CN116307266A - 作物生长预测方法、装置、电子设备及存储介质 - Google Patents

作物生长预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116307266A
CN116307266A CN202310539515.8A CN202310539515A CN116307266A CN 116307266 A CN116307266 A CN 116307266A CN 202310539515 A CN202310539515 A CN 202310539515A CN 116307266 A CN116307266 A CN 116307266A
Authority
CN
China
Prior art keywords
growth
prediction
crop
feature
predicted
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
CN202310539515.8A
Other languages
English (en)
Inventor
陈飞勇
李政道
刘汝鹏
宋杨
肖冰
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.)
Shandong Jianzhu University
Original Assignee
Shandong Jianzhu University
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 Shandong Jianzhu University filed Critical Shandong Jianzhu University
Priority to CN202310539515.8A priority Critical patent/CN116307266A/zh
Publication of CN116307266A publication Critical patent/CN116307266A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种作物生长预测方法、装置、电子设备及存储介质，涉及人工智能信息处理技术领域，方法包括：获取待预测作物的多组生长因素数据；将多组生长因素数据输入至特征提取层，得到多个生长特征向量；在多个生长特征向量中确定至少一个向量组，将至少一个向量组输入至特征组合层，分别对各个向量组中的生长特征向量进行融合，得到各个组合特征向量；将组合特征向量和多个生长特征向量输入至自注意力层，基于自注意力层执行注意力机制，为组合特征向量和多个生长特征向量分别配置对应的注意力权重，基于注意力权重得到预测特征向量；将预测特征向量输入至预测层，获取待预测作物的生长预测结果。本发明降低了作物生长预测时的人力成本。

Description

作物生长预测方法、装置、电子设备及存储介质
技术领域
本发明涉及人工智能信息处理技术领域，尤其涉及一种作物生长预测方法、装置、电子设备及存储介质。
背景技术
在农业生产中，需要对作物的生长需求进行预测，提前准备作物所需的种植材料例如肥料、农药等，以提升作物的产量和质量。
在现有技术中，对作物的生长预测，大多是具备丰富经验的专业人员前往作物生长地，通过实地观察作物的生长情况，结合经验进行预测，这种依靠人工进行作物生长预测的方法需要耗费大量的人力成本。
发明内容
本发明提供一种作物生长预测方法、装置、电子设备及存储介质，旨在解决现有技术中作物生长预测需要耗费大量的人力成本的缺陷，实现对作物生长进行自动化预测，降低人力成本。
本发明提供一种作物生长预测方法，包括：
获取待预测作物的多组生长因素数据，每组所述生长因素数据反映所述待预测作物的生长过程中一种生长因素的变化信息；
将所述多组生长因素数据输入至已训练的预测模型，获取所述预测模型输出的所述待预测作物的生长预测结果；
其中，所述预测模型包括特征提取层、特征组合层、自注意力层以及预测层，所述将所述多组生长因素数据输入至已训练的预测模型，获取所述预测模型输出的所述待预测作物的生长预测结果，包括：
将所述多组生长因素数据输入至所述特征提取层，基于所述特征提取层分别对所述多组生长因素数据进行特征提取，得到多个生长特征向量；
在所述多个生长特征向量中确定至少一个向量组，所述向量组中包括至少两个所述生长特征向量，将所述至少一个向量组输入至所述特征组合层，基于所述特征组合层分别对各个所述向量组中的所述生长特征向量进行融合，得到各个组合特征向量；
将所述组合特征向量和所述多个生长特征向量输入至所述自注意力层，基于所述自注意力层执行注意力机制，为所述组合特征向量和所述多个生长特征向量分别配置对应的注意力权重，并基于所述注意力权重得到预测特征向量；
将所述预测特征向量输入至所述预测层，基于所述预测层获取所述待预测作物的生长预测结果。
根据本发明提供的一种作物生长预测方法，所述在所述多个生长特征向量中确定至少一个向量组，包括：
获取所述待预测作物的作物种类；
基于所述作物种类确定所述待预测作物对应的生长因素组合信息，所述生长因素组合信息中反映与所述待预测作物的生长相关的各个生长因素组合；
基于所述生长因素组合信息在所述多个生长特征向量中确定至少一个向量组，每个所述向量组中包括所述生长因素组合中的生长因素分别对应的所述生长特征向量。
根据本发明提供的一种作物生长预测方法，所述获取所述待预测作物的作物种类，包括：
将所述待预测作物的图像输入至已训练的分类模型，获取所述分类模型输出的所述作物种类；
其中，所述分类模型是基于多组第一训练数据训练得到的，每组训练数据包括样本待预测作物以及所述样本待预测作物对应的作物种类标签。
根据本发明提供的一种作物生长预测方法，所述特征组合层包括多个第一卷积核；所述基于所述特征组合层分别对各个所述向量组中的所述生长特征向量进行融合，得到各个组合特征向量，包括：
根据所述向量组中的向量个数在所述多个第一卷积核中确定所述向量组对应的目标卷积核；
通过所述目标卷积核对所述向量组中的所述生长特征向量组成的矩阵进行卷积操作，得到所述组合特征向量。
根据本发明提供的一种作物生长预测方法，所述预测层包括第二卷积核和融合模块，所述将所述预测特征向量输入至所述预测层，基于所述预测层获取所述待预测作物的生长预测结果，包括：
基于所述第二卷积核对所述待预测作物的作物种类对应的种类向量进行卷积操作，得到种类特征向量；
基于所述融合模块将所述种类特征向量与所述预测特征向量进行融合，得到融合结果，基于所述融合结果获取所述待预测作物的生长预测结果。
根据本发明提供的一种作物生长预测方法，所述预测模型是基于多组第二训练数据训练完成的，每组所述第二训练数据包括样本待预测作物的样本生长因素数据以及所述样本待预测作物对应的生长预测标签；所述预测模型的训练过程包括：
在所述多组第二训练数据中确定目标训练批次，所述目标训练批次中包括多组所述第二训练数据；
将所述目标训练批次中的所述样本生长因素数据分别输入至所述预测模型，获取所述预测模型输出的各个样本预测结果；
根据所述各个样本预测结果以及各个所述生长预测标签获取训练损失；
根据所述训练损失更新所述预测模型的可学习参数，以实现对所述预测模型的训练；
其中，所述预测模型的可学习参数包括所述自注意力层的注意力机制参数、目标训练批次中的各个所述第二训练数据对应的所述目标卷积核的参数和所述第二卷积核的参数。
根据本发明提供的一种作物生长预测方法，所述根据所述各个样本预测结果以及各个所述生长预测标签获取训练损失，包括：
根据每个所述样本预测结果与对应的所述生长预测标签之间的差异获取第一损失；
获取所述目标训练批次中各个所述样本待预测作物之间的第一相似性分数、所述目标训练批次中各个所述样本待预测作物对应的所述种类特征向量之间的第二相似性分数，根据所述第一相似性分数和所述第二相似性分数之间的差异获取第二损失；
获取所述目标训练批次中所述样本待预测作物对应的所述组合特征向量和所述生长特征向量的注意力权重的差异获取第三损失；
根据所述第一损失、所述第二损失和所述第三损失获取所述训练损失。
本发明还提供一种作物生长预测装置，包括：
数据获取模块，用于获取待预测作物的多组生长因素数据，每组所述生长因素数据反映所述待预测作物的生长过程中一种生长因素的变化信息；
数据预测模块，用于将所述多组生长因素数据输入至已训练的预测模型，获取所述预测模型输出的所述待预测作物的生长预测结果；
其中，所述预测模型包括特征提取层、特征组合层、自注意力层以及预测层；所述数据预测模块具体用于：
将所述多组生长因素数据输入至所述特征提取层，基于所述特征提取层分别对所述多组生长因素数据进行特征提取，得到多个生长特征向量；
在所述多个生长特征向量中确定至少一个向量组，所述向量组中包括至少两个所述生长特征向量，将所述至少一个向量组输入至所述特征组合层，基于所述特征组合层分别对各个所述向量组中的所述生长特征向量进行融合，得到各个组合特征向量；
将所述组合特征向量和所述多个生长特征向量输入至所述自注意力层，基于所述自注意力层执行注意力机制，为所述组合特征向量和所述多个生长特征向量分别配置对应的注意力权重，并基于所述注意力权重得到预测特征向量；
将所述预测特征向量输入至所述预测层，基于所述预测层获取所述待预测作物的生长预测结果。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述作物生长预测方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述作物生长预测方法。
本发明提供的作物生长预测方法、装置、电子设备及存储介质，通过将待预测作物的多种生长因素的变化信息数据输入预测模型，基于预测模型对多种生长因素的变化信息数据提取特征，并将部分特征进行组合后获取待预测作物的生长预测结果，充分考虑了待预测作物的不同生长因素以及生长因素组合对待预测作物生长的影响，实现了通过神经网络模型来对作物的生长需求进行自动化预测，不需要依靠人工到实地进行观察预测，降低了人力成本。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的作物生长预测方法的流程示意图之一；
图2是本发明提供的作物生长预测方法的流程示意图之二；
图3是注意力机制中特征向量的处理流程示意图；
图4为BiGRU网络中记忆门的结构示意图；
图5是本发明提供的作物生长预测装置的结构示意图；
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
发明人发现，在农业生产中，需要提前判断作物的生长需求以便进行生长材料的购置和准备，例如***作物在何时需要施肥、喷洒农药等，进而购买相应的肥料、农药，从而保证作物的产量和质量。目前都是依靠具有丰富经验的专业人员通过实地观察作物状态和作物生长环境来进行预测，这就需要很高的人力成本，不利于农业自动化生产。
为了解决作物生长预测中人力成本高的问题，本申请提供一种作物生长预测方法、装置、电子设备及存储介质，通过将待预测作物的多种生长因素的变化信息数据输入预测模型，基于预测模型对多种生长因素的变化信息数据提取特征，并将部分特征进行组合后获取待预测作物的生长预测结果，充分考虑了待预测作物的不同生长因素以及生长因素组合对待预测作物生长的影响，实现了通过神经网络模型来对作物的生长需求进行自动化预测，不需要依靠人工到实地进行观察预测，降低了人力成本。
下面结合附图描述本发明提供的作物生长预测方法。如图1所示，本发明提供的作物生长预测方法包括步骤：
S100、获取待预测作物的多组生长因素数据，每组生长因素数据反映所述待预测作物的生长过程中一种生长因素的变化信息；
S200、将所述多组生长因素数据输入至已训练的预测模型，获取所述预测模型输出的所述待预测作物的生长预测结果。
所述生长因素可以包括反映作物生长环境的环境因素，例如空气湿度、土壤湿度、环境温度、日照时长、降雨量等，所述生长因素还可以包括反映作物状态的作物状态表征因素，例如植株高度、开花状态、叶片颜色等。每组所述生长因素数据中包括所述待预测作物的生长过程中一种生长因素的时间序列数据，即每组所述生长因素数据可以反映所述待预测作物的生长过程中一种生长因素随时间变化的信息。所述生长因素数据可以通过设置在所述待预测作物生长田地中的传感器，例如湿度传感器、温度传感器、图像传感器等采集获取。具体地，如图2所示，可以将初步采集到的数据存储至信息库中，并对初步采集到的数据进行预处理，例如缺失值填补，异常值去除等，得到所述生长因素数据。
作物的生长因素变化与作物在未来一段时间内的生长需求之间存在关联，本发明提供的方法，在获取到所述待预测作物的多组生长因素数据后，将所述多组生长因素数据输入至已训练的预测模型，采用神经网络模型来挖掘生长因素变化数据与作物未来的生长需求之间的联系，以获取所述待预测作物的生长预测结果，所述生长预测结果包括所述待预测作物在所述生长因素数据采集时刻的后续时刻的生长需求。这样可以实现对所述待预测作物的生长需求的自动化预测，不需要人工。
具体地，所述预测模型包括特征提取层、特征组合层、自注意力层以及预测层。下面根据对输入至所述预测模型中的数据的处理顺序对所述特征提取层、所述特征组合层、所述自注意力以及所述预测层的数据处理过程进行详细说明。
所述将所述多组生长因素数据输入至已训练的预测模型，获取所述预测模型输出的所述待预测作物的生长预测结果，包括步骤：
S210、将所述多组生长因素数据输入至所述特征提取层，基于所述特征提取层分别对所述多组生长因素数据进行特征提取，得到多个生长特征向量。
在获取到所述多组生长因素数据后，将所述多组生长因素数据输入至所述预测模型的所述特征提取层，如图2所示，所述特征提取层可以为卷积神经网络层，通过一个或多个卷积操作实现对所述多组生长因素数据的初步特征提取，得到多个生长特征向量。
多组生长因素数据组成矩阵S，卷积神经网络层用大小为m*k的卷积核对矩阵S进行卷积操作，提取特征c。设定r个卷积核，卷积操作如下式所示：
Figure SMS_1
；
其中：
Figure SMS_2
表示通过卷积操作获得的局部特征，f表示通过激活函数ReLU进行非线性操作；/>
Figure SMS_3
表示卷积的权重矩阵；/>
Figure SMS_4
表示矩阵中从i到i+m-1，共m行向量；b表示偏置量。
在一种可能的实现方式中，在通过卷积操作实现对所述多组生长因素数据的初步特征提取之后，可以初步特征的特征信息中运用最大池化法来保留权重最大的特征值，舍弃其他特征值，得到所述多个生长特征向量。具体地，可以在每个所述多组生长因素数据的初步特征提取结果中划分为多个局部信息，每个局部信息中保留权重最大的特征值，舍弃其他特征值，将保留的特征值拼接后得到所述生长特征向量。
S220、在所述多个生长特征向量中确定至少一个向量组，所述向量组中包括至少两个所述生长特征向量，将所述至少一个向量组输入至所述特征组合层，基于所述特征组合层分别对各个所述向量组中的所述生长特征向量进行融合，得到各个组合特征向量；
S230、将所述组合特征向量和所述多个生长特征向量输入至所述自注意力层，基于所述自注意力层执行注意力机制，以为所述组合特征向量和所述多个生长特征向量分别配置对应的注意力权重，并基于所述注意力权重得到预测特征向量。
正如前文所说明的，每个生长特征向量反映一种生长因素的变化信息，不同的生长因素的变化信息对作物的生长需求的影响不同，需要为不同的所述生长特征向量分配不同的权重。注意力机制是一种可以为不同的特征向量分配不同的权重的机制，如图3所示，在注意力机制中，首先计算注意力权重，生成含有注意力权重的特征编码，最终生成特征向量。具体地，经过所述特征提取层提取到所述特征向量后，每种特征向量输入至自注意力层中执行注意力机制，为每种特征向量分配对应的注意力权重，最终基于各自的注意力权重和特征向量对应的Value矩阵，生成新的特征向量。但是，针对作物生长预测，分别独立地考虑单个生长因素的变化，为单独的每个生长因素分配权重，会导致预测精度的丢失，因为在单独考虑单一的生长因素变化时，其对作物生长需求的影响可能是较小的，但是如果和其他的生长因素变化相结合，就会产生较大的影响。例如，如果只考虑温度，单独的不是很高的温度可能不会对作物产生很大的影响，但是如果将温度和湿度结合起来，即使不是很高的温度，加上连续的高湿度，对作物的产量产生的影响比两种因素的单独影响会大很多，基于此，本发明提供的方法中，对所述生长特征向量进行组合，得到组合特征向量，对所述组合特征向量和所述生长特征向量执行注意力机制，为所述组合特征向量也分配注意力权重，以充分考虑不同的生长因素的组合对作物生长的影响，提升作物生长预测结果的准确性。
具体地，所述在所述多个生长特征向量中确定至少一个向量组，包括：
获取所述待预测作物的作物种类；
基于所述作物种类确定所述待预测作物对应的生长因素组合信息，所述生长因素组合信息中反映与所述待预测作物的生长相关的各个生长因素组合；
基于所述生长因素组合信息在所述多个生长特征向量中确定至少一个向量组，每个所述向量组中包括所述生长因素组合中的生长因素分别对应的所述生长特征向量。
不同的作物的生长特性不同，因此，对其生长需求影响更大的生长因素的组合也不同，在本发明提供的方法中，预先确定各种作物种类对应的生长因素组合信息，该信息可以是由专业人员事先标注得到，也可以是采用爬虫在专业网站上进行数据抓取并进一步处理后得到。每个所述生长因素组合中可以包括两种或两种以上的生长因素。根据所述待预测作物的作物种类，在预先确定的各种作物种类对应的生长因素组合信息中确定所述待预测作物对应的生长因素组合信息，根据所述生长因素组合信息中的生长因素组合在所述多个生长特征向量中确定至少一个向量组，将一个向量组中的所述生长特征向量进行组合用于后续输入至注意力层。
所述待预测作物的作物种类可以是通过人工识别得到，也可以是通过获取的所述生长因素数据的来源地块的种植信息得到，但是通过人工识别会降低自动化程度，耗费时间，通过地块的种植信息得到作物种类的方式有可能存在由于地块的种植信息没有及时被更新导致作物种类错误，降低最终得到的作物生长预测结果的准确性。在一个可能的实现方式中，可以基于所述待预测作物的图像进行类别识别，具体地，所述获取所述待预测作物的作物种类，包括：
将所述待预测作物的图像输入至已训练的分类模型，获取所述分类模型输出的所述作物种类；
其中，所述分类模型是基于多组第一训练数据训练得到的，每组训练数据包括样本待预测作物以及所述样本待预测作物对应的作物种类标签。
所述待预测作物的图像可以通过对所述待预测作物进行实时成像得到，例如通过设置在所述待预测作物的田地中的摄像机拍摄得到所述待预测作物的图像，或者通过所述待预测作物的田地的地理坐标获取卫星成像结果得到所述待预测作物的图像。
获取所述待预测作物的图像，将所述图像输入至已训练的所述分类模型，基于所述分类模型来确定所述待预测作物的作物种类，可以有效提升作物生长预测过程的自动化程度，降低人工成本，并且可以避免地块种植信息没有及时更新导致的作物生长预测结果准确度低的问题。
所述基于所述特征组合层分别对各个所述向量组中的所述生长特征向量进行融合，得到各个组合特征向量，包括：
根据所述向量组中的向量个数在所述多个第一卷积核中确定所述向量组对应的目标卷积核；
通过所述目标卷积核对所述向量组中的所述生长特征向量组成的矩阵进行卷积操作，得到所述组合特征向量；
在执行注意力机制的过程中，所述注意力层中采用的处理矩阵的尺寸是确定的，这样在模型训练的过程中，训练的自注意力层的参数量是确定的，有利于模型的训练效率。但是每个所述向量组中包括的所述生长特征向量的数量不同，本发明提供的方法中，将输入至所述注意力层的各个特征向量统一尺寸。具体地，对于每个生长因素，可以采集同样时刻的多个数据组成一组所述生长因素数据，这样每组所述生长因素数据的尺寸相同，对其进行特征提取后，可以形成尺寸一致的各个所述生长特征向量。而由于不同的作物，影响其生长的生长因素组合不同，所述生长因素组合信息中可能包括两种或两种以上的生长因素，从而形成包括两个或两个以上所述生长特征向量的所述向量组。在本发明提供的方法中，设置不同尺寸的第一卷积核，根据所述向量组中的向量个数确定对应的目标卷积核，通过所述目标卷积核对所述向量组中的所述生长特征向量组成的矩阵进行卷积操作后，得到的所述组合特征向量的尺寸与所述生长特征向量的尺寸一致。也就是说，根据所述向量组中可能存在的向量数量，设置对应的所述第一卷积核。如果所述生长因素组合信息中可能包括2种、3种和4种生长因素，那么设置3个第一卷积核，这3个第一卷积核的尺寸不同，可以分别实现2个、3个和4个所述生长特征向量组成的矩阵卷积后得到的向量的尺寸与所述生长特征向量的尺寸一致。为了防止模型的参数过多，在设置所述生长因素组合信息时，可以设置限制组合中的因素数量约束，即设置所述生长因素组合信息中最多包括n个生长因素，n可以取2、3等，可以理解，n取的越多，可以提取更多的与作物生长相关的信息，但是会产生更多的模型参数，模型训练效率会降低。
得到所述组合特征向量后，将所述组合特征向量和所述多个生长特征向量输入至所述自注意力层，基于所述自注意力层执行注意力机制，以为所述组合特征向量和所述多个生长特征向量分别配置对应的注意力权重，并基于所述注意力权重得到预测特征向量。这样，在考虑各种生长因素对作物的生长需求的影响过程中，还为生长因素的组合作用设置了单独的权重，提升作物生长需求预测的准确性。
所述将所述多组生长因素数据输入至已训练的预测模型，获取所述预测模型输出的所述待预测作物的生长预测结果，还包括步骤：
S240、将所述预测特征向量输入至所述预测层，基于所述预测层获取所述待预测作物的生长预测结果。
所述预测层中可以采用现有的特征处理网络以对所述预测特征向量进行深层次特征的提取并输出最终的预测向量，所述预测向量可以反映所述待预测作物的生长需求，例如所述预测向量中每个元素代表所述待预测作物的一种可能的生长需求的产生概率。如图2示出的一个实施例中，所述特征处理网络采用BiGRU模型网络。也就是说，在基于注意力机制得到所述预测特征向量后，联系BiGRU模型来输出最终的预测向量用于预测农作物的生长需求。BiGRU是由单向的、方向相反的、输出由两个GRU的状态共同决定的GRU组成的神经网络模型。在每一时刻，输入会同时提供两个方向相反的GRU，而输出则由这两个单向GRU共同决定。如图4所示，GRU属于RNN的一种，有更新门和重置门两个门，保留了“记忆”这个功能，使LSTM在反向传播的过程中避免了梯度***或者消失的缺点。更新门用于控制前一时刻的状态信息被代入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息代入越多；重置门用于控制忽略前一时刻的状态信息的程度，重置门的值越小说明忽略得越多。GRU的具体数据处理过程为：
步骤1-1、当前状态输入xt与前一时刻的输出ht-1，经过更新门输出一个0-1的数值，其中，0表示完全舍弃信息，1表示完全保留信息。
步骤1-2、xt和ht-1，进入重置门的sigxmoid层输出0-1的数值，同时tanh层会创建新的候选值向量
Figure SMS_5
，计算公式表示为：
Figure SMS_6
；
Figure SMS_7
。
步骤1-3、由更新门作为权重向量，候选向量和前一时刻输出向量通过加权平均得到GRU细胞的输出ht。计算公式表示为：
Figure SMS_8
；
其中，rt代表更新门向量，zt代表重置门向量，
Figure SMS_9
是激活函数，xt表示t时刻的输入向量，ht表示t时刻的输出向量，[ ]表示2个向量相连接，/>
Figure SMS_10
表示矩阵元素相乘。
在一种可能的实现方式中，在所述预测层中，可以直接将所述预测特征向量输入至特征处理网络进行处理，输出最终的生长预测结果。但是发明人发现，实际上，不同的作物，各种生长因素对生长需求的作用机制不同，虽然前面采用了各种作物对应的不同环境因素组合来对不同的所述生长特征向量进行融合，但是缺乏对不同的作物，其生长因素的具体数据对生长需求的影响。为了进一步提升所述待预测作物的生长需求预测结果准确性，本发明提供的方法中，所述预测层包括第二卷积核和融合模块，所述将所述预测特征向量输入至所述预测层，基于所述预测层获取所述待预测作物的生长预测结果，包括：
基于所述第二卷积核对所述待预测作物的作物种类对应的种类向量进行卷积操作，得到种类特征向量；
基于所述融合模块将所述种类特征向量与所述预测特征向量进行融合，得到融合结果，基于所述融合结果获取所述待预测作物的生长预测结果。
所述待预测作物的作物种类对应的种类向量可以反映所述待预测作物的种类，具体地，所述种类向量的每个元素对应一个作物种类，所述待预测作物对应的所述种类向量中，只有对应自身的种类的那个元素是1，其余的元素为0。将所述待预测作物对应的所述种类向量通过所述第二卷积核进行卷积操作，得到反映所述待预测作物的种类信息的所述种类特征向量。再将所述种类特征向量与所述预测特征向量进行融合后基于融合结果预测所述待预测作物的生长需求。将所述种类特征向量与所述预测特征向量进行融合，可以采用现有的神经网络特征融合方式实现。
在本发明提供的方法中，将反映所述待预测作物的作物种类的所述种类特征向量与所述预测特征向量进行融合，基于融合结果获取所述待预测作物的生长预测结果，即，将所述融合结果输入至特征提取网络进行进一步深层特征提取，输出所述生长预测结果。这样可以充分考虑到不同种类的作物的生长因素的数据对作物的生长需求的影响，提升最终输出的所述待预测作物的生长预测结果的准确性。
所述预测模型采用有监督的训练方式训练得到，即所述预测模型基于多组第二训练数据训练完成，每组所述第二训练数据包括样本待预测作物额定样本生长因素数据以及所述样本预测作物对应的生长预测标签，所述预测模型的训练过程包括：
在所述多组第二训练数据中确定目标训练批次，所述目标训练批次中包括多组所述第二训练数据；
将所述目标训练批次中的所述样本生长因素数据分别输入至所述预测模型，获取所述预测模型输出的各个样本预测结果；
根据所述各个样本预测结果以及各个所述生长预测标签获取训练损失；
根据所述训练损失更新所述预测模型的可学习参数，以实现对所述预测模型的训练；
其中，所述预测模型的可学习参数包括所述自注意力层的注意力机制参数、目标训练批次中的各个所述第二训练数据对应的所述目标卷积核的参数和所述第二卷积核的参数。
具体地，所述预测模型采用迭代的方式进行训练，每次迭代中更新一次所述预测模型的可学习参数。每次迭代中将一个训练批次中的各个所述第二训练数据中的所述样本生长因素数据输入至所述预测模型，所述预测模型基于所述样本生长因素数据输出样本预测结果，基于所述样本预测结果与所述生长预测标签获取训练损失，进行反向传播，更新所述预测模型的可学习参数，实现对所述预测模型的一次迭代训练。经过多次迭代训练，当所述预测模型的可学习参数收敛后，所述预测模型训练完成。经过训练，所述预测模型能够学习到作物的生长因素数据与作物需求的深层关系，实现对作物的生长需求的自动化预测。
所述根据所述各个样本预测结果以及各个所述生长预测标签获取训练损失，包括：
根据每个所述样本预测结果与对应的所述生长预测标签之间的差异获取第一损失；
获取所述目标训练批次中各个所述样本待预测作物之间的第一相似性分数、所述目标训练批次中各个所述样本待预测作物对应的所述种类特征向量之间的第二相似性分数，根据所述第一相似性分数和所述第二相似性分数之间的差异获取第二损失；
获取所述目标训练批次中所述样本待预测作物对应的所述组合特征向量和所述生长特征向量的注意力权重的差异获取第三损失；
根据所述第一损失、所述第二损失和所述第三损失获取所述训练损失。
为了提升训练效率，使得所述预测模型的参数能够快速接近较优解，在本发明提供的方法中，并不是只根据所述样本预测结果与对应的所述生长预测标签之间的差异获取训练损失，还根据所述样本待预测作物之间的相似性分数，所述样本待预测作物对应的所述种类特征向量之间的相似性分数获取第二损失，根据所述样本待预测作物对应的所述组合特征向量和所述生长特征向量的注意力权重的差异获取第三损失。
具体地，正如前文所说明的，在利用所述预测模型预测作物生长需求的过程中，结合作物的种类信息来进行预测，那么为了保证不同作物的种类信息对作物生长预测结果的影响能够被表达，需要不同的种类作物对应好的种类特征向量之间具有明确的区分，才能够在作物生长预测的过程中使得作物的种类信息的影响被准确考虑。本发明提供的方法中，在所述预测模型的训练过程中，单独设置了评价所述第二卷积核对作物的种类向量进行卷积操作，得到种类特征向量的过程的所述第二损失。具体地，可以预先基于各个样本待预测作物之间的生长习性相似度确定各个样本待预测作物之间的所述第一相似性分数，此过程可以采用专业人员标记得到，或者通过计算机程序自动抓取各个样本待预测作物的生长习性关键词，如喜阴、喜湿等，根据关键词匹配来自动获取到各个所述样本待预测作物之间的所述第一相似性分数。在将所述样本待预测作物对应的所述种类向量输入至所述预测层，得到所述种类特征向量后，获取各个所述样本待预测作物对应的所述种类特征向量后，获取各个所述种类特征向量之间的第二相似性分数，例如可以采用余弦相速度计算方法计算得到所述第二相似性分数。根据所述第一相似性分数和所述第二相似性分数之间的差异确定所述第二损失。具体地，对于每个所述训练批次中的各个所述样本待预测作物，可以两两组成作物组，每个所述作物组对应一个所述第一相似性分数和一个所述第二相似性分数，获取反映每个所述作物组对应的所述第一相似性分数和所述第二相似性分数之间的差异的值，再进行求和，得到所述第二损失。
进一步地，正如前文所说明的，所述组合特征向量是基于对作物生长需求影响更大的生长因素组合生成的，因此，应当使得所述组合特征向量相对于独立的所述生长特征向量具有更高的权重。为了实现这一目的，在本发明提供的方法中，在对所述预测模型进行训练时，还基于所述样本待预测作物对应的所述组合特征向量的注意力权重和所述生长特征向量的注意力权重的差异获取第三损失。具体地，当所述组合特征向量的注意力权重大于所述生长特征向量的注意力权重时，二者之间的差异越大，所述第三损失越小，当所述组合特征向量的注意力权重小于所述生长特征向量的注意力权重时，二者之间的差异越大，所述第三损失越大。
将所述第一损失、所述第二损失和所述第三损失进行求和后得到所述训练损失，以所述训练损失最小为优化目的更新所述预测模型的可学习参数，实现对所述预测模型的训练。
在本发明提供的方法中，除了传统的基于模型输出结果与样本标签之间的差异来获取损失对模型进行训练之外，还基于所述预测模型中各个模块的作用和特性增加了所述预测模型的计算过程中的中间结果的损失，能够提升所述预测模型的训练效率。
下面对本发明提供的作物生长预测装置进行描述，下文描述的作物生长预测装置与上文描述的作物生长预测方法可相互对应参照。如图5所示，本发明提供的作物生长预测装置包括：数据获取模块501和数据预测模块502。
所述数据获取模块501用于获取待预测作物的多组生长因素数据，每组所述生长因素数据反映所述待预测作物的生长过程中一种生长因素的变化信息；
所述数据预测模块502用于将所述多组生长因素数据输入至已训练的预测模型，获取所述预测模型输出的所述待预测作物的生长预测结果。
具体地，所述所述预测模型包括特征提取层、特征组合层、自注意力层以及预测层。所述数据预测模块502具体用于：
将所述多组生长因素数据输入至所述特征提取层，基于所述特征提取层分别对所述多组生长因素数据进行特征提取，得到多个生长特征向量；
在所述多个生长特征向量中确定至少一个向量组，所述向量组中包括至少两个所述生长特征向量，将所述至少一个向量组输入至所述特征组合层，基于所述特征组合层分别对各个所述向量组中的所述生长特征向量进行融合，得到各个组合特征向量；
将所述组合特征向量和所述多个生长特征向量输入至所述自注意力层，基于所述自注意力层执行注意力机制，以为所述组合特征向量和所述多个生长特征向量分别配置对应的注意力权重，并基于所述注意力权重得到预测特征向量；
将所述预测特征向量输入至所述预测层，基于所述预测层获取所述待预测作物的生长预测结果。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器（processor）610、通信接口（Communications Interface）620、存储器（memory）630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行作物生长预测方法，该方法包括：获取待预测作物的多组生长因素数据，每组所述生长因素数据反映所述待预测作物的生长过程中一种生长因素的变化信息；
将所述多组生长因素数据输入至已训练的预测模型，获取所述预测模型输出的所述待预测作物的生长预测结果；
其中，所述预测模型包括特征提取层、特征组合层、自注意力层以及预测层，所述将所述多组生长因素数据输入至已训练的预测模型，获取所述预测模型输出的所述待预测作物的生长预测结果，包括：
将所述多组生长因素数据输入至所述特征提取层，基于所述特征提取层分别对所述多组生长因素数据进行特征提取，得到多个生长特征向量；
在所述多个生长特征向量中确定至少一个向量组，所述向量组中包括至少两个所述生长特征向量，将所述至少一个向量组输入至所述特征组合层，基于所述特征组合层分别对各个所述向量组中的所述生长特征向量进行融合，得到各个组合特征向量；
将所述组合特征向量和所述多个生长特征向量输入至所述自注意力层，基于所述自注意力层执行注意力机制，为所述组合特征向量和所述多个生长特征向量分别配置对应的注意力权重，并基于所述注意力权重得到预测特征向量；
将所述预测特征向量输入至所述预测层，基于所述预测层获取所述待预测作物的生长预测结果。
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作物独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的作物生长预测方法，该方法包括：获取待预测作物的多组生长因素数据，每组所述生长因素数据反映所述待预测作物的生长过程中一种生长因素的变化信息；
将所述多组生长因素数据输入至已训练的预测模型，获取所述预测模型输出的所述待预测作物的生长预测结果；
其中，所述预测模型包括特征提取层、特征组合层、自注意力层以及预测层，所述将所述多组生长因素数据输入至已训练的预测模型，获取所述预测模型输出的所述待预测作物的生长预测结果，包括：
将所述多组生长因素数据输入至所述特征提取层，基于所述特征提取层分别对所述多组生长因素数据进行特征提取，得到多个生长特征向量；
在所述多个生长特征向量中确定至少一个向量组，所述向量组中包括至少两个所述生长特征向量，将所述至少一个向量组输入至所述特征组合层，基于所述特征组合层分别对各个所述向量组中的所述生长特征向量进行融合，得到各个组合特征向量；
将所述组合特征向量和所述多个生长特征向量输入至所述自注意力层，基于所述自注意力层执行注意力机制，为所述组合特征向量和所述多个生长特征向量分别配置对应的注意力权重，并基于所述注意力权重得到预测特征向量；
将所述预测特征向量输入至所述预测层，基于所述预测层获取所述待预测作物的生长预测结果。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的作物生长预测方法，该方法包括：获取待预测作物的多组生长因素数据，每组所述生长因素数据反映所述待预测作物的生长过程中一种生长因素的变化信息；
将所述多组生长因素数据输入至已训练的预测模型，获取所述预测模型输出的所述待预测作物的生长预测结果；
其中，所述预测模型包括特征提取层、特征组合层、自注意力层以及预测层，所述将所述多组生长因素数据输入至已训练的预测模型，获取所述预测模型输出的所述待预测作物的生长预测结果，包括：
将所述多组生长因素数据输入至所述特征提取层，基于所述特征提取层分别对所述多组生长因素数据进行特征提取，得到多个生长特征向量；
在所述多个生长特征向量中确定至少一个向量组，所述向量组中包括至少两个所述生长特征向量，将所述至少一个向量组输入至所述特征组合层，基于所述特征组合层分别对各个所述向量组中的所述生长特征向量进行融合，得到各个组合特征向量；
将所述组合特征向量和所述多个生长特征向量输入至所述自注意力层，基于所述自注意力层执行注意力机制，为所述组合特征向量和所述多个生长特征向量分别配置对应的注意力权重，并基于所述注意力权重得到预测特征向量；
将所述预测特征向量输入至所述预测层，基于所述预测层获取所述待预测作物的生长预测结果。
以上所描述的装置实施例仅仅是示意性的，其中所述作物分离部件说明的单元可以是或者也可以不是物理上分开的，作物单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种作物生长预测方法，其特征在于，包括：
获取待预测作物的多组生长因素数据，每组所述生长因素数据反映所述待预测作物的生长过程中一种生长因素的变化信息；
将所述多组生长因素数据输入至已训练的预测模型，获取所述预测模型输出的所述待预测作物的生长预测结果；
其中，所述预测模型包括特征提取层、特征组合层、自注意力层以及预测层，所述将所述多组生长因素数据输入至已训练的预测模型，获取所述预测模型输出的所述待预测作物的生长预测结果，包括：
将所述多组生长因素数据输入至所述特征提取层，基于所述特征提取层分别对所述多组生长因素数据进行特征提取，得到多个生长特征向量；
在所述多个生长特征向量中确定至少一个向量组，所述向量组中包括至少两个所述生长特征向量，将所述至少一个向量组输入至所述特征组合层，基于所述特征组合层分别对各个所述向量组中的所述生长特征向量进行融合，得到各个组合特征向量；
将所述组合特征向量和所述多个生长特征向量输入至所述自注意力层，基于所述自注意力层执行注意力机制，为所述组合特征向量和所述多个生长特征向量分别配置对应的注意力权重，并基于所述注意力权重得到预测特征向量；
将所述预测特征向量输入至所述预测层，基于所述预测层获取所述待预测作物的生长预测结果。
2.根据权利要求1所述的作物生长预测方法，其特征在于，所述在所述多个生长特征向量中确定至少一个向量组，包括：
获取所述待预测作物的作物种类；
基于所述作物种类确定所述待预测作物对应的生长因素组合信息，所述生长因素组合信息中反映与所述待预测作物的生长相关的各个生长因素组合；
基于所述生长因素组合信息在所述多个生长特征向量中确定至少一个向量组，每个所述向量组中包括所述生长因素组合中的生长因素分别对应的所述生长特征向量。
3.根据权利要求2所述的作物生长预测方法，其特征在于，所述获取所述待预测作物的作物种类，包括：
将所述待预测作物的图像输入至已训练的分类模型，获取所述分类模型输出的所述作物种类；
其中，所述分类模型是基于多组第一训练数据训练得到的，每组训练数据包括样本待预测作物以及所述样本待预测作物对应的作物种类标签。
4.根据权利要求1所述的作物生长预测方法，其特征在于，所述特征组合层包括多个第一卷积核；所述基于所述特征组合层分别对各个所述向量组中的所述生长特征向量进行融合，得到各个组合特征向量，包括：
根据所述向量组中的向量个数在所述多个第一卷积核中确定所述向量组对应的目标卷积核；
通过所述目标卷积核对所述向量组中的所述生长特征向量组成的矩阵进行卷积操作，得到所述组合特征向量。
5.根据权利要求4所述的作物生长预测方法，其特征在于，所述预测层包括第二卷积核和融合模块，所述将所述预测特征向量输入至所述预测层，基于所述预测层获取所述待预测作物的生长预测结果，包括：
基于所述第二卷积核对所述待预测作物的作物种类对应的种类向量进行卷积操作，得到种类特征向量；
基于所述融合模块将所述种类特征向量与所述预测特征向量进行融合，得到融合结果，基于所述融合结果获取所述待预测作物的生长预测结果。
6.根据权利要求5所述的作物生长预测方法，其特征在于，所述预测模型是基于多组第二训练数据训练完成的，每组所述第二训练数据包括样本待预测作物的样本生长因素数据以及所述样本待预测作物对应的生长预测标签；所述预测模型的训练过程包括：
在所述多组第二训练数据中确定目标训练批次，所述目标训练批次中包括多组所述第二训练数据；
将所述目标训练批次中的所述样本生长因素数据分别输入至所述预测模型，获取所述预测模型输出的各个样本预测结果；
根据所述各个样本预测结果以及各个所述生长预测标签获取训练损失；
根据所述训练损失更新所述预测模型的可学习参数，以实现对所述预测模型的训练；
其中，所述预测模型的可学习参数包括所述自注意力层的注意力机制参数、目标训练批次中的各个所述第二训练数据对应的所述目标卷积核的参数和所述第二卷积核的参数。
7.根据权利要求6所述的作物生长预测方法，其特征在于，所述根据所述各个样本预测结果以及各个所述生长预测标签获取训练损失，包括：
根据每个所述样本预测结果与对应的所述生长预测标签之间的差异获取第一损失；
获取所述目标训练批次中各个所述样本待预测作物之间的第一相似性分数、所述目标训练批次中各个所述样本待预测作物对应的所述种类特征向量之间的第二相似性分数，根据所述第一相似性分数和所述第二相似性分数之间的差异获取第二损失；
获取所述目标训练批次中所述样本待预测作物对应的所述组合特征向量和所述生长特征向量的注意力权重的差异获取第三损失；
根据所述第一损失、所述第二损失和所述第三损失获取所述训练损失。
8.一种作物生长预测装置，其特征在于，包括：
数据获取模块，用于获取待预测作物的多组生长因素数据，每组所述生长因素数据反映所述待预测作物的生长过程中一种生长因素的变化信息；
数据预测模块，用于将所述多组生长因素数据输入至已训练的预测模型，获取所述预测模型输出的所述待预测作物的生长预测结果；
其中，所述预测模型包括特征提取层、特征组合层、自注意力层以及预测层；所述数据预测模块具体用于：
将所述多组生长因素数据输入至所述特征提取层，基于所述特征提取层分别对所述多组生长因素数据进行特征提取，得到多个生长特征向量；
在所述多个生长特征向量中确定至少一个向量组，所述向量组中包括至少两个所述生长特征向量，将所述至少一个向量组输入至所述特征组合层，基于所述特征组合层分别对各个所述向量组中的所述生长特征向量进行融合，得到各个组合特征向量；
将所述组合特征向量和所述多个生长特征向量输入至所述自注意力层，基于所述自注意力层执行注意力机制，为所述组合特征向量和所述多个生长特征向量分别配置对应的注意力权重，并基于所述注意力权重得到预测特征向量；
将所述预测特征向量输入至所述预测层，基于所述预测层获取所述待预测作物的生长预测结果。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述作物生长预测方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述作物生长预测方法。
CN202310539515.8A 2023-05-15 2023-05-15 作物生长预测方法、装置、电子设备及存储介质 Pending CN116307266A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310539515.8A CN116307266A (zh) 2023-05-15 2023-05-15 作物生长预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310539515.8A CN116307266A (zh) 2023-05-15 2023-05-15 作物生长预测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116307266A true CN116307266A (zh) 2023-06-23

Family

ID=86817044

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310539515.8A Pending CN116307266A (zh) 2023-05-15 2023-05-15 作物生长预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116307266A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117726051A (zh) * 2024-02-08 2024-03-19 北京市农林科学院智能装备技术研究中心 特色农作物产量预测方法、装置及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110909862A (zh) * 2019-10-11 2020-03-24 平安科技（深圳）有限公司 基于卷积神经网络的注意力权重计算方法和装置
CN112116080A (zh) * 2020-09-24 2020-12-22 中国科学院沈阳计算技术研究所有限公司 一种融合了注意力机制的cnn-gru水质预测方法
CN114169638A (zh) * 2021-12-23 2022-03-11 中国农业大学 一种水质预测方法及装置
CN114298615A (zh) * 2022-03-09 2022-04-08 浙江大学 一种农作物种植风险预防方法、装置、存储介质和设备
CN115409252A (zh) * 2022-08-24 2022-11-29 浙江天演维真网络科技股份有限公司 基于lstm的植物生长数据多步预测方法、装置、介质及设备
CN115860269A (zh) * 2023-02-20 2023-03-28 南京信息工程大学 一种基于三重注意力机制的农作物产量预测方法
CN116051996A (zh) * 2023-01-13 2023-05-02 大连东软信息学院 一种基于多模态信息的二阶段农作物生长预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110909862A (zh) * 2019-10-11 2020-03-24 平安科技（深圳）有限公司 基于卷积神经网络的注意力权重计算方法和装置
CN112116080A (zh) * 2020-09-24 2020-12-22 中国科学院沈阳计算技术研究所有限公司 一种融合了注意力机制的cnn-gru水质预测方法
CN114169638A (zh) * 2021-12-23 2022-03-11 中国农业大学 一种水质预测方法及装置
CN114298615A (zh) * 2022-03-09 2022-04-08 浙江大学 一种农作物种植风险预防方法、装置、存储介质和设备
CN115409252A (zh) * 2022-08-24 2022-11-29 浙江天演维真网络科技股份有限公司 基于lstm的植物生长数据多步预测方法、装置、介质及设备
CN116051996A (zh) * 2023-01-13 2023-05-02 大连东软信息学院 一种基于多模态信息的二阶段农作物生长预测方法
CN115860269A (zh) * 2023-02-20 2023-03-28 南京信息工程大学 一种基于三重注意力机制的农作物产量预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117726051A (zh) * 2024-02-08 2024-03-19 北京市农林科学院智能装备技术研究中心 特色农作物产量预测方法、装置及存储介质
CN117726051B (zh) * 2024-02-08 2024-05-10 北京市农林科学院智能装备技术研究中心 特色农作物产量预测方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN109919317B (zh) 一种机器学习模型训练方法和装置
Arya et al. Deep learning: As the new frontier in high-throughput plant phenotyping
Jabir et al. Deep learning-based decision support system for weeds detection in wheat fields
Rathore et al. Automatic rice plant disease recognition and identification using convolutional neural network
CN116307266A (zh) 作物生长预测方法、装置、电子设备及存储介质
CN116918546A (zh) 一种玉米高产种植施肥方法
Gonçalves et al. Automatic detection of Acacia longifolia invasive species based on UAV-acquired aerial imagery
Menezes et al. Pseudo-label semi-supervised learning for soybean monitoring
Lauguico et al. Machine vision-based prediction of lettuce phytomorphological descriptors using deep learning networks
Parez et al. Towards Sustainable Agricultural Systems: A Lightweight Deep Learning Model for Plant Disease Detection.
Chikkamath et al. Benchmarking of novel convolutional neural network models for automatic butterfly identification
Toskova et al. DCNN against Wheat Weeds
CN109934352B (zh) 智能模型的自动进化方法
CN112036437A (zh) 基于改进yolov3网络的水稻秧苗检测模型及其方法
CN116612386A (zh) 基于分级检测双任务模型的辣椒病虫害识别方法及***
CN116167850A (zh) 一种基于农业遥感图像的贷款风险评估方法及装置
Arunmozhiselvi et al. A systematic approach to agricultural drones using a machine learning model
Frank et al. Confidence-driven hierarchical classification of cultivated plant stresses
Chaudhari et al. Bayesian optimization with deep learning based crop type classification on UAV imagery
Tanaka et al. Deep learning-based estimation of rice yield using RGB image
AU2021101682A4 (en) Automatic plant leaf disease diagnosis with machine learning and deep convolutional neural networks
Popescu et al. Comparative Study of Neural Networks Used in Halyomorpha Halys Detection
N. Govaichelvan et al. Machine learning for major food crops breeding: Applications, challenges, and ways forward
Kumar et al. Deep learning and computer vision in smart agriculture
Almola et al. Citrus diseases recognition by using CNN

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20230623