本申请涉及人工智能技术领域，且更为具体地，涉及一种基于权值分布的用于土壤取样筛选的神经网络的训练方法、基于深度神经网络的土壤取样筛选方法、基于权值分布的用于土壤取样筛选的神经网络的训练系统、基于深度神经网络的土壤取样筛选系统和电子设备。
背景技术：
水利工程是用于控制和调配自然界的地表水和地下水而修建的工程，在水利工程建设中，需要对土样进行检测以便于实施相应的施工需求。传统的土壤取样设备通过对于土壤取样作业不进行控制，而是后期由样本检测人员来对取出的土壤进行筛选，这包括分离出适当的土壤样本，以及去除石块等，这导致了土壤取样检测的筛选效率低，影响水利工程项目建设的进度。
因此，期望能够在进行土壤取样作业时就对要取样的土壤进行筛选，从而提高后续的检测效率。
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
近年来，深度学习以及神经网络的发展为土壤取样筛选提供了新的解决思路和方案。
技术实现要素：
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于权值分布的用于土壤取样筛选的神经网络的训练方法、基于深度神经网络的土壤取样筛选方法、基于权值分布的用于土壤取样筛选的神经网络的训练系统、基于深度神经网络的土壤取样筛选系统和电子设备，其通过计算机视觉的方式，来将待进行取样作业的候选土壤的图像与作为标准取样土壤图像的参考图像进行比较，来确定是否要对候选土壤进行取样。
根据本申请的一个方面，提供了一种基于权值分布的用于土壤取样筛选的神经网络的训练方法，其包括：
步骤1：获取训练用候选土壤图像和参考图像，所述参考图像为标准取样土壤图像；
步骤2：将所述训练用候选土壤图像和所述参考图像分别通过卷积神经网络以获得候选特征图和参考特征图；
步骤3：以第一加权系数对所述候选特征图进行加权，以获得第一加权特征图，其中，所述第一加权系数为在0到1的数值范围内按照符合标准正态分布随机选择的概率值；
步骤4：以第二加权系数对所述参考特征图进行加权，以获得第二加权特征图，其中，所述第二加权系数等于1减去所述第一加权系数；
步骤5：计算所述第一加权特征图和所述第二加权特征图之间的按像素位置的加权和，以获得所述分类特征图；
步骤6：将所述分类特征图通过分类函数，以获得分类损失函数值；
步骤7：以预定步长减小所述分类损失函数值，并以梯度下降的反向传播更新所述卷积神经网络的参数；以及
步骤8：迭代地执行所述步骤2到步骤7，以完成所述卷积神经网络的训练。
在上述基于权值分布的用于土壤取样筛选的神经网络的训练方法中，所述第一加权系数的取值范围在0.5到0.841。
在上述基于权值分布的用于土壤取样筛选的神经网络的训练方法中，将所述训练用候选土壤图像和所述参考图像分别通过卷积神经网络以获得候选特征图和参考特征图，包括：将所述候选特征图和所述参考特征图转化为相同尺度的特征图。
在上述基于权值分布的用于土壤取样筛选的神经网络的训练方法中，将所述分类特征图通过分类函数，以获得分类损失函数值，包括：将所述分类特征图通过全连接层以获得分类特征向量；将所述分类特征向量输入分类函数，以获得分类结果，所述分类结果表示所述候选土壤是否可作为取样土壤；以及，将所述分类结果与真实值之差输入损失函数，以获得所述分类损失函数值。
在上述基于权值分布的用于土壤取样筛选的神经网络的训练方法中，所述卷积神经网络为深度残差网络。
根据本申请的另一方面，提供了一种基于深度神经网络的土壤取样筛选方法，其包括：
获取备选土壤取样的图像；以及
将所述备选土壤取样图像输入根据如上所述的基于权值分布的用于土壤取样筛选的神经网络的训练方法所训练的卷积神经网络，以获得分类结果，所述分类结果用于表示所述备选土壤取样是否可作为取样土壤。
根据本申请的又一方面，提供了一种基于权值分布的用于土壤取样筛选的神经网络的训练系统，其包括：
图像获取单元，用于执行步骤1：获取训练用候选土壤图像和参考图像，所述参考图像为标准取样土壤图像；
特征图生成单元，用于执行步骤2：将所述图像获取单元获得的所述训练用候选土壤图像和所述参考图像分别通过卷积神经网络以获得候选特征图和参考特征图；
第一加权特征图生成单元，用于执行步骤3：以第一加权系数对所述特征图生成单元获得的所述候选特征图进行加权，以获得第一加权特征图，其中，所述第一加权系数为在0到1的数值范围内按照符合标准正态分布随机选择的概率值；
第二加权特征图生成单元，用于执行步骤4：以第二加权系数对所述特征图生成单元获得的所述参考特征图进行加权，以获得第二加权特征图，其中，所述第二加权系数等于1减去所述第一加权系数；
分类特征图生成单元，用于执行步骤5：计算所述第一加权特征图生成单元获得的所述第一加权特征图和所述第二加权特征图生成单元获得的所述第二加权特征图之间的按像素位置的加权和，以获得所述分类特征图；
分类损失函数值计算单元，用于执行步骤6：将所述分类特征图生成单元获得的所述分类特征图通过分类函数，以获得分类损失函数值；
参数更新单元，用于执行步骤7：以预定步长减小所述分类损失函数值计算单元获得的所述分类损失函数值，并以梯度下降的反向传播更新所述卷积神经网络的参数；以及
循环迭代单元，用于执行步骤8：迭代地执行所述步骤2到步骤7，以完成所述卷积神经网络的训练。
在上述基于权值分布的用于土壤取样筛选的神经网络的训练系统中，所述第一加权系数的取值范围在0.5到0.841。
在上述基于权值分布的用于土壤取样筛选的神经网络的训练系统中，所述特征图生成单元，进一步用于：将所述候选特征图和所述参考特征图转化为相同尺度的特征图。
在上述基于权值分布的用于土壤取样筛选的神经网络的训练系统中，所述分类损失函数值计算单元，包括：分类特征向量生成子单元，用于将所述分类特征图通过全连接层以获得分类特征向量；分类结果生成子单元，用于将所述分类特征向量输入分类函数，以获得分类结果，所述分类结果表示所述候选土壤是否可作为取样土壤；以及，损失函数计算子单元，用于将所述分类结果与真实值之差输入损失函数，以获得所述分类损失函数值。
在上述基于权值分布的用于土壤取样筛选的神经网络的训练系统中，所述卷积神经网络为深度残差网络。
根据本申请的再一方面，还提供了一种基于深度神经网络的土壤取样筛选系统，其包括：
备选土壤取样图像获取单元，用于获取备选土壤取样的图像；以及
分类结果生成单元，用于将所述备选土壤取样图像获取单元获得的所述备选土壤取样图像输入根据如上所述的基于权值分布的用于土壤取样筛选的神经网络的训练方法所训练的卷积神经网络，以获得分类结果，所述分类结果用于表示所述备选土壤取样是否可作为取样土壤。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的用于水泥包装机的袋装水泥容量监控的神经网络的训练方法，或者，基于深度神经网络的土壤取样筛选方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的用于水泥包装机的袋装水泥容量监控的神经网络的训练方法，或者，基于深度神经网络的土壤取样筛选方法。
根据本申请提供的基于权值分布的用于土壤取样筛选的神经网络的训练方法、基于深度神经网络的土壤取样筛选方法、基于权值分布的用于土壤取样筛选的神经网络的训练系统、基于深度神经网络的土壤取样筛选系统和电子设备，其通过计算机视觉的方式，来将待进行取样作业的候选土壤的图像与作为标准取样土壤图像的参考图像进行比较，来确定是否要对候选土壤进行取样。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的基于权值分布的用于土壤取样筛选的神经网络的训练方法和基于深度神经网络的土壤取样筛选方法的应用场景示意图。
图2图示了根据本申请实施例的基于权值分布的用于土壤取样筛选的神经网络的训练方法的流程图。
图3图示了根据本申请实施例的基于权值分布的用于土壤取样筛选的神经网络的训练方法的架构示意图。
图4图示了根据本申请实施例的基于权值分布的用于土壤取样筛选的神经网络的训练方法中，将所述分类特征图通过分类函数，以获得分类损失函数值的流程图。
图5图示了根据本申请实施例的基于深度神经网络的土壤取样筛选方法的流程图。
图6图示了根据本申请实施例的基于权值分布的用于土壤取样筛选的神经网络的训练系统的框图。
图7图示了根据本申请实施例的基于权值分布的用于土壤取样筛选的神经网络的训练系统中分类损失函数值计算单元的框图。
图8图示了根据本申请实施例的基于深度神经网络的土壤取样筛选系统的框图。
图9图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，水利工程是用于控制和调配自然界的地表水和地下水而修建的工程，在水利工程建设中，需要对土样进行检测以便于实施相应的施工需求。传统的土壤取样设备通过对于土壤取样作业不进行控制，而是后期由样本检测人员来对取出的土壤进行筛选，这包括分离出适当的土壤样本，以及去除石块等，这导致了土壤取样检测的筛选效率低，影响水利工程项目建设的进度。
因此，期望能够在进行土壤取样作业时就对要取样的土壤进行筛选，从而提高后续的检测效率。
具体地，本申请的申请人通过计算机视觉的方式，来将待进行取样作业的候选土壤的图像与作为标准取样土壤图像的参考图像进行比较，来确定是否要对候选土壤进行取样。
但是，在上述比较的过程当中，不可能要求候选土壤的图像与参考图像完全一致，而是需要找到图像在某些特征方面的一致性，而同时保持在其它特征方面的多样性，因此，需要针对图像获得高维特征，并且在高维特征中进行该一致性和多样性的均衡。
因此，在本申请的技术方案中，在对用于提取图像特征的卷积神经网络进行训练时，需要针对上述高维特征的一致性和多样性的均衡来对训练用的候选图像和参考图像所获得的特征图进行处理。因为在针对候选图像和参考图像所获得的特征图进行分类时，需要将候选图像和参考图像对应的特征图进行融合，因此在本申请的技术方案中，通过在融合时选择既具有一定的随机性又具有较高概率的一致性的加权函数来进行融合。
具体地，针对训练用的候选土壤图像和参考图像，首先将其分别通过卷积神经网络以获得候选特征图和参考特征图，然后，以第一加权系数和第二加权系数分别对候选特征图和参考特征图进行加权。其中，所述第一加权系数在0到1的区间内随机选择，且选择的概率满足标准正态分布，即，在0到1的数值范围内按照符合标准正态分布的概率值，所选的数值概率为0.5到0.841，也就是，相对更关注候选特征图中的特征分布。并且，所述第一加权系数与所述第二加权系数之和为一。这样，当将候选特征图和参考特征图融合后，再通过融合的特征图获得分类损失函数并对卷积神经网络进行训练时，能够实现上述高维特征的一致性和多样性的均衡，从而获得更加实用的分类结果。
基于此，本申请提出了一种基于权值分布的用于土壤取样筛选的神经网络的训练方法，其包括：步骤1：获取训练用候选土壤图像和参考图像，所述参考图像为标准取样土壤图像；步骤2：将所述训练用候选土壤图像和所述参考图像分别通过卷积神经网络以获得候选特征图和参考特征图；步骤3：以第一加权系数对所述候选特征图进行加权，以获得第一加权特征图，其中，所述第一加权系数为在0到1的数值范围内按照符合标准正态分布随机选择的概率值；步骤4：以第二加权系数对所述参考特征图进行加权，以获得第二加权特征图，其中，所述第二加权系数等于1减去所述第一加权系数；步骤5：计算所述第一加权特征图和所述第二加权特征图之间的按像素位置的加权和，以获得所述分类特征图；步骤6：将所述分类特征图通过分类函数，以获得分类损失函数值；步骤7：以预定步长减小所述分类损失函数值，并以梯度下降的反向传播更新所述卷积神经网络的参数；以及，步骤8：迭代地执行所述步骤2到步骤7，以完成所述卷积神经网络的训练。
基于此，本申请还提出了一种基于深度神经网络的土壤取样筛选方法，其包括：获取备选土壤取样的图像；以及，将所述备选土壤取样图像输入根据如上所述的基于权值分布的用于土壤取样筛选的神经网络的训练方法所训练的卷积神经网络，以获得分类结果，所述分类结果用于表示所述备选土壤取样是否可作为取样土壤。
图1图示了根据本申请实施例的基于权值分布的用于土壤取样筛选的神经网络的训练方法和基于深度神经网络的土壤取样筛选方法的应用场景示意图。
如图1所示，在该应用场景的训练阶段中，通过摄像头(例如，如图1中所示意的c)采集训练用候选土壤图像和参考图像，所述参考图像为标准取样土壤图像；然后，将所述训练用候选土壤图像和参考图像输入至部署有基于权值分布的用于土壤取样筛选的神经网络的训练算法的服务器中(例如，如图2中所示意的s)，其中，所述服务器能够以基于权值分布的用于土壤取样筛选的神经网络的训练算法以训练用候选土壤图像和参考图像对用于土壤取样筛选的深度神经网络进行训练。
在训练完成后，在检测阶段中，首先通过摄像头(例如，如图1中所示意的c)获取备选土壤取样的图像；然后，将所述备选土壤取样图像输入至部署有基于深度神经网络的土壤取样筛选算法的服务器中(例如，如图2中所示意的s)，其中，所述服务器能够以基于深度神经网络的土壤取样筛选算法对获取的所述备选土壤取样图像进行处理，以生成用于表示所述备选土壤取样是否可作为取样土壤的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了根据本申请实施例的基于权值分布的用于土壤取样筛选的神经网络的训练方法的流程图。如图2所示，根据本申请实施例的基于权值分布的用于土壤取样筛选的神经网络的训练方法，包括：步骤1：获取训练用候选土壤图像和参考图像，所述参考图像为标准取样土壤图像；步骤2：将所述训练用候选土壤图像和所述参考图像分别通过卷积神经网络以获得候选特征图和参考特征图；步骤3：以第一加权系数对所述候选特征图进行加权，以获得第一加权特征图，其中，所述第一加权系数为在0到1的数值范围内按照符合标准正态分布随机选择的概率值；步骤4：以第二加权系数对所述参考特征图进行加权，以获得第二加权特征图，其中，所述第二加权系数等于1减去所述第一加权系数；步骤5：计算所述第一加权特征图和所述第二加权特征图之间的按像素位置的加权和，以获得所述分类特征图；步骤6：将所述分类特征图通过分类函数，以获得分类损失函数值；步骤7：以预定步长减小所述分类损失函数值，并以梯度下降的反向传播更新所述卷积神经网络的参数；以及，步骤8：迭代地执行所述步骤2到步骤7，以完成所述卷积神经网络的训练。
图3图示了根据本申请实施例的基于权值分布的用于土壤取样筛选的神经网络的训练方法的架构示意图。如图3所示，在该网络架构中，首先将获取的训练用候选土壤图像(例如，如图3中所示意的in0)和参考图像(例如，如图3中所示意的in1)分别输入卷积神经网络(例如，如图3中所示意的cnn)以获得候选特征图(例如，如图3中所示意的f1)和参考特征图(例如，如图3中所示意的f2)。然后，以第一加权系数和第二加权系数融合所述候选特征图和所述参考特征图，以获得分类特征图(例如，如图3中所示意的fc)，其中，所述第一加权系数为在0到1的数值范围内按照符合标准正态分布随机选择的概率值，所述第一加权系数与所述第二加权系数之和为1。然后，将所述分类特征图通过分类函数，以获得分类损失函数值，并以预定步长减小所述分类损失函数值，并以梯度下降的反向传播更新所述卷积神经网络的参数。
在步骤1中，获取训练用候选土壤图像和参考图像，所述参考图像为标准取样土壤图像。
在步骤2中，将所述训练用候选土壤图像和所述参考图像分别通过卷积神经网络以获得候选特征图和参考特征图。。也就是，以深度卷积神经网络作为特征提取器提取出所述训练用候选土壤图像和所述参考图像中的高维特征。
本领域普通技术人员应知晓，深度卷积神经网络在提取图像局部空间特征方面具有优异的表现。在本申请一个具体的示例中，所述第一卷积神经网络被实施为深度残差网络，例如，resnet50。本领域普通技术人员应知晓，相较于传统的卷积神经网络，深度残差网络为在传统卷积神经网络的基础上提出的一种优化网络结构，其主要解决在训练过程中的梯度消失的问题。深度残差网络引入了残差网络结构，通过残差网络结构可以把网络层弄得更深，并且，不会发生梯度消失的问题。残差网络借鉴了高速网络的跨层链接思想，其打破了传统的神经网络从n-1层的输入层只能给n层作为输入的惯例，使某一层的输出可以直接跨过几层作为后面某一层的输入，其意义在于为迭加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。
进一步地，如前所述，本申请发明人的技术构思为将待进行取样作业的候选土壤的图像与作为标准取样土壤图像的参考图像进行比较，来确定是否要对候选土壤进行取样。然而，在上述比较的过程当中，不可能要求候选土壤的图像与参考图像完全一致，而是需要找到图像在某些特征方面的一致性，而同时保持在其它特征方面的多样性，因此，需要针对图像获得高维特征，并且在高维特征中进行该一致性和多样性的均衡。
因此，在本申请的技术方案中，在对用于提取图像特征的卷积神经网络进行训练时，需要针对上述高维特征的一致性和多样性的均衡来对训练用的候选图像和参考图像所获得的特征图进行处理。因为在针对候选图像和参考图像所获得的特征图进行分类时，需要将候选图像和参考图像对应的特征图进行融合，因此在本申请的技术方案中，通过在融合时选择既具有一定的随机性又具有较高概率的一致性的加权函数来进行融合。
在步骤3中，以第一加权系数对所述候选特征图进行加权，以获得第一加权特征图，其中，所述第一加权系数为在0到1的数值范围内按照符合标准正态分布随机选择的概率值。也就是，以第一加权系数对所述候选特征图进行模糊化处理，并且，所述第一加权系数在0到1的区间内随机选择，且选择的概率满足标准正态分布。优选地，所述第一加权系数的取值范围在0.5到0.841。
在步骤4中，以第二加权系数对所述参考特征图进行加权，以获得第二加权特征图，其中，所述第二加权系数等于1减去所述第一加权系数。也就是，以第二加权系数对所述候选特征图进行模糊化处理，并且，所述第一加权系数与所述第二加权系数之和为1。
在步骤5中，计算所述第一加权特征图和所述第二加权特征图之间的按像素位置的加权和，以获得所述分类特征图。也就是，将步骤3中获得的第一加权特征图与步骤4中获得的第二加权特征图进行融合，以获得所述分类特征图。应可以理解，通过在融合时选择既具有一定的随机性又具有较高概率的一致性的加权函数来进行融合，可使得所述融合特征图能够具有高维特征的一致性和多样性的均衡。
在步骤6中，将所述分类特征图通过分类函数，以获得分类损失函数值。具体地，将所述分类特征图通过分类函数，以获得分类损失函数值的过程，包括：首先，将所述分类特征图通过全连接层以获得分类特征向量，也就是，以全连接层作为编码器对所述分类特征图进行编码，以获得所述分类特征向量。相较于其他编码器，所述全连接层能够充分地利用所述分类特征图中各个位置的信息。
接着，将所述分类特征向量输入分类函数，以获得分类结果，所述分类结果为所述候选土壤可作为取样土壤的第一概率和所述候选图像不可作为取样土壤的第二概率。继而，可通过所述第一概率和所述第二概率，确定所述候选图像是否可作为取样土壤。
然后，将所述分类结果与真实值(这里的真实是为专家判断的所述候选土壤是否可作为取样土壤)之差输入损失函数，以获得所述分类损失函数值。
图4图示了根据本申请实施例的基于权值分布的用于土壤取样筛选的神经网络的训练方法中，将所述分类特征图通过分类函数，以获得分类损失函数值的流程图。如图4所示，在本申请实施例中，将所述分类特征图通过分类函数，以获得分类损失函数值，包括：s210，将所述分类特征图通过全连接层以获得分类特征向量；s220,将所述分类特征向量输入分类函数，以获得分类结果，所述分类结果表示所述候选土壤是否可作为取样土壤；以及,s230将所述分类结果与真实值之差输入损失函数，以获得所述分类损失函数值。
在步骤7中，以预定步长减小所述分类损失函数值，并以梯度下降的反向传播更新所述卷积神经网络的参数。这是常规的训练过程，即，以梯度下降的反向传播来更新所述卷积神经网络的参数。
在步骤8中，步骤8：迭代地执行所述步骤2到步骤7，以完成所述卷积神经网络的训练。
综上，基于本申请实施例的基于权值分布的用于土壤取样筛选的神经网络的训练方法被阐明，在训练过程中，针对训练用的候选土壤图像和参考图像，首先将其分别通过卷积神经网络以获得候选特征图和参考特征图，然后，以第一加权系数和第二加权系数分别对候选特征图和参考特征图进行加权。其中，所述第一加权系数在0到1的区间内随机选择，且选择的概率满足标准正态分布，即，在0到1的数值范围内按照符合标准正态分布的概率值，所选的数值概率为0.5到0.841，也就是，相对更关注候选特征图中的特征分布。并且，所述第一加权系数与所述第二加权系数之和为一。这样，当将候选特征图和参考特征图融合后，再通过融合的特征图获得分类损失函数并对卷积神经网络进行训练时，能够实现上述高维特征的一致性和多样性的均衡，从而获得更加实用的分类结果。
根据本申请的另一方面，还提供了一种基于深度神经网络的土壤取样筛选方法。
图5图示了根据本申请实施例的基于深度神经网络的土壤取样筛选方法的流程图。
如图5所示，根据本申请实施例的基于深度神经网络的土壤取样筛选方法，包括：s310,获取备选土壤取样的图像；以及,s320，将所述备选土壤取样图像输入根据如上所述的基于权值分布的用于土壤取样筛选的神经网络的训练方法所训练的卷积神经网络，以获得分类结果，所述分类结果用于表示所述备选土壤取样是否可作为取样土壤。
示例性系统
图6图示了根据本申请实施例的基于权值分布的用于土壤取样筛选的神经网络的训练系统的框图。
如图6所示，根据本申请实施例的基于权值分布的用于土壤取样筛选的神经网络的训练系统600，包括：图像获取单元610，用于执行步骤1：获取训练用候选土壤图像和参考图像，所述参考图像为标准取样土壤图像；特征图生成单元620，用于执行步骤2：将所述图像获取单元610获得的所述训练用候选土壤图像和所述参考图像分别通过卷积神经网络以获得候选特征图和参考特征图；第一加权特征图生成单元630，用于执行步骤3：以第一加权系数对所述特征图生成单元620获得的所述候选特征图进行加权，以获得第一加权特征图，其中，所述第一加权系数为在0到1的数值范围内按照符合标准正态分布随机选择的概率值；第二加权特征图生成单元640，用于执行步骤4：以第二加权系数对所述特征图生成单元620获得的所述参考特征图进行加权，以获得第二加权特征图，其中，所述第二加权系数等于1减去所述第一加权系数；分类特征图生成单元650，用于执行步骤5：计算所述第一加权特征图生成单元630获得的所述第一加权特征图和所述第二加权特征图生成单元640获得的所述第二加权特征图之间的按像素位置的加权和，以获得所述分类特征图；分类损失函数值计算单元660，用于执行步骤6：将所述分类特征图生成单元650获得的所述分类特征图通过分类函数，以获得分类损失函数值；参数更新单元670，用于执行步骤7：以预定步长减小所述分类损失函数值计算单元660获得的所述分类损失函数值，并以梯度下降的反向传播更新所述卷积神经网络的参数；以及，循环迭代单元680，用于执行步骤8：迭代地执行所述步骤2到步骤7，以完成所述卷积神经网络的训练。
在一个示例中，在上述训练系统600中，所述第一加权系数的取值范围在0.5到0.841。
在一个示例中，在上述训练系统600中，所述特征图生成单元620，进一步用于：将所述候选特征图和所述参考特征图转化为相同尺度的特征图。
在一个示例中，在上述训练系统600中，如图7所示，所述分类损失函数值计算单元660，包括：分类特征向量生成子单元661，用于将所述分类特征图通过全连接层以获得分类特征向量；分类结果生成子单元662，用于将所述分类特征向量输入分类函数，以获得分类结果，所述分类结果表示所述候选土壤是否可作为取样土壤；以及，损失函数计算子单元663，用于将所述分类结果与真实值之差输入损失函数，以获得所述分类损失函数值。
在一个示例中，在上述训练系统600中，所述卷积神经网络为深度残差网络。
这里，本领域技术人员可以理解，上述训练系统600中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的基于权值分布的用于土壤取样筛选的神经网络的训练方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的训练系统600可以实现在各种终端设备中，例如用于土壤取样筛选的服务器等。在一个示例中，根据本申请实施例的训练系统600可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该训练系统600可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该训练系统600同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该训练系统600与该终端设备也可以是分立的设备，并且该训练系统600可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
根据本申请的另一方面，还提出了一种基于深度神经网络的土壤取样筛选系统。
图8图示了根据本申请实施例的基于深度神经网络的土壤取样筛选系统的框图。如图8所示，根据本申请实施例的基于深度神经网络的土壤取样筛选系统800，包括：备选土壤取样图像获取单元810，用于获取备选土壤取样的图像；以及，分类结果生成单元820，用于将所述备选土壤取样图像获取单元810获得的所述备选土壤取样图像输入根据如上所述的基于权值分布的用于土壤取样筛选的神经网络的训练方法所训练的卷积神经网络，以获得分类结果，所述分类结果用于表示所述备选土壤取样是否可作为取样土壤。
这里，本领域技术人员可以理解，上述筛选系统800中的各个单元和模块的具体功能和操作已经在上面参考图6的基于深度神经网络的土壤取样筛选方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的筛选系统800可以实现在各种终端设备中，例如用于土壤取样筛选的服务器等。在一个示例中，根据本申请实施例的筛选系统800可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该筛选系统800可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该筛选系统800同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该筛选系统800与该终端设备也可以是分立的设备，并且该筛选系统800可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图9来描述根据本申请实施例的电子设备。
图9图示了根据本申请实施例的电子设备的框图。
如图9所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于权值分布的用于土壤取样筛选的神经网络的训练方法，或者，基于深度神经网络的土壤取样筛选方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如分类结果、候选土壤图像、参考图像等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图9中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于权值分布的用于土壤取样筛选的神经网络的训练方法，或者，基于深度神经网络的土壤取样筛选方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c 等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于权值分布的用于土壤取样筛选的神经网络的训练方法，或者，基于深度神经网络的土壤取样筛选方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
1.一种基于权值分布的用于土壤取样筛选的神经网络的训练方法，其特征在于，包括：
步骤1：获取训练用候选土壤图像和参考图像，所述参考图像为标准取样土壤图像；
步骤2：将所述训练用候选土壤图像和所述参考图像分别通过卷积神经网络以获得候选特征图和参考特征图；
步骤3：以第一加权系数对所述候选特征图进行加权，以获得第一加权特征图，其中，所述第一加权系数为在0到1的数值范围内按照符合标准正态分布随机选择的概率值；
步骤4：以第二加权系数对所述参考特征图进行加权，以获得第二加权特征图，其中，所述第二加权系数等于1减去所述第一加权系数；
步骤5：计算所述第一加权特征图和所述第二加权特征图之间的按像素位置的加权和，以获得所述分类特征图；
步骤6：将所述分类特征图通过分类函数，以获得分类损失函数值；
步骤7：以预定步长减小所述分类损失函数值，并以梯度下降的反向传播更新所述卷积神经网络的参数；以及
步骤8：迭代地执行所述步骤2到步骤7，以完成所述卷积神经网络的训练。
2.根据权利要求1所述的基于权值分布的用于土壤取样筛选的神经网络的训练方法，其中，所述第一加权系数的取值范围在0.5到0.841。
3.根据权利要求1所述的基于权值分布的用于土壤取样筛选的神经网络的训练方法，其中，将所述训练用候选土壤图像和所述参考图像分别通过卷积神经网络以获得候选特征图和参考特征图，包括：
将所述候选特征图和所述参考特征图转化为相同尺度的特征图。
4.根据权利要求1所述的基于权值分布的用于土壤取样筛选的神经网络的训练方法，其中，将所述分类特征图通过分类函数，以获得分类损失函数值，包括：
将所述分类特征图通过全连接层以获得分类特征向量；
将所述分类特征向量输入分类函数，以获得分类结果，所述分类结果表示所述候选土壤是否可作为取样土壤；以及
将所述分类结果与真实值之差输入损失函数，以获得所述分类损失函数值。
5.根据权利要求4所述的基于权值分布的用于土壤取样筛选的神经网络的训练方法，其中，所述卷积神经网络为深度残差网络。
6.一种基于深度神经网络的土壤取样筛选方法，其特征在于，包括：
获取备选土壤取样的图像；以及
将所述备选土壤取样图像输入根据如权利要求1至5任一所述的基于权值分布的用于土壤取样筛选的神经网络的训练方法所训练的卷积神经网络，以获得分类结果，所述分类结果用于表示所述备选土壤取样是否可作为取样土壤。
7.一种基于权值分布的用于土壤取样筛选的神经网络的训练系统，其特征在于，包括：
图像获取单元，用于执行步骤1：获取训练用候选土壤图像和参考图像，所述参考图像为标准取样土壤图像；
特征图生成单元，用于执行步骤2：将所述图像获取单元获得的所述训练用候选土壤图像和所述参考图像分别通过卷积神经网络以获得候选特征图和参考特征图；
第一加权特征图生成单元，用于执行步骤3：以第一加权系数对所述特征图生成单元获得的所述候选特征图进行加权，以获得第一加权特征图，其中，所述第一加权系数为在0到1的数值范围内按照符合标准正态分布随机选择的概率值；
第二加权特征图生成单元，用于执行步骤4：以第二加权系数对所述特征图生成单元获得的所述参考特征图进行加权，以获得第二加权特征图，其中，所述第二加权系数等于1减去所述第一加权系数；
分类特征图生成单元，用于执行步骤5：计算所述第一加权特征图生成单元获得的所述第一加权特征图和所述第二加权特征图生成单元获得的所述第二加权特征图之间的按像素位置的加权和，以获得所述分类特征图；
分类损失函数值计算单元，用于执行步骤6：将所述分类特征图生成单元获得的所述分类特征图通过分类函数，以获得分类损失函数值；
参数更新单元，用于执行步骤7：以预定步长减小所述分类损失函数值计算单元获得的所述分类损失函数值，并以梯度下降的反向传播更新所述卷积神经网络的参数；以及
循环迭代单元，用于执行步骤8：迭代地执行所述步骤2到步骤7，以完成所述卷积神经网络的训练。
8.根据权利要求7所述的基于权值分布的用于土壤取样筛选的神经网络的训练系统，其中，所述第一加权系数的取值范围在0.5到0.841。
9.一种基于深度神经网络的土壤取样筛选系统，其特征在于，包括：
备选土壤取样图像获取单元，用于获取备选土壤取样的图像；以及
分类结果生成单元，用于将所述备选土壤取样图像获取单元获得的所述备选土壤取样图像输入根据如权利要求1至5任一所述的基于权值分布的用于土壤取样筛选的神经网络的训练方法所训练的卷积神经网络，以获得分类结果，所述分类结果用于表示所述备选土壤取样是否可作为取样土壤。
10.一种电子设备，包括：
处理器；以及
存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-5中任一项所述的基于权值分布的用于土壤取样筛选的神经网络的训练方法，或者，如权利要求6所述的基于深度神经网络的土壤取样筛选方法。
技术总结