如何实现无人化、智能化管理？圈围晒盐智能识别系统这样做！

项目背景简介

我国沿海地区，有很多盐场，通过圈围海水或高盐度井水的方式，在太阳下暴晒，使水分蒸发掉，逐渐结晶形成固态的盐。目前我国圈围式晒盐还采取较为传统的人工巡视方式，还没有相关的深度学习解决方案。

能否利用人工智能将盐田的状态数据进行图像分类、观测分析然后将数据结果送至用户，代替人工巡视？这样只需要浏览手机提示就可获得便捷的通知，不仅减少了劳动力需求还可以获得更加精确的消息从而实现无人化、自动化、智能化管理。

技术简介

我们计划为每个盐田编号并利用图像识别技术，实时观测盐田中卤水的水量和卤水的结晶程度，精确地处理数据并将数据传输给管理人员。我们可以通过设备实时观测盐田中卤水的高度、水量和盐的结晶程度，通过对这些数据的整合，分析出什么时候该加水，什么时候该搂盐，什么时候可以捞盐归坨，还可以计算出盐的产量，判断盐的品质，大大的提高了出盐效率。

1.采集数据阶段

实验初始阶段，我们用手机拍照的方式获取初始数据，对盐田不同阶段、不同光照环境下的状态进行大量拍照取证，通过对相似的数据保留，对个别特殊情况建立特殊数据集通过将数据经整理后存入数据集，这也是目前为止AI Studio唯一的盐田图像数据集。

本次使用的数据集分类如下：

2.数据预处理

采集完数据后我们进行数据的预处理操作, 训练图片的预处理可以提高模型的泛化能力和识别能力，有些照片可能因为拍摄角度不同，或者光照原因影响识别，对其进行数据增强将有助于避免该问题。

对数据集生成固定格式的列表，格式为：图片的路径图片类别的标签。

对数据类别进行统计等

划分训练集和测试集，各个类别中每隔十张选取一张作为测试集，并将数据集生成固定格式列表。

3.确定采用的模型

神经网络学习过程本质就是为了学习数据分布，一旦训练数据与测试数据的分布不同，网络的泛化能力也将大大降低；另外一方面，一旦每批训练数据的分布各不相同(batch 梯度下降)，那么网络就要在每次迭代都去学习适应不同的分布，这样将会大大降低网络的训练速度，因此我们需要对数据都要做一个归一化预处理。

定义一个常规卷积层

为了使得网络中信息更好的流动，每一层输出的方差应该尽量相等。基于这个目标，现在我们就去推导一下：每一层的权重应该满足哪种条件。“Xavier”初始化方法是一种很有效的神经网络初始化方法。

本项目借鉴Google的Inception模型，Inception模型主要为了解决CNN分类模型的两个问题。

改进后的inception结构使用较小的卷积核去替代较大的卷积核。

最后定义深度可分离卷积， 主要是分为了两个过程：逐通道卷积、逐点卷积，逐点卷积的运算与常规卷积运算非常相似。

4.模型训练

（1）模型网络结构：

将上方定义好的这些函数进行调用，最终得到salt-ConvNet卷积神经网络的结构

定义一个执行器，把个个部分串联起来，也是整个模型的重要部分。

（2）进行模型训练：

训练三十轮

最后将训练好的模型保存，便于之后的调用与移植。

5.效果展示

加载好训练的模型，对某一特定输入的盐田图片进行测试。

单帧图片推理效果：

测试结果大部分还是比较接近实际照片。至此，我们已经得到了不同状态下的盐田图像分类模型，最后部署到百度大脑EdgeBoard即可实现由机器图像识别代替工人巡视了。

通过对每块盐田进行划区域标号在各区域安放图片采集摄像机。每隔30分钟自动拍照并传至内部微型计算机，通过与事先设定好的模型图象数据集进行比对，判断是否达到操作标准、判断何时对盐田进行相应的加水、搂盐和捞盐等技术处理，最终将处理结果展示在管理端对工人进行提示操作，实现时效性（流程如下图所示）。

最后来看我们实现的系统吧。

6.总结

本项目的核心即重点图像分类模型的训练，此部分由飞桨深度学习平台完成。通过图像识别，能初步对大面积盐田的状态以及产量进行估测。采用智能化管理每个管理员都可以管理更多的盐田，经济可靠、节省人工成本、方便用户使用。

以上代码可直接在百度AI Studio 上fork我的项目来运行：

https://aistudio.baidu.com/aistudio/projectdetail/2196524

长按下方二维码立即

Star

更多信息：

1. 飞桨官方QQ群：793866180

2. 飞桨官网网址：

   www.paddlepaddle.org.cn/

3. 飞桨开源框架项目地址：

   GitHub:

   github.com/PaddlePaddle/Paddle 
   Gitee:

   gitee.com/paddlepaddle/Paddle

4. 欢迎在飞桨论坛讨论交流~~

   http://discuss.paddlepaddle.org.cn