當前應用十分廣泛的一種，已成為圖像識別領域的重要研究算法。它的權值共享網絡結構使之更類似于生物神經網絡，降低了網絡模型的復雜度，減少了權值的數量。該優點在網絡的輸入是多維圖像時表現的更為明顯，使圖像可以直接作為網絡的輸入，避免了傳統識別算法中復雜的特征提取和數據重建過程。卷積網絡是為識別二維形狀而特殊設計的一個多層感知器，這種網絡結構對平移、比例縮放、傾斜或者共他形式的變形具有高度不變性。

卷積網絡在本質上是一種輸入到輸出的映射，它能夠學習大量的輸入與輸出之間的映射關系，而不需要任何輸入和輸出之間的精確的數學表達式，只要用已經人工標注好的大量樣本數據對卷積網絡加以訓練，網絡就具有輸入輸出對之間的映射能力。卷積網絡執行的是有導師訓練，所以其樣本集是由形如：(輸入向量，理想輸出向量)的向量對構成的。

訓練主要分為兩個階段：

第一階段，向前傳播階段：

(a)從樣本集中取一個樣本(x,yp)，將x輸入網絡；

(b)計算相應的實際輸出op；

在此階段，信息從輸入層經過逐級的變換，傳送到輸出層。這個過程也是網絡在完成訓練后正常運行時執行的過程。在此過程中，網絡執行的是計算(實際上就是輸入與每層的權值矩陣相點乘，得到最后的輸出結果)：

op＝fn(…(f2(f1(xpw(1))w(2))…)w(n))

第二階段，向后傳播階段：

(a)算實際輸出op與相應的理想輸出yp的差；

(b)按極小化誤差的方法反向傳播調整權矩陣。(變量名稱需要改過來)；

具體包括以下步驟：

(1)選取的訓練樣本數據必須是嚴格人工記錄生長期，并經過準確標注的；

(2)通過將所有標注好的訓練數據輸送到卷積神經網絡的訓練器中，cnn單神經元的權重計算公式如下；

其中w為權重，b為偏移量，向量x由輸入的待判定金針菇圖像樣本經數字化后得到；

上述步驟(3)中攝像頭取樣需要注意的是采集用于判斷金針菇生長期的圖像樣本時，環境必須與采集訓練樣本時保持一致，主要光照采用同等亮度的白色光，ccd采樣區域保持一致，主要原因是避免環境不同帶來分類效果的下降。

具體實現步驟如下：

(a)計算機程序設置時間任務時間間隔10小時；

(b)計算機發出指令，令全光譜led燈打開白光照亮金針菇培養基區域；

(c)為了防止攝像頭拍照時全光譜led燈還沒有來得及亮起，所以在計算機發出令全光譜led燈亮起白色光指令之后，間隔10s，再向攝像頭發出拍照指令；

(d)攝像頭拍照后，照片通過數據線傳回計算機；

上述步驟(4)中生長期判別的原理是利用卷積神經網絡已經訓練好的模型對上一步采集的樣本圖像作為神經網絡的輸入，通過將對應的輸出結果與各個分類的理想輸出計算差異，與哪一個類別差異最小，那么就判定金針菇屬于哪一個類別。

具體實現步驟如下：

(a)將測試集樣本代入建好的卷積神經網絡訓練模型；

(b)將卷積神經網絡預測模型結果與生長周期對光質的要求，控制全光譜led亮起需要的顏色；

上述步驟(5)中金針菇對光質的要求，不同光對金針菇不同生長期有不同程度的影響。

具體影響如下：

(a)菌絲生長階段，紅、黃色光對菌絲生長有促進作用，透明的光則具有抑制作用；

(b)子實體生長階段，藍色光對子實體原基分化具有較強的誘導作用，白色光作用其次，紅色光作用最差；

本發明未涉及部分均與現有技術相同或可采用現有技術加以實現。