Inhaltsverzeichnis
Vorwort
Dieses Projekt basiert auf dem Keras-Framework, führt CNN für das Modelltraining ein, verwendet den Dropout-Gradientenabstiegsalgorithmus, verwirft einige Neuronen proportional und verwendet IOT und WeChat-Applets, um eine automatische Fernüberwachung der Fruchtreife und eine Echtzeitüberwachung auf mobilen Endgeräten zu realisieren. Die Bereitstellung von Pflückanleitungen für Obstbauern ist hilfreich, um Arbeitskräfte zu sparen, die Produktionseffizienz zu verbessern und den wirtschaftlichen Nutzen zu steigern.
Dieses Projekt basiert auf dem Keras-Framework und verwendet Convolutional Neural Network (CNN) für das Modelltraining. Durch die Einführung des Dropout-Gradientenabstiegsalgorithmus wird eine proportionale Verwerfung von Neuronen erreicht, um die Robustheit und Generalisierungsleistung des Modells zu verbessern. Gleichzeitig hat das Projekt mithilfe der Internet-of-Things-Technologie (IoT) und des WeChat-Applets die Funktion einer automatisierten Fernüberwachung der Fruchtreife und einer Echtzeitüberwachung des Obstgartenstatus auf dem mobilen Endgerät realisiert. Dadurch erhalten Obstbauern in Echtzeit Anleitungen zum Pflücken, es hilft, Arbeitskräfte zu sparen, die Produktionseffizienz zu verbessern und dadurch den wirtschaftlichen Nutzen von Obstgärten zu steigern.
Zunächst nutzt das Projekt das Keras-Framework, um ein Faltungs-Neuronales Netzwerk aufzubauen und nutzt Deep-Learning-Technologie, um die Fruchtreife genau zu identifizieren und vorherzusagen.
Zweitens wird der Dropout-Gradientenabstiegsalgorithmus eingeführt, um eine Überanpassung des Modells zu verhindern und die Generalisierungsfähigkeit auf neue Daten durch zufälliges Verwerfen von Neuronen zu verbessern.
Anschließend integrierte das Projekt die Technologie des Internets der Dinge, um die Früchte im Obstgarten mithilfe von Sensoren und anderen Geräten aus der Ferne zu überwachen. Auf diese Weise können Obstbauern den Reifestatus von Früchten an verschiedenen Standorten aus der Ferne verstehen.
Gleichzeitig können Obstbauern über das WeChat-Applet den Status von Obstgärten in Echtzeit überwachen und Informationen wie Fruchtreife und Pflückzeitpunkt verstehen, um die Pflückarbeit wissenschaftlicher zu gestalten.
Insgesamt führte dieses Projekt nicht nur fortschrittliche Deep-Learning-Technologie in das Modelltraining ein, sondern implementierte auch ein intelligentes Obstgartenmanagementsystem über das Internet der Dinge und das WeChat-Applet, das Obstbauern bequemere und effizientere Lösungen für die landwirtschaftliche Produktion bietet.
Gesamtkonzept
Dieser Teil enthält das Gesamtsystemstrukturdiagramm und das Systemflussdiagramm.
Gesamtsystemstrukturdiagramm
Der Gesamtaufbau des Systems ist in der Abbildung dargestellt.
Systemflussdiagramm
Der Modelltrainingsprozess ist in der Abbildung dargestellt.
Der Daten-Upload-Prozess ist in der Abbildung dargestellt.
Der Applet-Prozess ist in der Abbildung dargestellt.
Betriebsumgebung
Dieser Teil umfasst die Python-Umgebung, die TensorFlow-Umgebung, die JupyterNotebook-Umgebung, die PyCharm-Umgebung, die WeChat-Entwicklertools und die OneNET-Cloud-Plattform.
Python-Umgebung
Die Konfiguration von Python 3.6 und höher ist erforderlich. In einer Windows-Umgebung wird empfohlen, Anaconda herunterzuladen, um die Konfiguration der für Python erforderlichen Umgebung abzuschließen. Die Download-Adresse lautet https://www.anaconda.com/ . Sie können auch eine virtuelle Version herunterladen Maschine, um den Code in einer Linux-Umgebung auszuführen.
TensorFlow-Umgebung
Die Installationsmethode ist wie folgt:
Öffnen Sie die Anaconda-Eingabeaufforderung und geben Sie das Bild des Tsinghua-Lagers ein.
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config -set show_channel_urls yes
Erstellen Sie eine Python 3.5-Umgebung mit dem Namen TensorFlow. Derzeit besteht ein Übereinstimmungsproblem zwischen der Python-Version und der nachfolgenden TensorFlow-Version. Wählen Sie für diesen Schritt Python 3.x aus.
conda create -n tensorflow python=3.5
Wenn Sie eine Bestätigung benötigen, geben Sie y ein. Aktivieren Sie die TensorFlow-Umgebung im Anaconda Prompt:
conda activate tensorflow
Installieren Sie die CPU-Version von TensorFlow:
pip install -upgrade --ignore -installed tensorflow
Der Testcode lautet wie folgt:
import tensorflow as tf
hello = tf.constant( 'Hello, TensorFlow! ')
sess = tf.Session()
print sess.run(hello)
# 输出 b'Hello! TensorFlow'
Eingerichtet.
Jupyter Notebook-Umgebung
Voraussetzung für die Installation von Jupyter Notebook ist, dass Python2.7 oder Python3.3 und höher installiert sind.
Eine Möglichkeit besteht darin, es mit Anaconda zu installieren und den Befehl im Terminal einzugeben:
conda install jupyter notebook
Eine andere Methode besteht darin, den Befehl pip zum Installieren zu verwenden, pip auf die neueste Version zu aktualisieren und den folgenden Befehl einzugeben:
pip install -upgrade pip
Installieren Sie dann JupyterNotebook und geben Sie den Befehl ein:
pip install jupyter
Eingerichtet.
Pycharm-Umgebung
Die Download-Adresse von PyCharm lautet http://www.jetbrains.com/pycharm/download/#section=windows . Klicken Sie nach dem Aufrufen der Website unter der Comminity-Version auf DOWNLOAD, um das Installationspaket herunterzuladen. Nachdem der Download abgeschlossen ist, installieren Sie es . Klicken Sie auf „Neues Projekt erstellen“, um eine neue Projektdatei zu erstellen. „Speicherort“ ist der Pfad zum Speichern des Projekts. Klicken Sie auf das Dreieckssymbol neben dem Projekt. Sie können sehen, dass PyCharm automatisch Python 3.6 erhalten hat. Klicken Sie auf „Erstellen“, um den Vorgang abzuschließen.
Verwandte andere Blogs
Download des Projektquellcodes
Weitere Informationen finden Sie auf meiner Blog-Ressourcen-Download-Seite
Weitere Informationen herunterladen
Wenn Sie weiterhin die Lernrouten und Wissenssysteme im Zusammenhang mit künstlicher Intelligenz verstehen möchten, können Sie gerne meinen anderen Blog „ Schwergewicht | Vollständiges KI-Lernen mit künstlicher Intelligenz – Grundlegende Wissenslernroute“ lesen. Alle Informationen können direkt von der Netzwerkfestplatte heruntergeladen werden ohne irgendwelche Routinen zu befolgen.》
Dieser Blog bezieht sich auf Githubs bekannte Open-Source-Plattform, KI-Technologieplattform und Experten in verwandten Bereichen: Datawhale, ApacheCN, AI Youdao und Dr. Huang Haiguang usw. Es gibt fast 100 GB verwandte Informationen. I Ich hoffe, es kann allen meinen Freunden helfen.