CN115393645A - 一种土壤自动分类定名方法、***、存储介质及智能终端 - Google Patents

一种土壤自动分类定名方法、***、存储介质及智能终端 Download PDF

Info

Publication number
CN115393645A
CN115393645A CN202211036173.XA CN202211036173A CN115393645A CN 115393645 A CN115393645 A CN 115393645A CN 202211036173 A CN202211036173 A CN 202211036173A CN 115393645 A CN115393645 A CN 115393645A
Authority
CN
China
Prior art keywords
information
value
soil
preset
action
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
Application number
CN202211036173.XA
Other languages
English (en)
Inventor
于钱米
刘振华
张国庆
牛吉强
王高生
吴瑾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo East China Nuclear Industry Engineering Survey Institute
Original Assignee
Ningbo East China Nuclear Industry Engineering Survey Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ningbo East China Nuclear Industry Engineering Survey Institute filed Critical Ningbo East China Nuclear Industry Engineering Survey Institute
Priority to CN202211036173.XA priority Critical patent/CN115393645A/zh
Publication of CN115393645A publication Critical patent/CN115393645A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种土壤自动分类定名方法、***、存储介质及智能终端,涉及土壤识别技术的领域，其包括获取输入图像信息；将输入图像信息输入至预设识别服务器中进行识别以输出土壤类别信息以及土壤参数信息。本申请具有提高土壤定名的整体效率的效果。

Description

一种土壤自动分类定名方法、***、存储介质及智能终端
技术领域
本申请涉及土壤识别技术的领域，尤其是涉及一种土壤自动分类定名方法、***、存储介质及智能终端。
背景技术
土壤成分复杂、类型众多，加之不同需求分类侧重点不尽相同，因此难以用统一标准对土壤进行分类。目前国内外的做法是在制定基本的土壤概括性分类标准基础上，各行业和地区根据自身特点再制定更明确细化的土壤分类定名标准，土壤分类定名的目的在于更好地认识和分析土壤的物理、化学属性，以满足工程应用和科学研究需求。
相关技术中，在对土壤进行定名时，一般采用表观查看与实验室仪器成分测量相结合的方式进行：表观查看主要由专业技术人员通过对岩土的颗粒度、塑性等初步分析来确定岩土的类型；实验室仪器分析主要借助计量仪器，对除颗粒度、塑性等进行计量外，还对岩土有机质、化学成分等含量等进行测量，并在此基础上对岩土进行分类定名。
针对上述中的相关技术，发明人认为通过上述技术对土壤定名速度较慢，尚有改进空间。
发明内容
为了提高土壤定名的整体效率，本申请提供一种土壤自动分类定名方法、***、存储介质及智能终端。
第一方面，本申请提供一种土壤自动分类定名方法，采用如下的技术方案：
一种土壤自动分类定名方法，包括：
获取输入图像信息；
将输入图像信息输入至预设识别服务器中进行识别以输出土壤类别信息以及土壤参数信息。
通过采用上述技术方案，当工作人员需要对所获取的岩石样本进行命名时，将该样本的图像输入至识别服务器中以进行岩石识别，并输出对应的土壤类别信息，使得土壤定名整体效率较高；同时，会输出对应的土壤参数，工作人员可根据土壤参数分析定名是否正确，以对不正确情况进行人为修改处理，提高土壤定名准确性。
可选的，识别服务器的建立方法包括：
获取需求分类信息、训练样本图像信息以及样本参数信息；
将训练样本图像信息输入至预设卷积模块以及预设线性模块中以提取特征图像信息；
根据预设随机函数以随机生成特征图像信息于需求分类信息所对应分类种类下各预设固定状态以及预设固定动作的动作函数值，并将当前所处的固定状态的下一固定状态定义为后续状态；
根据当前所处固定状态的固定动作以及样本参数信息中需求分类信息所对应分类下的动作以确定反馈值，并于后续状态的固定动作中确定最大的动作函数值，且将该动作函数值定义为后续最大值；
根据预设固定值、反馈值、动作函数值以及后续最大值进行计算以更新各固定动作的动作函数值，并根据预设模拟数据库中所存储的样本参数信息、固定动作以及模拟动作值进行匹配分析以确定样本参数信息下各固定动作的模拟动作值；
根据动作函数值以及模拟动作值进行差值计算以确定损失值，并判断损失值是否均小于所预设的合格值；
若损失值均小于合格值，则输出训练完成信号并据此以建立识别服务器；
若损失值不均小于合格值，则修正卷积模块以及线性模块中的权重以重新确定特征图像信息，并重新进行损失值计算，直至输出训练完成信号。
通过采用上述技术方案，根据工作人员所输入的训练样本以进行网络模型训练，训练过程中，根据对应动作以及对应状态以确定实际情况下的动作函数值，并根据实际动作函数值与模拟动作值进行比对以确定网络训练的准确度情况，当损失值较小时，说明网络训练后对岩石分类识别较为准确，此时根据该情况进行识别服务器建立以用于岩石土壤识别即可。
可选的，特征图像信息的提取方法包括：
根据样本图像信息以确定输入矩阵大小信息；
将样本图像信息输入至卷积模块中并根据输入矩阵大小信息以及预设卷积参数进行计算以确定输出矩阵大小信息；
判断输出矩阵大小信息所对应数值是否小于所预设的上限值；
若输出矩阵大小信息所对应数值小于上限值，则输出大小满足信号；
若输出矩阵大小信息所对应数值不小于上限值，则将输出矩阵大小信息更新为新的输入矩阵大小信息以对图像再次进行卷积计算，直至输出大小满足信号；
于大小满足信号输出后根据预设模块数据库中所存储的需求分类信息与模型长度信息匹配分析以确定需求分类信息相对应的模型长度信息，并将卷积模块处理后的样本图像信息输入至模型长度信息所对应长度的线性模型中以输出特征图像信息。
通过采用上述技术方案，可根据输入样本的图像情况以对图像进行特征提取，以使得图像能够在卷积模块以及线性模块的处理下转化成能用于对识别服务器进行训练的图像。
可选的，动作函数值的更新方法包括：
根据预设权重数据库中所存储的需求分类信息与权重系数信息匹配分析以确定各需求分类信息相对应的权重系数信息；
定义：
更新前的动作函数值为q(st，at)；
更新后的动作函数值为q*(st，at)；
后续最大值为max(st+1，an)；
固定值为α；
反馈值为r；
权重系数信息所对应系数值为γ；
q*(st，at)＝q(st，at)+α[r+γ(max(st+1，an)-q(st，at))]。
通过采用上述技术方案，可根据岩土分类情况以确定对应权重值，根据权重值以实现对动作函数值的更新计算。
第二方面，本申请提供一种土壤自动分类定名***，采用如下的技术方案：
一种土壤自动分类定名***，包括：
获取模块，用于获取输入图像信息；
处理模块，与获取模块和判断模块连接，用于信息的存储和处理；
判断模块，与获取模块和处理模块连接，用于信息的判断；
处理模块将输入图像信息输入至预设识别服务器中进行识别以输出土壤类别信息以及土壤参数信息。
通过采用上述技术方案，当工作人员需要对所获取模块所获取的岩石样本进行命名时，处理模块将该样本的图像输入至识别服务器中以进行岩石识别，并输出对应的土壤类别信息，使得土壤定名整体效率较高；同时，会输出对应的土壤参数，工作人员可根据土壤参数分析定名是否正确，以对不正确情况进行人为修改处理，提高土壤定名准确性。
第三方面，本申请提供一种智能终端，采用如下的技术方案：
一种智能终端，包括存储器和处理器，存储器上存储有能够被处理器加载并执行上述任一种土壤自动分类定名方法的计算机程序。
通过采用上述技术方案，通过智能终端的使用，当工作人员需要对所获取的岩石样本进行命名时，将该样本的图像输入至识别服务器中以进行岩石识别，并输出对应的土壤类别信息，使得土壤定名整体效率较高；同时，会输出对应的土壤参数，工作人员可根据土壤参数分析定名是否正确，以对不正确情况进行人为修改处理，提高土壤定名准确性。
第四方面，本申请提供一种计算机存储介质，能够存储相应的程序，具有提高土壤定名整体效率的特点，采用如下的技术方案：
一种计算机可读存储介质，存储有能够被处理器加载并执行上述任一种土壤自动分类定名方法的计算机程序。
通过采用上述技术方案，存储介质中有土壤自动分类定名方法的计算机程序，当工作人员需要对所获取的岩石样本进行命名时，将该样本的图像输入至识别服务器中以进行岩石识别，并输出对应的土壤类别信息，使得土壤定名整体效率较高；同时，会输出对应的土壤参数，工作人员可根据土壤参数分析定名是否正确，以对不正确情况进行人为修改处理，提高土壤定名准确性。
综上所述，本申请包括以下至少一种有益技术效果：
1.将所需定名的土壤图像输入至识别服务器中，识别服务器可根据自身识别能力情况以确定土壤名称，以实现对土壤的快速命名，提高土壤定名的整体效率；
2.利用训练样本对识别服务器进行训练，以提高识别服务器对土壤定名的准确率；
3.土壤定名时同步输出土壤识别参数情况，以使技术人员能根据自身经验以对定名情况进行二次判断，当出现定名不正确使，技术人员可及时进行修正。
附图说明
图1是土壤自动分类定名方法的流程图。
图2是识别服务器建立方法的流程图。
图3是图像特征提取方法的流程图。
图4是土壤自动分类定名方法的模块流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图1-4及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
下面结合说明书附图对本发明实施例作进一步详细描述。
本申请实施例公开一种土壤自动分类定名方法，根据工作人员提供的训练样本以对识别服务器进行学习训练，当识别服务器对土壤各分类的识别效果均较佳时即说明该识别服务器训练完成；在土壤识别定名的过程中，工作人员只需将所需定名的土壤图像输入至识别服务器，识别服务器根据训练情况以输入对应土壤名称，以实现对土壤的快速定名，提高土壤定名整体效率。
参照图1，土壤自动分类定名的方法流程包括以下步骤：
步骤S100：获取输入图像信息。
输入图像信息所对应图像为工作人员所需命名的土壤图像，可通过工作人员上具有拍摄功能的设备进行拍摄获取。
步骤S101：将输入图像信息输入至预设识别服务器中进行识别以输出土壤类别信息以及土壤参数信息。
识别服务器为能对土壤图像进行识别并进行类型判断的服务器，该服务器可通过学习训练以进行建立；土壤类别信息所对应类别为土壤的名称，例如泥炭质土、淤泥质粘土等，可通过对土壤的颜色、强度、包含物、塑性、光泽度和均匀程度等6个状态类别进行分析以确定；土壤参数信息所对应参数包括所识别的土壤图像的具体参数，例如土壤类别信息所对应类型为泥炭质土，此时于颜色状态类别的参数中黑色占比为0.8、红色0.1，灰色0.1，则土壤识别时认定该土壤为黑色，但会输出对应的颜色占比，以使有经验的工作人员能通过对颜色等状态类别具体参数的分析以判断识别服务器中所输出的土壤名称是否正确。
参照图2，识别服务器的建立方法包括：
步骤S200：获取需求分类信息、训练样本图像信息以及样本参数信息。
需求分类信息所对应种类为需要确定的状态类别，包括土壤的颜色、强度、包含物、塑性、光泽度和均匀程度等6个状态类别，训练样本图像信息所对应图像为工作人员所输入的供识别服务器进行训练的图像，样本参数信息所对应参数为用户所提供的训练样本于需求分类信息所对应种类下的具体情况，例如，颜色为灰色、强度为好、包含物为贝壳、塑性为可塑、光泽度为粗糙和均匀程度为较均匀，由工作人员所输入样本图像时同步输入。
步骤S201：将训练样本图像信息输入至预设卷积模块以及预设线性模块中以提取特征图像信息。
卷积模块为能对图像进行卷积处理的模块，线性模块为能将卷积处理后的图像拟合成线性的模块，均为图像处理中的常规模块，不作赘述；利用卷积模块以及线性模块的搭配使用，以使训练样本图像中能提取到对应的关键特征，记录该特征图像的信息即特征图像信息。
步骤S202：根据预设随机函数以随机生成特征图像信息于需求分类信息所对应分类种类下各预设固定状态以及预设固定动作的动作函数值，并将当前所处的固定状态的下一固定状态定义为后续状态。
随机函数为能随机赋值的函数，例如贪婪算法，固定状态为识别状态，即对当前特征图像信息所对应图像进行识别的状态，固定动作包括对颜色、强度、包含物、塑性、光泽度和均匀程度等6个状态类别的识别动作，以颜色为例，固定动作包含所有颜色动作，例如灰色、灰黄色、黄色等土壤有可能出现的颜色，动作函数值为固定状态下各固定动作在随机函数下所赋予的数值；当前固定状态为当前特征图像信息所对应图像的对应状态，当前固定状态的下一固定状态为当前特征图像信息所对应图像的下一特征图像信息所对应的图像的固定状态，以本申请为例，当前固定状态为当前图片所对应的识别状态，下一固定状态为下一输入图像的固定状态，将下一固定状态定义为后续状态以进行标识，以便于对两个前后状态进行区分。
步骤S203：根据当前所处固定状态的固定动作以及样本参数信息中需求分类信息所对应分类下的动作以确定反馈值，并于后续状态的固定动作中确定最大的动作函数值，且将该动作函数值定义为后续最大值。
样本参数信息中需求分类信息所对应分类的动作为用户所输入的图像类型，例如该分类为颜色，所对应的动作为灰色，则说明用户此时输入的样本颜色为灰色，此时若当前固定状态的固定动作与灰色一致，则说明该识别服务器选择灰色且选择正确，此时输出正确对应的反馈值，若当前固定状态的固定动作与灰色不一致，则说明该识别服务器选择不为灰色且选择错误，此时输出错误对应的反馈值，正确与错误的反馈值由工作人员根据实际情况进行确定，不作赘述，对正确和错误的判断可通过技术人员所制定的训练数据集进行确定；后续状态中存在若干固定动作，此时于所有固定动作中确定数值最大的动作函数值并将其定义为后续最大值以进行标识，以便于后续对该数据进行使用。
步骤S204：根据预设固定值、反馈值、动作函数值以及后续最大值进行计算以更新各固定动作的动作函数值，并根据预设模拟数据库中所存储的样本参数信息、固定动作以及模拟动作值进行匹配分析以确定样本参数信息下各固定动作的模拟动作值。
其中，固定值为工作人员所设定的固定数值，根据固定值、反馈值、动作函数值以及后续最大值可对动作函数值进行更新计算，以确定当前网络环境下对土壤识别的准确度，计算方法如下：先根据预设权重数据库中所存储的需求分类信息与权重系数信息匹配分析以确定各需求分类信息相对应的权重系数信息，其中权重系数信息所对应系数为需求分类信息所对应种类的某一种类占所有种类中的权重值，通过工作人员试验以对不同种类对土壤的影响程度以确定，例如，颜色权重0.5，强度权重0.1、包含物权重0.04、塑性权重0.3、光泽度权重0.01、均匀程度权重0.05，通过对应关系可进行权重数据库的建立，数据库建立方法为本领域技术人员常规技术手段，不作赘述；此时，定义更新前的动作函数值为q(st，at)；更新后的动作函数值为q*(st，at)；后续最大值为max(st+1，an)；固定值为α；反馈值为r；权重系数信息所对应系数值为γ；则，q*(st，at)＝q(st，at)+α[r+γ(max(st+1，an)-q(st，at))]；模拟动作值为工作人员输入样本后需要网络达到的完美值，例如工作人员输入的样本颜色为灰色，则所规定的模拟动作值为1，即只要后续有灰色的土壤输入，识别正确率能达到100％，样本参数信息、固定动作以及模拟动作值的对应关系由工作人员根据试验以确定，可通过三者对应关系以进行模拟数据库的建立，数据库建立方法为本领域技术人员常规技术手段，不作赘述。
步骤S205：根据动作函数值以及模拟动作值进行差值计算以确定损失值，并判断损失值是否均小于所预设的合格值。
损失值为更新后的动作函数值与模拟动作值之间的差值，即还存在多少的不准确率，合格值为工作人员所设定的可允许损失值的最大值，不同的种类可对应有不同的合格值，具体由工作人员根据实际情况进行设定；判断的目的是为了得知当前所训练的网络是否满足土壤正常识别要求。
步骤S2051：若损失值均小于合格值，则输出训练完成信号并据此以建立识别服务器。
当损失值均小于合格值时，说明土壤不同种类状态的识别均能较为正确的识别，此时输出训练完成信号以说明该网络训练完成，并根据该情况以建立对应的识别服务器，以用于土壤的日常识别定名。
步骤S2052：若损失值不均小于合格值，则修正卷积模块以及线性模块中的权重以重新确定特征图像信息，并重新进行损失值计算，直至输出训练完成信号。
当损失值不均小于合格值时，说明土壤不同种类状态中至少还有一种种类无法较为正确的识别，此时修正卷积模块以及线性模块中的权重以使得输出的特征图像进行改变，从而使得动作函数值能重新进行计算，以使得损失值能进行更新，不断的更新图像输出情况以使得网络模型能不断进行学习训练，直至输出训练完成信号以确定合格的网络模型；其中，修正权重的方法为本领域技术人员常规操作，不作赘述。
参照图3，特征图像信息的提取方法包括：
步骤S300：根据样本图像信息以确定输入矩阵大小信息。
输入矩阵大小信息所对应矩阵大小为样本图像信息所对应图像图片的大小，例如，当输入图片大小为224*224*3时，对应的矩阵大小信息所对应大小为224。
步骤S301：将样本图像信息输入至卷积模块中并根据输入矩阵大小信息以及预设卷积参数进行计算以确定输出矩阵大小信息。
卷积参数为卷积模块的各参数值，包括卷积核大小、步幅以及补零层数，具体数值由工作人员根据实际情况进行设定，输出矩阵大小信息所对应大小为经过卷积模块处理后的图像的大小，计算方法为：定义w为输入矩阵大小信息所对应大小，w’为输出矩阵大小信息所对应大小，k为卷积核大小，s为步幅，p为补零层数，则
Figure BDA0003819149360000081
步骤S302：判断输出矩阵大小信息所对应数值是否小于所预设的上限值。
上限值为工作人员所设定的能进行特征提取时的图像的矩阵大小最大值，判断的目的是为了得知当前特征提取的图像是否能用于网络训练。
步骤S3021：若输出矩阵大小信息所对应数值小于上限值，则输出大小满足信号。
当输出矩阵大小信息所对应数值小于上限值时，说明此时所提取的图像能用于网络训练，此时输出大小满足信号以对该情况进行标识，以便于后续处理。
步骤S3022：若输出矩阵大小信息所对应数值不小于上限值，则将输出矩阵大小信息更新为新的输入矩阵大小信息以对图像再次进行卷积计算，直至输出大小满足信号。
当输出矩阵大小信息所对应数值不小于上限值时，说明此时的图像还未满足要求，此时将输出矩阵大小信息更新为新的输入矩阵大小信息于卷积模块中重新对图像进行处理，直至输出大小满足信号以将该图像用于网络训练。
步骤S303：于大小满足信号输出后根据预设模块数据库中所存储的需求分类信息与模型长度信息匹配分析以确定需求分类信息相对应的模型长度信息，并将卷积模块处理后的样本图像信息输入至模型长度信息所对应长度的线性模型中以输出特征图像信息。
模拟长度信息所对应长度值为线性模块的长度值，不同的需求分类信息对应有不同的模拟长度信息，例如，当类型为颜色时，颜色的总数量为13种，则对应的长度为13，当类型为强度时，强度的总数量为3种，则对应的长度为3，两者的对应关系由工作人员进行设置，且通过两者关系以建立对应的模块数据库；将卷积处理后的图像输入对应长度的线性模块，以输出对应的特征图像以用于不同需求分类信息所对应种类的网络训练，抢七中，将卷积模块的图像转化为线性模块的技术为本领域技术人员常规技术手段，不作赘述。
参照图4，基于同一发明构思，本发明实施例提供一种土壤自动分类定名***，包括：
获取模块，用于获取输入图像信息；
处理模块，与获取模块和判断模块连接，用于信息的存储和处理；
判断模块，与获取模块和处理模块连接，用于信息的判断；
处理模块将输入图像信息输入至预设识别服务器中进行识别以输出土壤类别信息以及土壤参数信息；
识别服务器建立模块，根据工作人员输入样本图像以训练学习服务器，以使服务器能较为准确的对所需识别的土壤图片进行识别，从而实现识别服务器的建立；
图像处理模块，根据输入图像的情况以通过卷积模块以及线性模块的处理，以使得图像处理后能用于网络训练；
动作值计算模块，用于对不同动作的动作函数值进行更新计算，以使得网络模型能根据函数情况进行不断训练。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明实施例提供一种计算机可读存储介质，存储有能够被处理器加载并执行土壤自动分类定名方法的计算机程序。
计算机存储介质例如包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
基于同一发明构思，本发明实施例提供一种智能终端，包括存储器和处理器，存储器上存储有能够被处理器加载并执行土壤自动分类定名方法的计算机程序。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，本说明书(包括摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或者具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

Claims (7)

1.一种土壤自动分类定名方法，其特征在于，包括：
获取输入图像信息；
将输入图像信息输入至预设识别服务器中进行识别以输出土壤类别信息以及土壤参数信息。
2.根据权利要求1所述的土壤自动分类定名方法，其特征在于,识别服务器的建立方法包括：
获取需求分类信息、训练样本图像信息以及样本参数信息；
将训练样本图像信息输入至预设卷积模块以及预设线性模块中以提取特征图像信息；
根据预设随机函数以随机生成特征图像信息于需求分类信息所对应分类种类下各预设固定状态以及预设固定动作的动作函数值，并将当前所处的固定状态的下一固定状态定义为后续状态；
根据当前所处固定状态的固定动作以及样本参数信息中需求分类信息所对应分类下的动作以确定反馈值，并于后续状态的固定动作中确定最大的动作函数值，且将该动作函数值定义为后续最大值；
根据预设固定值、反馈值、动作函数值以及后续最大值进行计算以更新各固定动作的动作函数值，并根据预设模拟数据库中所存储的样本参数信息、固定动作以及模拟动作值进行匹配分析以确定样本参数信息下各固定动作的模拟动作值；
根据动作函数值以及模拟动作值进行差值计算以确定损失值，并判断损失值是否均小于所预设的合格值；
若损失值均小于合格值，则输出训练完成信号并据此以建立识别服务器；
若损失值不均小于合格值，则修正卷积模块以及线性模块中的权重以重新确定特征图像信息，并重新进行损失值计算，直至输出训练完成信号。
3.根据权利要求2所述的土壤自动分类定名方法，其特征在于,特征图像信息的提取方法包括：
根据样本图像信息以确定输入矩阵大小信息；
将样本图像信息输入至卷积模块中并根据输入矩阵大小信息以及预设卷积参数进行计算以确定输出矩阵大小信息；
判断输出矩阵大小信息所对应数值是否小于所预设的上限值；
若输出矩阵大小信息所对应数值小于上限值，则输出大小满足信号；
若输出矩阵大小信息所对应数值不小于上限值，则将输出矩阵大小信息更新为新的输入矩阵大小信息以对图像再次进行卷积计算，直至输出大小满足信号；
于大小满足信号输出后根据预设模块数据库中所存储的需求分类信息与模型长度信息匹配分析以确定需求分类信息相对应的模型长度信息，并将卷积模块处理后的样本图像信息输入至模型长度信息所对应长度的线性模型中以输出特征图像信息。
4.根据权利要求3所述的土壤自动分类定名方法，其特征在于,动作函数值的更新方法包括：
根据预设权重数据库中所存储的需求分类信息与权重系数信息匹配分析以确定各需求分类信息相对应的权重系数信息；
定义：
更新前的动作函数值为q(st，at)；
更新后的动作函数值为q*(st，at)；
后续最大值为max(st+1，an)；
固定值为α；
反馈值为r；
权重系数信息所对应系数值为γ；
q*(st，at)＝q(st，at)+α[r+γ(max(st+1，an)-q(st，at))]。
5.一种土壤自动分类定名***，其特征在于，包括：
获取模块，用于获取输入图像信息；
处理模块，与获取模块和判断模块连接，用于信息的存储和处理；
判断模块，与获取模块和处理模块连接，用于信息的判断；
处理模块将输入图像信息输入至预设识别服务器中进行识别以输出土壤类别信息以及土壤参数信息。
6.一种智能终端，其特征在于，包括存储器和处理器，存储器上存储有能够被处理器加载并执行如权利要求1至4中任一种方法的计算机程序。
7.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行如权利要求1至4中任一种方法的计算机程序。
CN202211036173.XA 2022-08-27 2022-08-27 一种土壤自动分类定名方法、***、存储介质及智能终端 Pending CN115393645A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211036173.XA CN115393645A (zh) 2022-08-27 2022-08-27 一种土壤自动分类定名方法、***、存储介质及智能终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211036173.XA CN115393645A (zh) 2022-08-27 2022-08-27 一种土壤自动分类定名方法、***、存储介质及智能终端

Publications (1)

Publication Number Publication Date
CN115393645A true CN115393645A (zh) 2022-11-25

Family

ID=84122613

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211036173.XA Pending CN115393645A (zh) 2022-08-27 2022-08-27 一种土壤自动分类定名方法、***、存储介质及智能终端

Country Status (1)

Country Link
CN (1) CN115393645A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116486140A (zh) * 2023-03-22 2023-07-25 中化现代农业有限公司 土壤质地分类方法、装置和电子设备
CN117333486A (zh) * 2023-11-30 2024-01-02 清远欧派集成家居有限公司 Uv面漆性能检测数据分析方法、装置及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107688856A (zh) * 2017-07-24 2018-02-13 清华大学 基于深度强化学习的室内机器人场景主动识别方法
CN110490100A (zh) * 2019-07-31 2019-11-22 中铁二院工程集团有限责任公司 基于深度学习的岩土自动识别定名方法及***
US20200265308A1 (en) * 2019-02-20 2020-08-20 Fujitsu Limited Model optimization method, data identification method and data identification device
CN111680698A (zh) * 2020-04-21 2020-09-18 北京三快在线科技有限公司 图像识别方法、装置及图像识别模型的训练方法、装置
WO2021208771A1 (zh) * 2020-04-18 2021-10-21 华为技术有限公司 强化学习的方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107688856A (zh) * 2017-07-24 2018-02-13 清华大学 基于深度强化学习的室内机器人场景主动识别方法
US20200265308A1 (en) * 2019-02-20 2020-08-20 Fujitsu Limited Model optimization method, data identification method and data identification device
CN110490100A (zh) * 2019-07-31 2019-11-22 中铁二院工程集团有限责任公司 基于深度学习的岩土自动识别定名方法及***
WO2021208771A1 (zh) * 2020-04-18 2021-10-21 华为技术有限公司 强化学习的方法和装置
CN111680698A (zh) * 2020-04-21 2020-09-18 北京三快在线科技有限公司 图像识别方法、装置及图像识别模型的训练方法、装置

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
CHENG-JIAN LIN: ""Using a Reinforcement Q-Learning-Based Deep Neural Network for Playing Video Games"", 《ELECTRONICS》, 7 October 2019 (2019-10-07), pages 1 - 15 *
LANJEWAR, M.G: ""Convolutional Neural Networks based classifications of soil images"", 《MULTIMEDIA TOOLS AND APPLICATIONS》, 14 February 2022 (2022-02-14), pages 10313 - 10336 *
古 彭: ""Q-Learning算法的改进和实现"", 《计算机科学与应用》, 28 July 2021 (2021-07-28), pages 1 - 14 *
吴克宁: ""土壤质地分类及其在我国应用探讨"", 《土壤学报》, 31 January 2019 (2019-01-31), pages 227 - 241 *
郝慧珍: ""砂岩显微图像分析方法及其工具实现"", 《计算机科学》, 30 November 2017 (2017-11-30), pages 50 - 55 *
雷林建;孙胜利;向玉开;张悦;刘会凯;: "智能制造中的计算机视觉应用瓶颈问题", 中国图象图形学报, no. 07, 16 July 2020 (2020-07-16), pages 52 - 65 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116486140A (zh) * 2023-03-22 2023-07-25 中化现代农业有限公司 土壤质地分类方法、装置和电子设备
CN116486140B (zh) * 2023-03-22 2024-04-05 中化现代农业有限公司 土壤质地分类方法、装置和电子设备
CN117333486A (zh) * 2023-11-30 2024-01-02 清远欧派集成家居有限公司 Uv面漆性能检测数据分析方法、装置及存储介质
CN117333486B (zh) * 2023-11-30 2024-03-22 清远欧派集成家居有限公司 Uv面漆性能检测数据分析方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN115393645A (zh) 一种土壤自动分类定名方法、***、存储介质及智能终端
CN103528617B (zh) 一种座舱仪表自动识别和检测方法及装置
CN108960269B (zh) 数据集的特征获取方法、装置及计算设备
CN110232445B (zh) 一种基于知识蒸馏的文物真伪鉴定方法
CN109523188B (zh) 面向人机界面显示的舰员认知特性工效测评方法及***
CN114519498B (zh) 一种基于bim模型的质量验评方法和***
CN114414935A (zh) 基于大数据的配电网馈线故障区域自动化定位方法和***
CN112907026A (zh) 一种基于可编辑网状指标体系的综合评估方法
CN112527676A (zh) 模型自动化测试方法、装置及存储介质
CN115575322A (zh) 一种直插led灯珠的出厂质检方法及***
CN111626358A (zh) 一种基于bim图片识别的隧道围岩分级方法
CN117730655B (zh) 水稻种子活力定量分析方法、装置、设备及存储介质
CN111612149A (zh) 一种基于决策树的主网线路状态检测方法、***及介质
CN111414930B (zh) 深度学习模型训练方法及装置、电子设备及存储介质
CN112529112B (zh) 一种矿物识别的方法和装置
CN109946636A (zh) 一种基于深度学习的数字万用表示值自动校准方法
CN115994742B (zh) 湿拌砂浆塑化剂的全生命周期管理方法及装置
CN116596395B (zh) 用于工程项目测评单位指导及检测的运行质控平台
CN112614570A (zh) 样本集标注、病理图像分类、分类模型构建方法及装置
CN116958053A (zh) 一种基于yolov4-tiny的竹签计数方法
CN114708445B (zh) 一种商标相似度识别方法、装置、电子设备及存储介质
CN112505337B (zh) 一种辅助分析样品的数据处理方法
CN111813681B (zh) 一种动态用例优先级排序方法和装置
CN114155412A (zh) 深度学习模型迭代方法、装置、设备及存储介质
CN111598418A (zh) 基于均衡度的项目排序方法、装置、设备和存储介质

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
CB02 Change of applicant information

Address after: 19-2, No. 288 and 296, Baihe Road, Ningbo High tech Zone, Ningbo, Zhejiang 315,000

Applicant after: Ningbo East China Nuclear Industry Survey and Design Institute Group Co.,Ltd.

Address before: 19-2, No. 288 and 296, Baihe Road, Ningbo High tech Zone, Ningbo, Zhejiang 315,000

Applicant before: Ningbo East China Nuclear Industry Engineering Survey Institute

CB02 Change of applicant information