CN114371649A - 一种基于卷积神经网络的喷雾流量调控***与方法 - Google Patents
一种基于卷积神经网络的喷雾流量调控***与方法 Download PDFInfo
- Publication number
- CN114371649A CN114371649A CN202210023228.7A CN202210023228A CN114371649A CN 114371649 A CN114371649 A CN 114371649A CN 202210023228 A CN202210023228 A CN 202210023228A CN 114371649 A CN114371649 A CN 114371649A
- Authority
- CN
- China
- Prior art keywords
- nozzle
- neural network
- convolutional neural
- spraying
- regulation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 58
- 239000007921 spray Substances 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005507 spraying Methods 0.000 claims abstract description 59
- 230000005236 sound signal Effects 0.000 claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 5
- 230000001276 controlling effect Effects 0.000 claims description 12
- 230000001105 regulatory effect Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000005299 abrasion Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000004907 flux Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 239000000575 pesticide Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
- A01M7/0089—Regulating or controlling systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B05—SPRAYING OR ATOMISING IN GENERAL; APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
- B05B—SPRAYING APPARATUS; ATOMISING APPARATUS; NOZZLES
- B05B12/00—Arrangements for controlling delivery; Arrangements for controlling the spray area
- B05B12/08—Arrangements for controlling delivery; Arrangements for controlling the spray area responsive to condition of liquid or other fluent material to be discharged, of ambient medium or of target ; responsive to condition of spray devices or of supply means, e.g. pipes, pumps or their drive means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
- G01F1/66—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow by measuring frequency, phase shift or propagation time of electromagnetic or other waves, e.g. using ultrasonic flowmeters
- G01F1/666—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow by measuring frequency, phase shift or propagation time of electromagnetic or other waves, e.g. using ultrasonic flowmeters by detecting noise and sounds generated by the flowing fluid
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24215—Scada supervisory control and data acquisition
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Fluid Mechanics (AREA)
- Electromagnetism (AREA)
- Insects & Arthropods (AREA)
- Pest Control & Pesticides (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Environmental Sciences (AREA)
- Special Spraying Apparatus (AREA)
Abstract
一种基于卷积神经网络的喷雾流量调控***与方法，***由声信号测量单元、运算控制单元与流量调控单元三个部分组成。方法包含以下步骤：通过采集不同压力不同工作时长的喷嘴声信号，提取MFCC组合特征，训练卷积神经网络参数，建立喷嘴工作状态识别模型；根据作物生长状况，设定最优喷雾参数，实时采集喷嘴工作时的声音信号，输入识别模型；喷嘴工作状态异常时，调节喷雾***参数，并在超出限度后报警，提醒生产技术人员更换喷嘴。本发明的流量调控通过电机驱动板直接调整隔膜泵电机转速与启停，来实现喷嘴流量的补偿与有无，将一维音频信息转化为带有时间维度的二维图像信息，加快了识别的速度与精度，流量预测效果好，精度高。
Description
技术领域
本发明涉及精准喷雾与深度学习语音分类领域，具体提出一种基于卷积神经网络的喷雾流量调控***与方法。
背景技术
随着国家环保要求的提高，以及喷雾技术的发展，精准施药已经成为当前的发展趋势。而精准施药技术的核心是获取田间小区域内病虫草害的差异性，采取高效喷雾技术和变量施药技术，按需施药。
目前，精准施药相关的研究主要集中在田间信息采集与变量喷雾装置两个方面。苗玉彬等人运用机器视觉与超声波测距，提出了一种杂草面积计算与变量喷雾的***；祁力钧等人设计了一种自动变速摇摆式温室喷雾装置，通过施药时位置可动的喷雾机构实现精准喷雾。但在实际施药过程中，误差较大，同时药物用量的可控性和准确性较差。
发明内容
本发明旨在通过对喷嘴工作状态的监测，提出一种基于卷积神经网络的喷雾流量调控***与方法，实现对喷雾流量异常状况的预警与调控以及喷雾流量的实时监测与反馈，从而提醒生产技术人员及时更换坏损喷嘴，提高喷雾***的可靠性与稳定性。本发明以喷雾***的关键终端部件喷嘴为监测对象，通过音频特征提取的方法获取不同工作状况下喷嘴的特征，进一步通过卷积神经网络的方法实现喷嘴工作状态的识别，最后通过调整隔膜泵电机转速实现喷雾流量的反馈控制。
一种基于卷积神经网络的喷雾流量调控***，包含声信号测量单元、运算控制单元与流量调控单元三个部分。所述的声信号测量单元用于接收喷嘴在喷雾时发出的声信号，并将模拟音频编码为数字音频；所述的运算控制单元用于对喷嘴声信号进行音频特征提取和喷嘴工作状态的卷积神经网络识别，并根据喷雾状态发出相应的控制指令；所述的流量调控单元用于满足作物要求喷雾的发生及喷雾异常时的调控与报警。本调控***，通过麦克风采集喷嘴在不同压力不同工作时长下的声信号，充分提取喷嘴在常用喷雾压力下不同磨损程度的声学特征。通过将喷雾***工作时采集到的声信号，输入运算控制单元中训练好的卷积神经网络，输出喷嘴工作状态。通过调控隔膜泵的转速，补偿喷嘴磨损，并在磨损超出允许程度及喷嘴堵塞时，驱动报警模块进行报警。
进一步地，声信号测量单元由麦克风和音频编解码器构成；所述的麦克风为电容式防水麦克风，用于接收喷嘴在喷雾时所发出的声信号；所述的音频编解码器是一款低功耗、低电压的立体声音频编解码器，用于将麦克风接收到的模拟音频编码为数字音频，进一步发送给运算控制单元。
进一步地，运算控制单元包括嵌入式高性能AI计算模组与单片机两部分；所述的嵌入式高性能AI计算模组是一种CPU与GPU高度集成的微型计算机，用于对喷嘴声信号进行音频特征提取和喷嘴工作状态的卷积神经网络识别；所述的单片机为一种嵌入式微控制器，用于接收上述嵌入式高性能AI计算模组的控制信息，并进一步驱动流量控制单元。
进一步地，流量调控单元由喷雾、预警和调控模块三部分组成；所述的喷雾模块主要由隔膜泵、压力表和喷嘴组成，用于产生一定压力下的稳定喷雾；所述的隔膜泵为一种压力开关型高压电动隔膜泵；所述的压力表为满足常用喷雾压力测量的指针式压力表；所述的喷嘴为喷雾角与流量满足要求的合适类型喷嘴；所述的预警模块主要由蜂鸣器构成，用于流量状态异常时的报警；所述的调控模块主要由电机驱动板构成，用于隔膜泵转速的调节与启停的控制。
进一步地，声信号测量单元与高性能AI计算模组通过I2C与I2S方式进行通讯，单片机与高性能AI计算模组通过UART串口通讯
一种基于卷积神经网络的喷雾流量调控方法，包含以下步骤：通过采集不同压力不同工作时长的喷嘴声信号，提取MFCC组合特征，训练卷积神经网络参数，建立喷嘴工作状态识别模型；根据作物生长状况，设定最优喷雾参数，实时采集喷嘴工作时的声音信号，输入识别模型；喷嘴工作状态异常时，调节喷雾***参数，并在超出限度后报警，提醒生产技术人员更换喷嘴。本调控方法通过采集喷嘴在不同压力不同工作时长下的声信号，充分提取喷嘴在常用喷雾压力下不同磨损程度的声学特征。通过将喷雾***工作时采集到的声信号，输入训练好的卷积神经网络，获取喷嘴工作状态，具有较高的识别速度与精度。通过调控喷雾***参数，补偿喷嘴磨损，并在磨损超出允许程度及喷嘴堵塞时，进行报警。
进一步地，MFCC组合特征由13维MFCC特征及其一阶与二阶差分组成，是一种用于表征喷嘴发声特点的39维音频特征。所述的MFCC为梅尔倒谱系数(Mel-FrequencyCepstral Coefficients)的简称，是喷嘴声信号在非线性Mel标度频率域提取出来的倒谱参数，反映了喷嘴声信号的静态特征，其一阶与二阶差分用于反映动态特征。
进一步地，卷积神经网络由2卷积层、2个池化层、1个全连接层与1个深度层组成。卷积层Conv2D_1由16个3×3卷积核构成，步长为1。卷积层Conv2D_2由32个2×2卷积核构成，步长为2。每个卷积层后均连接着一个2×2的池化层，步长为2。
进一步地，卷积神经网络的卷积层与深度层使用了不同的激活函数。两个卷积层使用线性整流函数(Rectified LinearUnit，ReLU)，以增加网络的非线性；与输出相连的深度层则使用均方误差(Mean Squared Error，MSE)作为损失函数，以更准确地预测喷嘴声信号反应的流量值。
进一步地，卷积神经网络中，与输出相连的深度层的参数量为1，用于将全连接层的960个参数，转化为最终的流量预测结果。
本发明对比已有的喷雾流量调控***与方法，具有以下有益效果：
1)与常规的采用电磁阀等方式调控流量相比，本发明的流量调控通过电机驱动板直接调整隔膜泵电机转速与启停，来实现喷嘴流量的补偿与有无。
2)在喷嘴工作状态的识别中，本发明将一维音频信息转化为带有时间维度的二维图像信息，加快了识别的速度与精度。
3)本发明采用的卷积神经网络，与输出相连深度层的参数量为1，将全连接层的960个参数，转化为最终的流量预测结果，预测效果好，精度高。
附图说明
图1为本发明实施例的一种基于卷积神经网络的喷雾流量调控***的装置功能图。
图2为本发明实施例的一种基于卷积神经网络的喷雾流量调控方法的控制流程图。
图3为本发明实施例的一种基于卷积神经网络的喷雾流量调控方法中MFCC组合特征的具体组成示意图。
图4为本发明实施例的卷积神经网络的结构与参数示意图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
下面参照附图描述本发明实施例提出的一种基于卷积神经网络的喷雾流量调控***与方法。
图1为本发明实施例的一种基于卷积神经网络的喷雾流量调控***的装置功能图。如图1所示，该基于卷积神经网络的喷雾流量调控***包括：声信号测量单元、运算控制单元与流量调控单元。
其中，声信号测量单元用于接收喷嘴在喷雾时发出的声信号，并将模拟音频编码为数字音频；运算控制单元用于对喷嘴声信号进行音频特征提取和喷嘴工作状态的卷积神经网络识别，并根据喷雾状态发出相应的控制指令；流量调控单元用于满足作物要求喷雾的发生及喷雾异常时的调控与报警。
具体地，声信号测量单元由麦克风和音频编解码器构成；所述的麦克风为电容式防水麦克风，用于接收喷嘴在喷雾时所发出的声信号，本发明的一个实施例中采用的麦克风型号为CME-1538-100LB；所述的音频编解码器是一款低功耗、低电压的立体声音频编解码器，用于将麦克风接收到的模拟音频编码为数字音频，进一步发送给运算控制单元，本发明的一个实施例中采用的音频编解码器型号为TLV320AIC3204。
具体地，运算控制单元包括嵌入式高性能AI计算模组与单片机两部分；所述的嵌入式高性能AI计算模组是一种CPU与GPU高度集成的微型计算机，用于对喷嘴声信号进行音频特征提取和喷嘴工作状态的卷积神经网络识别，本发明的一个实施例中采用了NVIDIAJetson TX2开发套件，包括核心板、载板、散热器、电源等部件；所述的单片机为一种嵌入式微控制器，用于接收上述嵌入式高性能AI计算模组的控制信息，并进一步驱动流量控制单元，本发明的一个实施例中采用了STM32F103型号的单片机。
具体地，流量调控单元由喷雾、预警和调控模块三部分组成；所述的喷雾模块主要由隔膜泵、压力表和喷嘴组成，用于产生一定压力下的稳定喷雾；所述的隔膜泵为一种压力开关型高压电动隔膜泵，本发明的一个实施例中采用的隔膜泵型号为XTL-3210HB-24-100；所述的压力表为满足常用喷雾压力测量的指针式压力表，本发明的一个实施例中采用的压力表型号为红旗Y-100；所述的喷嘴为喷雾角与流量满足要求的合适类型喷嘴，本发明的一个实施例中采用的喷嘴型号为LICHENG VP11001；所述的预警模块主要由有源蜂鸣器构成，用于流量状态异常时的报警；所述的调控模块主要由电机驱动板构成，用于隔膜泵转速的调节与启停的控制，本发明的一个实施例中采用的电机驱动板型号为L298N。
该基于卷积神经网络的喷雾流量调控***工作时，麦克风首先采集喷嘴声信号，通过音频编解码器传递给嵌入式高性能AI计算模组进行识别，根据计算结果向单片机发送控制指令，驱动蜂鸣器报警或电机驱动板调控隔膜泵电机转速，通过对喷嘴状态的判断实现喷雾***流量的预警与调控。
***工作时，音频编解码器与高性能AI计算模组通过I2C与I2S方式进行通讯，单片机与高性能AI计算模组通过UART串口通讯，单片机再通过串口驱动蜂鸣器或电机驱动板。
该基于卷积神经网络的喷雾流量调控***通过麦克风采集喷嘴在不同压力不同工作时长下的声信号，充分提取喷嘴在常用喷雾压力下不同磨损程度的声学特征。通过将喷雾***工作时采集到的声信号，输入运算控制单元中训练好的卷积神经网络，输出喷嘴工作状态。通过调控隔膜泵的转速，补偿喷嘴磨损，并在磨损超出允许程度及喷嘴堵塞时，驱动报警模块进行报警。
图2为本发明一个实施例的一种基于卷积神经网络的喷雾流量调控方法的控制流程图。如图2所示，该一种基于卷积神经网络的喷雾流量调控方法包括以下步骤：
在步骤S01中，通过采集不同压力不同工作时长的喷嘴声信号，提取MFCC组合特征，训练卷积神经网络参数，建立喷嘴工作状态识别模型。获取压力不同工作时长的喷嘴声信号，是为了提取喷嘴在常用喷雾压力下不同磨损程度时的声学特征。
如图3所示，MFCC组合特征由13维MFCC特征及其一阶与二阶差分组成，是一种用于表征喷嘴发声特点的39维音频特征。所述的MFCC为梅尔倒谱系数(Mel-FrequencyCepstral Coefficients)的简称，是喷嘴声信号在非线性Mel标度频率域提取出来的倒谱参数，反映了喷嘴声信号的静态特征，其一阶与二阶差分用于反映动态特征。
MFCC特征的提取时主要有以下几个步骤：
1)截取一段1s的喷嘴声信号片段，用于流量特征的识别；2)分帧，帧长默认为2048，帧移默认为512，X*1的音频向量处理成N*M的矩阵，不能整除时在最后补零成完整的帧；3)采用汉宁窗进行加窗操作，以消除分帧后出现的帧与帧之间的不连续性；4)逐帧进行快速傅里叶变换、取绝对值及开平方运算，得到能量谱图；5)构造一个数量为128的梅尔滤波器，与能量谱图进行点积运算，将能量谱转换为更接近人耳机理的梅尔频率谱；6)为了模拟人耳的“对数式”特性，对梅尔频谱图取对数；7)通过离散余弦变换，改变数据分布，将大部分信号数据集中到低频区。本发明的一个实施例中取用前13个值作为MFCC特征值。
本发明的一个实施例采用了Python中的音频特征提取工具包python_speech_features，用于MFCC组合特征的提取。
该基于卷积神经网络的喷雾流量调控方法以训练好的卷积神经网络作为喷嘴声信号的识别器与分类器，通过将提取的MFCC组合特征输入网络来识别当前的喷雾状态。
图4为本发明一个实施例的一种基于卷积神经网络的喷雾流量调控方法中所述的卷积神经网络的结构与参数图。
如图4所示，该卷积神经网络将大小为39×44的二维MFCC组合特征输入网络，经过卷积、池化与Flatten操作，转化为大小为960的一维数据，再通过Dense操作，输出大小为1的一维数据，即为当前喷雾流量的预测值。
卷积神经网络由2卷积层、2个池化层、1个全连接层与1个深度层组成。卷积层Conv2D_1由16个3×3卷积核构成，步长为1。卷积层Conv2D_2由32个2×2卷积核构成，步长为2。每个卷积层后均连接着一个2×2的池化层，步长为2。参照图4，卷积神经网络由输入Input至输出Output依次包括卷积层Conv2D_1、池化层MaxPooling2D_1、卷积层Conv2D_1、池化层MaxPooling2D_2、全连接层Flatten和深度层Dense。
卷积神经网络的卷积层与深度层使用了不同的激活函数。两个卷积层使用线性整流函数(Rectified LinearUnit,ReLU)，以增加网络的非线性；与输出相连的深度层则使用均方误差(Mean Squared Error，MSE)作为损失函数，以更准确地预测喷嘴声信号反应的流量值。
其中，yi和
分别为喷雾流量的预测值与真实值。而yi为实际工作时卷积神经网络的输出，
为相应地网络训练时卷积神经网络的输出。
在步骤S02中，根据作物生长状况，设定最优喷雾参数，实时采集喷嘴工作时的声音信号，输入识别模型。
最优喷雾参数在指喷嘴的型号与喷雾角、喷雾时的压力以及相应的流量值、喷嘴的安装高度等用于保证最佳喷雾效果的参数。
在实时采集喷嘴声信号时，麦克风相对于喷嘴的安装位置经过了一定的实验研究。对于本发明的一个实施例所采用的扁扇形喷嘴，麦克风安装在扇形喷雾侧面近喷嘴处，可在避免喷雾打湿麦克风的前提下采集到更可靠的声信号。在实时采集喷嘴声信号时，为减小声信号采集时的环境噪音，在麦克风除喷嘴所在的方向，安装了一个防护罩，以提高喷雾状态识别的准确率。
在步骤S03中，喷嘴工作状态异常时，调节喷雾***参数，并在超出限度后报警，提醒生产技术人员更换喷嘴。
异常喷嘴工作状态包括喷嘴堵塞与喷嘴磨损两种情况。喷嘴堵塞时，喷雾雾型发生明显改变，喷雾流量大范围下降；喷嘴磨损会造成喷雾流量的升高，一定范围的磨损对喷雾效果影响不大，可通过调整喷雾参数进行补偿，但磨损超过限度后，需及时更换喷嘴。
通过将喷雾***工作时采集到的声信号，输入训练好的卷积神经网络，获取喷嘴工作状态，具有较高的识别速度与精度。通过调控喷雾***参数，补偿喷嘴磨损，并在磨损超出允许程度及喷嘴堵塞时，进行报警。
以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。
Claims (10)
1.一种基于卷积神经网络的喷雾流量调控***，其特征在于：包括：
声信号测量单元，用于接收喷嘴在喷雾时发出的声信号，并将模拟音频编码为数字音频；
运算控制单元，用于对喷嘴声信号进行音频特征提取和喷嘴工作状态的卷积神经网络识别，获取喷嘴处的喷雾状态，并根据喷雾状态发出相应的控制指令；
流量调控单元，用于满足作物要求喷雾的发生及喷雾异常时的调控与报警。
2.根据权利要求1所述的一种基于卷积神经网络的喷雾流量调控***，其特征在于：声信号测量单元包括电容式防水麦克风和立体声音频编解码器。
3.根据权利要求2所述的一种基于卷积神经网络的喷雾流量调控***，其特征在于：运算控制单元包括嵌入式AI计算模组与嵌入式微控制器单片机两部分。
4.根据权利要求3所述的一种基于卷积神经网络的喷雾流量调控***，其特征在于：流量调控单元包括用于产生喷雾的喷雾模块、流量状态异常时发出报警的预警模块和用于喷雾***调节与启停控制的调控模块；喷雾模块包括隔膜泵、压力表和喷嘴，隔膜泵采用压力开关型高压电动隔膜泵，压力表采用对喷雾压力测量的指针式压力表；预警模块包括蜂鸣器；调控模块包括电机驱动板。
5.根据权利要求4所述的一种基于卷积神经网络的喷雾流量调控***，其特征在于：通过电机驱动板调整隔膜泵电机转速与启停实现喷嘴流量的补偿与有无，实现流量调控。
6.根据权利要求5所述的一种基于卷积神经网络的喷雾流量调控***，其特征在于：声信号测量单元与AI计算模组通过I2C与I2S方式进行通讯，单片机与AI计算模组通过UART串口通讯。
7.一种利用权利要求1-6中任一项所述的基于卷积神经网络的喷雾流量调控***的调控方法，其特征在于：包括以下步骤：
步骤1，通过采集不同压力不同工作时长的喷嘴声信号，提取MFCC组合特征，训练卷积神经网络参数，建立喷嘴工作状态识别模型；
步骤2，根据作物生长状况，设定最优喷雾参数，实时采集喷嘴工作时的声音信号，输入识别模型；
步骤3，喷嘴工作状态异常时，调节喷雾***参数，并在超出限度后报警，提醒生产技术人员更换喷嘴。
其中，步骤1中不同压力不同工作时长的喷嘴声信号是为获取不同喷雾压力下喷嘴不同磨损程度时的声信号特征在实验室条件下测得，每段音频的时长设定为1秒；通过从稳定喷雾状态下所录喷嘴声信号中随机提取的方式来获得音频数据集。
8.根据权利要求7所述的一种基于卷积神经网络的喷雾流量调控方法，其特征在于：在喷嘴工作状态的识别中，将一维音频信息转化为带有时间维度的二维图像信息。
9.根据权利要求8所述的一种基于卷积神经网络的喷雾流量调控方法，其特征在于：MFCC组合特征由13维MFCC特征及其一阶与二阶差分组成，是一种用于表征喷嘴发声特点的39维音频特征。其中，13维的MFCC特征用于反映喷嘴声信号的静态特征，一阶与二阶差分用于反映其动态特征。
10.根据权利要求10所述的一种基于卷积神经网络的喷雾流量调控方法，其特征在于：卷积神经网络由2卷积层、2个池化层、1个全连接层与1个深度层组成。卷积层Conv2D_1由16个3×3卷积核构成，步长为1。卷积层Conv2D_2由32个2×2卷积核构成，步长为2。每个卷积层后均连接着一个2×2的池化层，步长为2；
该卷积神经网络的卷积层与深度层使用了不同的激活函数；两个卷积层使用线性整流函数ReLU；与输出相连的深度层使用均方误差MSE作为损失函数；
其中，yi和
分别为喷雾流量的预测值与真实值；而yi为实际工作时卷积神经网络的输出，
为相应地网络训练时卷积神经网络的输出；
该卷积神经网络中，与输出相连的深度层的参数量为1，用于将全连接层的960个参数，转化为最终的流量预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210023228.7A CN114371649A (zh) | 2022-01-10 | 2022-01-10 | 一种基于卷积神经网络的喷雾流量调控***与方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210023228.7A CN114371649A (zh) | 2022-01-10 | 2022-01-10 | 一种基于卷积神经网络的喷雾流量调控***与方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114371649A true CN114371649A (zh) | 2022-04-19 |
Family
ID=81144990
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210023228.7A Pending CN114371649A (zh) | 2022-01-10 | 2022-01-10 | 一种基于卷积神经网络的喷雾流量调控***与方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114371649A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115324759A (zh) * | 2022-10-12 | 2022-11-11 | 南通普盛动力有限公司 | 柴油发动机喷油嘴异常识别方法 |
| CN116124234A (zh) * | 2023-02-24 | 2023-05-16 | 宁波力擎超声科技有限公司 | 气体超声流量计 |
| WO2024021258A1 (zh) * | 2022-07-29 | 2024-02-01 | 福建天甫电子材料有限公司 | 电子级氢氧化钾的智慧产线的控制***及其控制方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5741980A (en) * | 1994-11-02 | 1998-04-21 | Foster-Miller, Inc. | Flow analysis system and method |
| US20050011278A1 (en) * | 2003-07-18 | 2005-01-20 | Brown Gregory C. | Process diagnostics |
| CN102968664A (zh) * | 2012-10-10 | 2013-03-13 | 江苏大学 | 一种移动机器人变量施药智能决策方法和*** |
| US20170080445A1 (en) * | 2015-09-17 | 2017-03-23 | Cnh Industrial America Llc | Nozzle Flow Detection System |
| CN107016239A (zh) * | 2017-03-30 | 2017-08-04 | 贵州电网有限责任公司电力科学研究院 | 一种asca和rbf神经网络模型的汽轮机阀门流量特性分析方法 |
| CN107013449A (zh) * | 2017-04-18 | 2017-08-04 | 山东万腾电子科技有限公司 | 基于深度学习的声音信号识别压缩机故障的方法及*** |
| CN111264497A (zh) * | 2020-02-10 | 2020-06-12 | 江苏大学 | 一种基于声音信息的水稻喷雾机喷头堵塞实时监测装置和方法 |
| CN111832432A (zh) * | 2020-06-23 | 2020-10-27 | 华中科技大学 | 一种基于小波包分解和深度学习的刀具磨损实时预测方法 |
| KR102214572B1 (ko) * | 2019-12-10 | 2021-02-09 | 주식회사 승광이엔지 | 오일 미스트 분사, 가열 및 냉각을 위한 제어 시스템 |
| US20210068612A1 (en) * | 2019-09-06 | 2021-03-11 | Lg Electronics Inc. | Operational state analyzable dishwasher and method of analyzing operational state of dishwasher |
| CN113551744A (zh) * | 2021-08-10 | 2021-10-26 | 中国石油大学(北京) | 一种超声流量计性能在线监测方法及*** |
-
2022
- 2022-01-10 CN CN202210023228.7A patent/CN114371649A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5741980A (en) * | 1994-11-02 | 1998-04-21 | Foster-Miller, Inc. | Flow analysis system and method |
| US20050011278A1 (en) * | 2003-07-18 | 2005-01-20 | Brown Gregory C. | Process diagnostics |
| CN102968664A (zh) * | 2012-10-10 | 2013-03-13 | 江苏大学 | 一种移动机器人变量施药智能决策方法和*** |
| US20170080445A1 (en) * | 2015-09-17 | 2017-03-23 | Cnh Industrial America Llc | Nozzle Flow Detection System |
| CN107016239A (zh) * | 2017-03-30 | 2017-08-04 | 贵州电网有限责任公司电力科学研究院 | 一种asca和rbf神经网络模型的汽轮机阀门流量特性分析方法 |
| CN107013449A (zh) * | 2017-04-18 | 2017-08-04 | 山东万腾电子科技有限公司 | 基于深度学习的声音信号识别压缩机故障的方法及*** |
| US20210068612A1 (en) * | 2019-09-06 | 2021-03-11 | Lg Electronics Inc. | Operational state analyzable dishwasher and method of analyzing operational state of dishwasher |
| KR102214572B1 (ko) * | 2019-12-10 | 2021-02-09 | 주식회사 승광이엔지 | 오일 미스트 분사, 가열 및 냉각을 위한 제어 시스템 |
| CN111264497A (zh) * | 2020-02-10 | 2020-06-12 | 江苏大学 | 一种基于声音信息的水稻喷雾机喷头堵塞实时监测装置和方法 |
| CN111832432A (zh) * | 2020-06-23 | 2020-10-27 | 华中科技大学 | 一种基于小波包分解和深度学习的刀具磨损实时预测方法 |
| CN113551744A (zh) * | 2021-08-10 | 2021-10-26 | 中国石油大学(北京) | 一种超声流量计性能在线监测方法及*** |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024021258A1 (zh) * | 2022-07-29 | 2024-02-01 | 福建天甫电子材料有限公司 | 电子级氢氧化钾的智慧产线的控制***及其控制方法 |
| CN115324759A (zh) * | 2022-10-12 | 2022-11-11 | 南通普盛动力有限公司 | 柴油发动机喷油嘴异常识别方法 |
| CN115324759B (zh) * | 2022-10-12 | 2022-12-27 | 南通普盛动力有限公司 | 柴油发动机喷油嘴异常识别方法 |
| CN116124234A (zh) * | 2023-02-24 | 2023-05-16 | 宁波力擎超声科技有限公司 | 气体超声流量计 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114371649A (zh) | 一种基于卷积神经网络的喷雾流量调控***与方法 | |
| CN108198562A (zh) | 一种用于实时定位辨识动物舍内异常声音的方法及*** | |
| EP3923273B1 (en) | Voice recognition method and device, storage medium, and air conditioner | |
| Wu et al. | Automatic speech emotion recognition using modulation spectral features | |
| CN101023469B (zh) | 数字滤波方法和装置 | |
| CN105989842B (zh) | 对比声纹相似度的方法、装置及其在数字娱乐点播***中的应用 | |
| CN108447479A (zh) | 嘈杂工况环境的机器人语音控制*** | |
| CN108297108B (zh) | 一种球形跟随机器人及其跟随控制方法 | |
| CN108460334A (zh) | 一种基于声纹和人脸图像特征融合的年龄预测***及方法 | |
| WO2016028495A1 (en) | Systems for speech-based assessment of a patient's state-of-mind | |
| CN107578772A (zh) | 融合声学特征和发音运动特征的发音评估方法和*** | |
| EP4131256A1 (en) | Voice recognition system and method using accelerometers for sensing bone conduction | |
| TWI749663B (zh) | 發聲監控之方法及系統 | |
| CN110368005A (zh) | 一种智能耳机及基于智能耳机的情绪及生理健康监控方法 | |
| CN106264839A (zh) | 智能止鼾枕 | |
| Birkholz et al. | Non-invasive silent phoneme recognition using microwave signals | |
| CN101301240A (zh) | 电子耳蜗汉语固定电刺激幅度变化模式体外语音处理装置 | |
| CN115358718A (zh) | 基于智能监测前端的噪声污染分类及实时监管方法 | |
| CN109448700A (zh) | 一种基于改进mfcc算法的嵌入式语音识别***及方法 | |
| US20210375111A1 (en) | Notification device, wearable device and notification method | |
| CN111243624B (zh) | 人员状态评估的方法和*** | |
| CN104965194B (zh) | 一种模拟双耳效应的室内多声源定位装置及方法 | |
| Zhang et al. | A novel insect sound recognition algorithm based on MFCC and CNN | |
| Lin et al. | Acoustic recognition method in low SNR based on human ear bionics | |
| EP4360087A1 (en) | Multi-encoder end-to-end automatic speech recognition (asr) for joint modeling of multiple input devices |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |