冬笋探测方法、装置及基于微波反射法的冬笋探测系统

1.本发明涉及冬笋探测技术领域，具体地涉及一种冬笋探测方法、一种冬笋探测装置及一种基于微波反射法的冬笋探测系统。


背景技术：

2.冬笋是夏末秋初时期由毛竹的地下茎鞭芽生长而成，是一种含有丰富营养物质的美味食材，也具有一定的药用价值。由于冬笋的成竹率很低，因此合理挖取冬笋，既能为农民创造收入，也不会影响竹林生态平衡。但是冬笋一般生长在地表以下，导致挖掘难度很大，通常情况下，只能依靠农民的经验判断冬笋的位置进行挖掘，采用人工判断冬笋位置的方式，不能保证判断的准确率，造成挖掘效率低，限制了冬笋的产量，而且盲目的挖掘会破坏植物的根茎。
3.目前国内外对于冬笋探测技术的相关研究较少，可用于探测冬笋的方法大致有以下几种：电阻率法、超声波法、微波成像法等。现有技术中，常使用探针作为传感器利用冬笋与土壤的电阻率差异来判断地下冬笋的位置；利用超声波在不同介质中衰减的规律配合冬笋与土壤电阻率的差异，协同辨别冬笋生长的位置。上述两种探测方法，虽然成本低廉，但每次探测需要将探针插入泥土内，容易对冬笋造成损伤，且探测过程复杂。现有技术也采用并行电法探测冬笋位置，用探地雷达对土壤下进行探测，通过分析得到的三维电阻率图像准确呈现冬笋及其根系在空间上的分布，电法探测法是利用冬笋与其生长环境之间存在电性差异来确认冬笋位置，能做到高准确度和无损检测、但是其设备精密昂贵且操作复杂，并不适合农业上的广泛推广使用。


技术实现要素：

4.本发明实施方式的目的是提供一种冬笋探测方法、装置及基于微波反射法的冬笋探测系统，以至少解决上述的冬笋探测成本高、探测效率低，容易对冬笋造成损伤的问题。
5.为了实现上述目的，本发明第一方面提供一种冬笋探测方法，所述方法包括：
6.获取样本标定数据作为卷积神经网络模型的训练数据集，所述样本标定数据包括存在冬笋样本的探测数据集和不存在冬笋样本的探测数据集；
7.对所述训练数据集进行预处理，得到预处理后的训练数据集；
8.将所述预处理后的训练数据集输入卷积神经网络模型进行训练，得到反射回波分类模型；
9.确定待探测区域；
10.将实时获取的所述待探测区域内的探测数据作为所述反射回波分类模型的输入，得到待探测区域内是否存在冬笋的分类结果。
11.可选的，所述训练数据集内的样本标定数据为复数形式的数组，所述对所述训练数据集进行预处理，得到预处理后的训练数据集，包括：
12.对所述数组的实部和虚部进行拆分，并利用reshape函数将所述数组变换为两个
能够进行卷积计算的矩阵，作为所述预处理后的训练数据集。
13.可选的，所述方法还包括：
14.从所述预处理后的训练数据集中获取测试数据集；
15.在将所述预处理后的训练数据集输入卷积神经网络模型进行训练得到反射回波分类模型之后，根据所述测试数据集对所述反射回波分类模型进行测试，并根据测试结果修正所述反射回波分类模型的模型参数。
16.本发明第二方面提供一种冬笋探测装置，所述装置包括：
17.获取模块，用于获取样本标定数据作为卷积神经网络模型的训练数据集，所述样本标定数据包括存在冬笋样本的探测数据集和不存在冬笋样本的探测数据集；
18.预处理模块，用于对所述训练数据集进行预处理，得到预处理后的训练数据集；
19.训练模块，用于将所述预处理后的训练数据集输入卷积神经网络模型进行训练，得到反射回波分类模型；
20.分类模块，用于确定待探测区域，将实时获取的所述待探测区域内的探测数据作为所述反射回波分类模型的输入，得到待探测区域内是否存在冬笋的分类结果。
21.可选的，所述装置还包括：
22.测试修正模块，用于从所述预处理后的训练数据集中获取测试数据集；
23.还用于在所述训练模块将所述预处理后的训练数据集输入卷积神经网络模型进行训练得到反射回波分类模型之后，根据所述测试数据集对所述反射回波分类模型进行测试，并根据测试结果修正所述反射回波分类模型的模型参数。
24.本发明第三方面提供一种基于微波反射法的冬笋探测系统，所述系统包括：
25.发射接收装置，用于向待探测区域发射电磁波，以及接收所述电磁波的反射回波，对所述反射回波进行处理获取所述待探测区域内的探测数据；以及：
26.上述的冬笋探测装置，用于从所述发射接收装置实时获取所述待探测区域内的探测数据作为所述反射回波分类模型的输入，得到待探测区域内是否存在冬笋的分类结果。
27.可选的，所述发射接收装置包括发射单元、接收单元和处理单元；
28.所述发射单元用于向待探测区域发射电磁波；
29.所述接收单元用于接收所述电磁波的反射回波；
30.所述处理单元用于对所述反射回波进行处理获取所述待探测区域内的探测数据。
31.可选的，所述发射单元包括依次连接的高频信号源、运算放大器、滤波器和发射天线。
32.可选的，所述接收单元包括依次连接的接收天线、变频子单元和采样子单元；所述变频子单元用于将所述接收天线接收到的射频信号下变频为基带信号，所述采样子单元用于对基带信号进行采样，并将采样后的信号送入处理单元进行处理。
33.另一方面，本发明提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行本申请上述的冬笋探测方法。
34.本发明的基于卷积神经网络的训练回波序列分类模型，结合基于微波反射法的冬笋探测系统，以电磁波照射在有冬笋的土壤中时其回波信号的幅值会相应的减小作为理论依据，并结合基于卷积神经网络的训练回波序列分类模型，进行探测结果分类，采用对地面发射电磁波并接收反射电磁波的方式，不会对冬笋造成损伤，能够大大提高冬笋探测的准
确性，提高探测效率，且本发明的冬笋探测系统操作简单，制造成本低，适合广泛推广使用。
35.本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
36.附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：
37.图1是本发明提供的冬笋探测方法的流程图；
38.图2是本发明提供的冬笋探测方法的原理框图；
39.图3是本发明提供的反射回波分类模型的结构示意图；
40.图4是本发明提供的冬笋探测装置结构示意图；
41.图5是本发明提供的冬笋探测系统结构示意图；
42.图6是本发明提供的基于反射回波分类模型、频谱阈值法和传统分类器支持向量机的漏警率对比示意图；
43.图7是本发明提供的基于反射回波分类模型、频谱阈值法和传统分类器支持向量机的虚警率对比示意图。
44.附图标记说明
[0045]1‑
发射单元；
ꢀꢀ2‑
接收单元；3
‑
处理单元；
ꢀꢀꢀ
11
‑
高频信号源；
[0046]
12
‑
运算放大器；
ꢀꢀꢀ
13
‑
滤波器；
ꢀꢀꢀ
14
‑
发射天线；
ꢀꢀ
21
‑
接收天线；
[0047]
22
‑
变频子单元；
ꢀꢀꢀ
23
‑
采样子单元。
具体实施方式
[0048]
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
[0049]
图1是本发明提供的冬笋探测方法的流程图；图2是本发明提供的冬笋探测方法的原理框图。如图1和图2所示，本发明实施方式提供一种冬笋探测方法，所述方法包括：
[0050]
步骤101、获取样本标定数据作为卷积神经网络模型的训练数据集，所述样本标定数据包括存在冬笋样本的探测数据集和不存在冬笋样本的探测数据集；
[0051]
具体地，本实施方式中，发射的电磁波的反射回波相较于发射的电磁波，其信号幅度会产生下降，因此，在模型训练时可以以电磁波的特征衰减强度为特征。通过探测器在数据采集区进行数据的采集，并且，可以将探测数据初始采集数据记为：
[0052]
χ＝{x1,x2,...,x
n
,label},χ∈r
[0053]
式中：x
n
为第n个特征采样点对应的特征数据，n表示数据的维度，n＝12288。label为探测范围内是否存在冬笋的标签，采集信号时根据探测范围内是否有冬笋将回波信号样本分为两类，有冬笋的情况标签记录为1(label＝1)，没有冬笋的情况标签记录为0(label＝0)。
[0054]
步骤102、对所述训练数据集进行预处理，得到预处理后的训练数据集；
[0055]
步骤103、将所述预处理后的训练数据集输入卷积神经网络模型进行训练，得到反射回波分类模型；
[0056]
具体地，本实施方式中，使用intelcorei5
‑
8300处理器、nvidiagtx1050ti显卡、windows10系统dell pc，在tensorflow框架下，使用python3.6语言搭建模型，并使用tensorboard工具对模型训练结果进行说明。
[0057]
步骤104、确定待探测区域；
[0058]
步骤105、将实时获取的所述待探测区域内的探测数据作为所述反射回波分类模型的输入，得到待探测区域内是否存在冬笋的分类结果。
[0059]
进一步地，所述训练数据集内的样本标定数据为复数形式的数组，所述对所述训练数据集进行预处理，得到预处理后的训练数据集，包括：
[0060]
对所述数组的实部和虚部进行拆分，并利用reshape函数将所述数组变换为两个能够进行卷积计算的矩阵，作为所述预处理后的训练数据集。
[0061]
本实施方式中，对所述数组的实部和虚部进行拆分，并利用reshape函数进行变换后得到的两个矩阵的大小为：96*128。
[0062]
进一步地，所述方法还包括：
[0063]
从所述预处理后的训练数据集中获取测试数据集；
[0064]
在将所述预处理后的训练数据集输入卷积神经网络模型进行训练得到反射回波分类模型之后，根据所述测试数据集对所述反射回波分类模型进行测试，并根据测试结果修正所述反射回波分类模型的模型参数。
[0065]
具体地，通过测试数据集对模型进行测试，并进行模型参数的调整，提高模型分类准确率。
[0066]
图3是本发明提供的反射回波分类模型的结构示意图，如图3所示，所述反射回波分类模型包括：输入层、第一卷积层、第一池化层、第二卷基层、第二池化层、第一全连接层、第二全连接层，其中，所述第二全连接层为该模型的输出层；卷积层(其包含有激活函数)用于进行卷积计算，池化层位于卷积层之间，用于压缩参数矩阵的尺寸，减少参数数量防止过拟合，relu函数用于增加神经网络模型的非线性，卷积层和全连接层都可以使用relu作为激活函数，具体地，所述第一全连接层采用relu函数作为激活函数；所述第二全连接层采用softmax函数作为损失函数。
[0067]
具体地，在本实施方式中，网络的输入是信号样本经过reshape后得到的两个96*128的数字矩阵，卷积层1与卷积层2均采用relu作为激活函数，其数学表达式如下：
[0068]
f(x)＝max(0,x)
[0069]
式中：x表示输入值，f(x)表示函数输出值，只有当输入x≥0时，输入与输出相等，否则输出为0。relu函数使一部分神经元输出为0值，这样可以降低参数之间的依存关系，一定程度上可以避免过拟合问题的出现。卷积核尺寸与卷积核个数分别为1
×3×
64、2
×3×
16，采用padding＝same填充方式，可以使得数据在卷积计算前后尺寸保持不变。第一池化层与第二池化层的输出尺寸分别为48
×
63、23
×
60，其作用是将特征进行压缩。第一全连接层采用relu作为激活函数，输入值为23
×
30
×
16＝11040，输出值为1024。第二全连接层输出值为类别数2，第二全连接层采用softmax作为损失函数，损失函数表征网络的预测值与实际值之间的差异程度，其输出值与网络的鲁棒性成反比。softmax数学表达式如下：
[0070][0071]
式中：t表示分类类别数，t＝2，a表示全连接层输出向量，a
j
表示输出向量a的第j个值。
[0072]
进一步地，对得到的模型进行准确率的验证，其定义如下：
[0073][0074]
其中，t
p
为正类数，即将冬笋归类为label＝1；t
n
为负类数，即将土壤归类为label＝0；f
p
为负类判定为正类数，即将土壤归类为label＝1；f
n
为正类判定为负类数，即将冬笋归类为label＝0；最终训练结果准确率达到84.7％。
[0075]
图4是本发明提供的冬笋探测装置结构示意图。如图4所示，本发明实施方式提供一种冬笋探测装置，包括：
[0076]
获取模块10，用于获取样本标定数据作为卷积神经网络模型的训练数据集，所述样本标定数据包括存在冬笋样本的探测数据集和不存在冬笋样本的探测数据集；
[0077]
预处理模块20，用于对所述训练数据集进行预处理，得到预处理后的训练数据集；
[0078]
训练模块30，用于将所述预处理后的训练数据集输入卷积神经网络模型进行训练，得到反射回波分类模型；
[0079]
分类模块40，用于确定待探测区域，将实时获取的所述待探测区域内的探测数据作为所述反射回波分类模型的输入，得到待探测区域内是否存在冬笋的分类结果。
[0080]
进一步地，所述装置还包括：
[0081]
测试修正模块(未示出)，用于从所述预处理后的训练数据集中获取测试数据集；
[0082]
还用于在所述训练模块将所述预处理后的训练数据集输入卷积神经网络模型进行训练得到反射回波分类模型之后，根据所述测试数据集对所述反射回波分类模型进行测试，并根据测试结果修正所述反射回波分类模型的模型参数。
[0083]
图5是本发明提供的冬笋探测系统结构示意图，如图5所示，本发明实施方式提供一种基于微波反射法的冬笋探测系统，所述系统包括：
[0084]
发射接收装置，用于向待探测区域发射电磁波，以及接收所述电磁波的反射回波，对所述反射回波进行处理获取所述待探测区域内的探测数据；以及：
[0085]
上述的冬笋探测装置，用于从所述发射接收装置实时获取所述待探测区域内的探测数据作为所述反射回波分类模型的输入，得到待探测区域内是否存在冬笋的分类结果。
[0086]
可选的，所述发射接收装置包括发射单元1、接收单元2和处理单元3；
[0087]
所述发射单元1用于向待探测区域发射电磁波，包括依次连接的高频信号源11、运算放大器12、滤波器13和发射天线14；
[0088]
所述接收单元2用于接收所述电磁波的反射回波，包括依次连接的接收天线21、变频子单元22和采样子单元23；
[0089]
所述处理单元3用于对所述反射回波进行处理获取所述待探测区域内的探测数据。
[0090]
具体地，所述系统还可以加入显示单元，可以设置成视频显示单元和声光报警单
元，在探测器分析出带探测区域存在冬笋时，产生声音信号或者产生光信号，对操作人员进行提醒。所述处理单元可以设置为arm处理器，并设置另外的存储器，进行数据的存储备份。
[0091]
在探测冬笋时，通过发射单元向待探测区域发射电磁波，当待探测区域内存在冬笋，电磁波经过冬笋后，其反射的电磁波幅值会减小从而辨识出待探测区域内是否存在冬笋。
[0092]
其中，根据反射的电磁波幅值会减小从而辨识出待探测区域内是否存在冬笋的理论依据为：土壤和冬笋同属于电介质，当外加电场作用于电介质时，其内部可移动带电粒子会发生取向极化现象，通常使用介电常数来描述介质在外加电场作用下的极化特性。土壤主要由水、矿物质、有机质与空气组成，浅层土壤的含水率在10％～30％范围内波动；而冬笋主要由水、蛋白质、纤维素等组成，其中含水率高达85％。两者的物质成分中均含有水，水是强极性偶极子，在相同电场下极化程度远大于其他物质，当物质中水的比重越大时电磁波的反射系数越小，回波的能量越小，因此，可以根据此现象判断土壤中是否存在冬笋。
[0093]
具体地，高频信号源用于产生探测信号，在高频信号源与处理单元之间可以设置单片机，由所述处理单元发送指令给单片机，单片机发送控制信号给高频信号源，从而产生探测信号，探测信号通过运算放大器进行放大，并进行滤波后，通过发射天线向待探测区域发射，进行探测。
[0094]
更进一步地，本实施方式中，可以选用由adi公司生产的adf4350锁相环系统(phase locked loop，pll)作为发射链路的频率合成单元，并采用st公司生产的stm32c8t6单片机作为控制芯片对adf4350进行控制。由单片机读取接收上位机串口数据写入其片内缓存区，并将指令写入adf4350的寄存器中；adf4350锁相环系统根据指令生成相应的高频电流脉冲信号，锁相环系统输出信号的最大功率为0dbm，为提高整体系统的信噪比采用20dbm的射频功率放大器对高频电流信号进行放大。由于输出信号中包含许多谐波成分，因此需要在发射链路中加入带通滤波器滤除杂波，带通滤波器允许一定频段的信号通过，抑制低于或高于该频段的信号、干扰和噪声；高频电流信号经过放大和滤波后送入发射天线。
[0095]
所述接收天线21用于接收所述电磁波的反射回波，并将反射回波转换为高频电流信号，所述变频子单元22用于对高频电流信号下变频处理为基带信号，所述采样子单元23用于对所述基带信号进行采样得到采样后的探测数字信号，并将所述探测数字信号发送至处理单元进行处理，得到探测结果。
[0096]
具体地，本实施方式中，接收单元采用rtl
‑
sdr软件无线电接收设备，该设备是一款成本低且稳定性好的无线电接收设备，能够实现射频信号向基带信号的频谱迁移，通过该接收设备的信号处理后，将信号发送至处理单元，进行结果分类判定。
[0097]
更进一步地，本实施方式中选择的rtl
‑
sdr设备主要由调谐器r820t和解调器rtl2832两部分组成，相当于本申请中的变频子单元22和采样子单元23。接收天线的输入信号首先由r820t对信号进行预处理，对接收的射频信号下变频为中频信号(if)，再由rtl2832内部设置的下变频结构对中频信号进行二次变频，将中频信号转换为基带信号，最后再对基带信号进行采样，将采样后的数字信号送入处理单元中进行处理。
[0098]
r820t是一款基于超外差结构的调谐器，其可接收频段范围为24～1766mhz。r820t内置低噪声放大器(lna)、混频器(mixer)、可变增益放大器vga、带通滤波器bpf，所有模块由i2c与寄存器控制，r820t与rtl2832共用一条i2c总线。
[0099]
rtl2832是一款高性能dvb
‑
t解码芯片，内嵌高速a/d转换器，理论上最高可采样率为3.2ms/s，可输出8位iq信号。rtl2832包含8051内核，仅用于控制i2c传输等并不对采样信号做任何处理。
[0100]
在本实施方式中，在sdr模式下，通过修改寄存器关闭解调器，使信号直接传输到处理单元中进行信号的处理，并且a/d转换器可以设置为2.4msps采样率对回波信号进行采样，使用抗混叠滤波器滤除采样通道以外的频段防止信号出现频率混叠。
[0101]
另一方面，本发明提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行本申请上述的基于卷积神经网络的冬笋探测方法。
[0102]
实施例1：
[0103]
本实施例中，对得到的反射回波分类模型进行准确率、漏警率与虚警率验证，以判定冬笋探测器是否具有良好的分类效果，并且以频谱阈值法和传统分类器支持向量机(svm)两种分类方法作为对比。
[0104]
设反射回波分类模型的漏警率(m)与虚警率(f)定义如下:
[0105][0106][0107]
式中f
n
为正类判定为负类数，即将冬笋归类为label＝0；t
p
为正类数，即将冬笋归类为label＝1；f
p
为负类判定为正类数，即将土壤归类为label＝1；t
n
为负类数，即将土壤归类为label＝0。
[0108]
使用本实施方式中的冬笋探测器在竹林实地探测，进行数据的采集，每组采集1000个样本，各组数据统计情况如表1所示：
[0109][0110]
表1采集数据分类表
[0111]
以上采集数据中a～e组label＝1，均为埋有冬笋样本，f～j组label＝0，均为无冬笋的土壤样本，分别使用反射回波分类模型、阈值法、支持向量机对各组数据进行分类，实际准确率分别为81.11％、75.64％、68.82％，可以得出使用反射回波分类模型的预测准确性较高。
[0112]
图6是本发明提供的基于反射回波分类模型、频谱阈值法和传统分类器支持向量
机的漏警率对比示意图，使用基于反射回波分类模型、频谱阈值法和传统分类器支持向量机的三种分类方法对a～e组样本分类的漏警率结果如图6所示。各组数据分类结果显示三种分类方法的平均漏警率分别为18.02％、21.94％、27.14％，基于卷积神经网络(convolutional neural network,cnn)的反射回波分类模型的漏警率最低且分类结果在不同条件下表现稳定，表明在探测过程中漏掉冬笋的概率最小。阈值法漏警率最大且易受土壤含水率、冬笋埋入深度及土壤表面覆盖竹叶等外部因素影响。各组数据结果表明分类模型的漏警率与土壤含水率与冬笋生长深度呈反相关，当土壤表明覆盖竹叶时，对漏警率影响不大。
[0113]
图7是本发明提供的基于反射回波分类模型、频谱阈值法和传统分类器支持向量机的虚警率对比示意图，使用基于反射回波分类模型、频谱阈值法和传统分类器支持向量机的三种分类方法对f～j组样本分类的虚警率结果如图7所示。三种分类方法的平均虚警率分别为19.76％、26.78％、35.22％，其中基于cnn的反射回波分类模型最低，在不同干扰场景下虚警率波动较小；svm的虚警率略微高于cnn；阈值法的虚警率最高，在不同干扰时虚警率的波动较大。以上各组数据表明分类模型的虚警率与土壤含水率呈正相关，对土壤内存在未成形的小笋、树根、表面覆盖竹叶等干扰较为敏感，土壤内的石块不易导致虚警。
[0114]
综上，基于卷积神经网络(convolutional neural network,cnn)的反射回波分类模型对冬笋探测器回波序列分类具有较高的准确率，在不同环境中的漏警率与虚警率均低于svm与阈值法，符合冬笋探测器的分类要求，能够提高冬笋探测的准确性，提高探测效率。
[0115]
本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0116]
以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。
[0117]
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公开的内容。