CN116649159B - 一种食用菌生长参数寻优的***和方法 - Google Patents
一种食用菌生长参数寻优的***和方法 Download PDFInfo
- Publication number
- CN116649159B CN116649159B CN202310956743.5A CN202310956743A CN116649159B CN 116649159 B CN116649159 B CN 116649159B CN 202310956743 A CN202310956743 A CN 202310956743A CN 116649159 B CN116649159 B CN 116649159B
- Authority
- CN
- China
- Prior art keywords
- training
- growth state
- time sequence
- parameter
- value
- 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.)
- Active
Links
- 230000012010 growth Effects 0.000 title claims abstract description 372
- 241000233866 Fungi Species 0.000 title claims abstract description 193
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims abstract description 65
- 230000004044 response Effects 0.000 claims abstract description 52
- 230000007613 environmental effect Effects 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims description 186
- 239000011159 matrix material Substances 0.000 claims description 122
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 108
- 239000013598 vector Substances 0.000 claims description 68
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 54
- 239000001569 carbon dioxide Substances 0.000 claims description 54
- 238000013527 convolutional neural network Methods 0.000 claims description 49
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 36
- 229910052760 oxygen Inorganic materials 0.000 claims description 36
- 239000001301 oxygen Substances 0.000 claims description 36
- 239000002689 soil Substances 0.000 claims description 36
- 238000000354 decomposition reaction Methods 0.000 claims description 32
- 238000000605 extraction Methods 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 19
- 230000004043 responsiveness Effects 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 238000012098 association analyses Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 2
- 230000001568 sexual effect Effects 0.000 claims 1
- 238000009826 distribution Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 230000015572 biosynthetic process Effects 0.000 description 5
- 239000000758 substrate Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 235000001674 Agaricus brunnescens Nutrition 0.000 description 2
- 241000222455 Boletus Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 230000024001 sorocarp development Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 235000001715 Lentinula edodes Nutrition 0.000 description 1
- 240000000599 Lentinula edodes Species 0.000 description 1
- 244000252132 Pleurotus eryngii Species 0.000 description 1
- 235000001681 Pleurotus eryngii Nutrition 0.000 description 1
- 240000001462 Pleurotus ostreatus Species 0.000 description 1
- 235000001603 Pleurotus ostreatus Nutrition 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 239000001963 growth medium Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 239000002609 medium Substances 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 235000015816 nutrient absorption Nutrition 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000002786 root growth Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G18/00—Cultivation of mushrooms
- A01G18/60—Cultivation rooms; Equipment therefor
- A01G18/69—Arrangements for managing the environment, e.g. sprinklers
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G18/00—Cultivation of mushrooms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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
- Y02A40/25—Greenhouse technology, e.g. cooling systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mycology (AREA)
- Molecular Biology (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Environmental Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Agronomy & Crop Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种食用菌生长参数寻优的***和方法,其基于食用菌的生长状态监控视频来提取食用菌的生长状态时序特征,并基于环境参数的时序关联特征与食用菌的生长状态时序特征之间的响应性估计来表达两者之间的关联,进而再通过解码器来进行解码回归以得到生长参数的优化解码值,以此来进行食用菌的生长环境参数的自适应调节控制,优化食用菌的生长条件,提高食用菌的生长效率和产量,以更好的满足市场的需求。
Description
技术领域
本申请涉及智能化参数寻优技术领域,并且更具体地,涉及一种食用菌生长参数寻优的***和方法。
背景技术
近年来,随着人们收入水平的提高,人们的消费能力迅速增强,使得人们对食用菌的需求也在不断增加,但由于生产能力不足,食用菌的价格仍居高不下。在进行食用菌的培养过程中,同种食用菌的培养环境直接影响食用菌成熟后的产量和质量,因此食用菌的单瓶产量主要集中在食用菌的生长环境参数控制上,如何根据食用菌的生长状态情况来进行更优的环境调控,对于提高食用菌的总产量尤显重要。
在传统的食用菌生长环境参数寻优控制过程中,通常凭借专业技术人员依靠自身的经验来进行食用菌的生长环境参数控制,并且在整个食用菌的生长过程中,环境参数通常保持预定数值不变。然而,由于食用菌在不同的生长周期所需的环境参数数据不同,因此,传统的食用菌生长环境参数控制方案在实际应用时会导致食用菌的生长较慢,影响食用菌的总产量,从而使得食用菌的产量不能满足市场需求。
因此,期望一种优化的食用菌生长参数寻优的***和方法。
发明内容
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食用菌生长参数寻优的***和方法,其基于食用菌的生长状态监控视频来提取食用菌的生长状态时序特征,并基于环境参数的时序关联特征与食用菌的生长状态时序特征之间的响应性估计来表达两者之间的关联,进而再通过解码器来进行解码回归以得到生长参数的优化解码值,以此来进行食用菌的生长环境参数的自适应调节控制,优化食用菌的生长条件,提高食用菌的生长效率和产量,以更好的满足市场的需求。
第一方面,提供了一种食用菌生长参数寻优的***,其包括:
监控视频采集模块,用于通过摄像头采集预定时间段的食用菌的生长状态监控视频;
环境参数采集模块,用于通过传感器组采集所述预定时间段内多个预定时间点的二氧化碳浓度值、环境温度值、环境湿度值、土壤电导率、氧气浓度值、pH值和基质温度值;
生长状态特征提取模块,用于从所述食用菌的生长状态监控视频提取食用菌的生长状态时序变化特征;
环境参数时序关联特征提取模块,用于对所述多个预定时间点的二氧化碳浓度值、环境温度值、环境湿度值、土壤电导率、氧气浓度值、pH值和基质温度值进行时序关联分析以得到参数间时序关联特征;
生长状态-环境参数特征关联模块,用于对所述食用菌的生长状态时序变化特征和所述参数间时序关联特征进行关联分析以得到生长状态-环境参数响应性关联特征矩阵;以及
环境参数控制模块,用于基于所述生长状态-环境参数响应性关联特征矩阵,确定优化二氧化碳浓度值。
结合本申请的第一方面,在本申请的第一方面的一种食用菌生长参数寻优的***中,所述生长状态特征提取模块,包括:
视频切分单元,用于对所述生长状态监控视频进行视频分段切分以得到多个生长状态监控视频片段;
生长状态局部特征分析单元,用于通过基于深度神经网络模型的生长状态时序特征提取器对所述多个生长状态监控视频片段分别进行特征提取以得到多个生长状态时序特征图;
全局生长状态关联特征提取单元,用于将所述多个生长状态时序特征图沿着通道维度聚合为全局生长状态时序特征图后,通过基于第一卷积神经网络模型的全时序关联特征提取器以得到全局生长状态时序关联特征向量作为所述食用菌的生长状态时序变化特征。
结合本申请的第一方面,在本申请的第一方面的一种食用菌生长参数寻优的***中,所述深度神经网络模型为三维卷积神经网络模型。
结合本申请的第一方面,在本申请的第一方面的一种食用菌生长参数寻优的***中,所述环境参数时序关联特征提取模块,包括:
环境参数时序排列单元,用于将所述多个预定时间点的二氧化碳浓度值、环境温度值、环境湿度值、土壤电导率、氧气浓度值、pH值和基质温度值按照时间维度和样本维度排列为全时序多参数联合矩阵;
参数时序关联特征提取单元,用于将所述全时序多参数联合矩阵通过基于第二卷积神经网络模型的参数间时序关联特征提取器以得到参数间时序关联特征向量作为所述参数间时序关联特征。
结合本申请的第一方面,在本申请的第一方面的一种食用菌生长参数寻优的***中,所述生长状态-环境参数特征关联模块,用于:计算所述全局生长状态时序关联特征向量相对于所述参数间时序关联特征向量的响应性估计以得到所述生长状态-环境参数响应性关联特征矩阵。
结合本申请的第一方面,在本申请的第一方面的一种食用菌生长参数寻优的***中,所述环境参数控制模块,用于:将所述生长状态-环境参数响应性关联特征矩阵通过第一解码器以得到第一解码值,所述第一解码值用于表示优化二氧化碳浓度值。
结合本申请的第一方面,在本申请的第一方面的一种食用菌生长参数寻优的***中,还包括用于对基于三维卷积神经网络模型的生长状态时序特征提取器、所述基于第一卷积神经网络模型的全时序关联特征提取器、所述基于第二卷积神经网络模型的参数间时序关联特征提取器和所述第一解码器进行训练的训练模块。
结合本申请的第一方面,在本申请的第一方面的一种食用菌生长参数寻优的***中,所述训练模块,包括:
训练数据采集单元,用于获取训练数据,所述训练数据包括预定时间段的食用菌的训练生长状态监控视频,所述预定时间段内多个预定时间点的训练二氧化碳浓度值、训练环境温度值、训练环境湿度值、训练土壤电导率、训练氧气浓度值、训练pH值和训练基质温度值,以及,所述优化二氧化碳浓度值的真实值;
训练视频切分单元,用于对所述训练生长状态监控视频进行视频分段切分以得到多个训练生长状态监控视频片段;
训练生长状态局部特征提取单元,用于将所述多个训练生长状态监控视频片段分别通过所述基于三维卷积神经网络模型的生长状态时序特征提取器以得到多个训练生长状态时序特征图;
训练生长状态全局特征关联单元,用于将所述多个训练生长状态时序特征图沿着通道维度聚合为训练全局生长状态时序特征图后通过所述基于第一卷积神经网络模型的全时序关联特征提取器以得到训练全局生长状态时序关联特征向量;
训练环境参数时序排列单元,用于将所述多个预定时间点的训练二氧化碳浓度值、训练环境温度值、训练环境湿度值、训练土壤电导率、训练氧气浓度值、训练pH值和训练基质温度值按照时间维度和样本维度排列为训练全时序多参数联合矩阵;
训练环境参数间时序关联编码单元,用于将所述训练全时序多参数联合矩阵通过所述基于第二卷积神经网络模型的参数间时序关联特征提取器以得到训练参数间时序关联特征向量;
训练响应性关联特征融合单元,用于计算所述训练全局生长状态时序关联特征向量相对于所述训练参数间时序关联特征向量的响应性估计以得到训练生长状态-环境参数响应性关联特征矩阵;
解码损失单元,用于将所述训练生长状态-环境参数响应性关联特征矩阵通过所述第一解码器以得到第一解码损失函数值;
流形凸分解一致性损失单元,用于计算所述训练生长状态-环境参数响应性关联特征矩阵的流形凸分解一致性因数以得到流形凸分解一致性损失函数值;
模型训练单元,用于以所述第一解码损失函数值和所述流形凸分解一致性损失函数值的加权和作为损失函数值,并通过梯度下降的方向传播来对所述基于三维卷积神经网络模型的生长状态时序特征提取器、所述基于第一卷积神经网络模型的全时序关联特征提取器、所述基于第二卷积神经网络模型的参数间时序关联特征提取器和所述第一解码器进行训练。
结合本申请的第一方面,在本申请的第一方面的一种食用菌生长参数寻优的***中,所述流形凸分解一致性损失单元,用于:以如下损失公式计算所述训练生长状态-环境参数响应性关联特征矩阵的流形凸分解一致性因数以得到所述流形凸分解一致性损失函数值;
其中,所述损失公式为:
;
;
;
其中表示所述训练生长状态-环境参数响应性关联特征矩阵的第(/>)位置的特征值,/>和/>分别是所述训练生长状态-环境参数响应性关联特征矩阵第/>个行向量的均值向量和列向量的均值向量,/>表示向量的一范数,/>表示矩阵的Frobenius范数,/>和/>是所述训练生长状态-环境参数响应性关联特征矩阵的宽度和高度,且/>、和/>是权重超参数,/>表示/>函数,/>表示所述流形凸分解一致性损失函数值。
第二方面,提供了一种食用菌生长参数寻优的方法,其包括:
通过摄像头采集预定时间段的食用菌的生长状态监控视频;
通过传感器组采集所述预定时间段内多个预定时间点的二氧化碳浓度值、环境温度值、环境湿度值、土壤电导率、氧气浓度值、pH值和基质温度值;
从所述食用菌的生长状态监控视频提取食用菌的生长状态时序变化特征;
对所述多个预定时间点的二氧化碳浓度值、环境温度值、环境湿度值、土壤电导率、氧气浓度值、pH值和基质温度值进行时序关联分析以得到参数间时序关联特征;
对所述食用菌的生长状态时序变化特征和所述参数间时序关联特征进行关联分析以得到生长状态-环境参数响应性关联特征矩阵;以及
基于所述生长状态-环境参数响应性关联特征矩阵,确定优化二氧化碳浓度值。
有益效果:本申请提供了一种食用菌生长参数寻优的***和方法,其基于食用菌的生长状态监控视频来提取食用菌的生长状态时序特征,并基于环境参数的时序关联特征与食用菌的生长状态时序特征之间的响应性估计来表达两者之间的关联,进而再通过解码器来进行解码回归以得到生长参数的优化解码值,以此来进行食用菌的生长环境参数的自适应调节控制,优化食用菌的生长条件,提高食用菌的生长效率和产量,以更好的满足市场的需求。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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为根据本申请实施例的食用菌生长参数寻优的***的框图;
图2为根据本申请实施例的食用菌生长参数寻优的***中所述训练模块的框图;
图3为根据本申请实施例的食用菌生长参数寻优的方法的流程图;
图4为根据本申请实施例的食用菌生长参数寻优的方法架构的示意图;
图5为根据本申请实施例的食用菌生长参数寻优的***的应用场景图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
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。
食用菌是指可以作为食物的真菌类食材,它们通常以菌丝体或子实体的形式存在,具有丰富的营养价值和独特的口感,是许多菜肴和料理中的重要成分。
香菇是一种广泛种植和消费的食用菌,具有丰富的蛋白质、维生素和矿物质。平菇是一种扁平的食用菌,外形类似于香菇,但较小。杏鲍菇的菌盖呈扇形,颜色多为淡黄色或淡棕色。金针菇是一种细长而细嫩的食用菌,外形像一根细长的金针,因此得名。牛肝菌是一种高档的野生食用菌,外形类似于牛肝,因此得名。食用菌不仅具有美味的特点,还富含多种营养物质,如蛋白质。
相应地,考虑到在实际进行食用菌的生长参数寻优过程中,食用菌的生长过程受到多个环境参数的影响,如二氧化碳浓度、环境温度、环境湿度、土壤电导率、氧气浓度、pH值和基质温度等。具体来说,二氧化碳浓度、温度、湿度等参数可以影响食用菌的呼吸作用和水分吸收,而土壤电导率、氧气浓度、pH值和基质温度等参数则与食用菌的根系生长和养分吸收有关。并且,还考虑到食用菌的生长环境参数之间具有着时序的关联关系,难以通过对于各参数的单独时序分析来进行每个参数的寻优自适应调控。
基于此,在本申请的技术方案中,期望基于食用菌的生长状态监控视频来提取食用菌的生长状态时序特征,并基于环境参数的时序关联特征与食用菌的生长状态时序特征之间的响应性估计来表达两者之间的关联,进而再通过解码器来进行解码回归以得到生长参数的优化解码值,以此来进行食用菌的生长环境参数的自适应调节控制,优化食用菌的生长条件,提高食用菌的生长效率和产量,以更好的满足市场的需求。
在本申请的一个实施例中,图1为根据本申请实施例的食用菌生长参数寻优的***的框图。如图1所示,根据本申请实施例的食用菌生长参数寻优的***100,包括:监控视频采集模块110,用于通过摄像头采集预定时间段的食用菌的生长状态监控视频;环境参数采集模块120,用于通过传感器组采集所述预定时间段内多个预定时间点的二氧化碳浓度值、环境温度值、环境湿度值、土壤电导率、氧气浓度值、pH值和基质温度值;生长状态特征提取模块130,用于从所述食用菌的生长状态监控视频提取食用菌的生长状态时序变化特征;环境参数时序关联特征提取模块140,用于对所述多个预定时间点的二氧化碳浓度值、环境温度值、环境湿度值、土壤电导率、氧气浓度值、pH值和基质温度值进行时序关联分析以得到参数间时序关联特征;生长状态-环境参数特征关联模块150,用于对所述食用菌的生长状态时序变化特征和所述参数间时序关联特征进行关联分析以得到生长状态-环境参数响应性关联特征矩阵;以及,环境参数控制模块160,用于基于所述生长状态-环境参数响应性关联特征矩阵,确定优化二氧化碳浓度值。
其中,通过监控视频采集模块和环境参数采集模块,可以获取食用菌的生长状态监控视频和多个预定时间点的环境参数数据,这些数据对于了解食用菌的生长环境非常重要。
生长状态特征提取模块和环境参数时序关联特征提取模块可以对生长状态和环境参数进行分析和提取特征。通过关联分析,生长状态-环境参数特征关联模块可以建立生长状态和环境参数之间的响应性关联特征矩阵,以理解生长状态和环境参数之间的关系,进而确定优化二氧化碳浓度值等环境参数的推荐值。
环境参数控制模块可以基于生长状态-环境参数响应性关联特征矩阵,确定优化二氧化碳浓度值,通过优化环境参数,可以提高食用菌的生长效率和产量。
所述食用菌生长参数寻优的***综合了监控视频、环境参数和关联分析的技术,可以实现对食用菌生长环境参数的优化调节,有助于农业生产中食用菌的高效栽培和优质产出。
具体地,所述监控视频采集模块110和所述环境参数采集模块120,用于通过摄像头采集预定时间段的食用菌的生长状态监控视频;以及,用于通过传感器组采集所述预定时间段内多个预定时间点的二氧化碳浓度值、环境温度值、环境湿度值、土壤电导率、氧气浓度值、pH值和基质温度值。
也就是,在本申请的技术方案中,首先,通过摄像头采集预定时间段的食用菌的生长状态监控视频,并且,通过传感器组采集所述预定时间段内多个预定时间点的二氧化碳浓度值、环境温度值、环境湿度值、土壤电导率、氧气浓度值、pH值和基质温度值。
其中,食用菌通常需要一定的二氧化碳浓度来促进生长,较高的二氧化碳浓度可以提供充足的碳源,促进菌丝的生长和菌盖的形成。不同种类的食用菌对温度有不同的适应范围,一般来说,适宜的温度范围可以促进菌丝的扩展和菌盖的形成,过高或过低的温度都可能影响菌丝的生长和产量。食用菌对湿度要求较高,适宜的湿度可以促进菌丝的生长和菌盖的形成,湿度过高可能导致霉菌等有害微生物的滋生,湿度过低则会导致菌丝干燥。土壤电导率反映了土壤中的盐分含量,过高的盐分含量可能对食用菌的生长不利,因此,适宜的土壤电导率对于食用菌的生长是重要的。氧气对于食用菌的生长也是必需的,适宜的氧气浓度可以促进菌丝的生长和菌盖的形成,过低的氧气浓度可能导致菌丝窒息。不同种类的食用菌对pH值有不同的适应范围,适宜的pH值可以提供适宜的酸碱环境,有利于食用菌的生长和产量。基质温度是指食用菌生长的培养基或栽培基质的温度,适宜的基质温度可以促进菌丝的生长和菌盖的形成。
因此,通过监测和控制这些环境参数,可以优化食用菌的生长条件,提高产量和质量。
具体地,所述生长状态特征提取模块130,用于从所述食用菌的生长状态监控视频提取食用菌的生长状态时序变化特征。包括:视频切分单元,用于对所述生长状态监控视频进行视频分段切分以得到多个生长状态监控视频片段;生长状态局部特征分析单元,用于通过基于深度神经网络模型的生长状态时序特征提取器对所述多个生长状态监控视频片段分别进行特征提取以得到多个生长状态时序特征图;以及,全局生长状态关联特征提取单元,用于将所述多个生长状态时序特征图沿着通道维度聚合为全局生长状态时序特征图后通过基于第一卷积神经网络模型的全时序关联特征提取器以得到全局生长状态时序关联特征向量作为所述食用菌的生长状态时序变化特征。
其中,所述深度神经网络模型为三维卷积神经网络模型。
接着,考虑到由于所述食用菌在不同的时间段内具有着不同的生长状态特征。也就是说,食用菌的生长过程通常可以分为不同的阶段,例如发芽期、菌丝生长期、子实体形成期等。每个阶段的生长状态可能有所不同,包括菌丝的扩展、子实体的形成和成熟等。因此,为了能够更为充分且准确地捕捉到所述食用菌在每个阶段的生长状态,在本申请的技术方案中,进一步对所述生长状态监控视频进行视频分段切分以得到多个生长状态监控视频片段。
然后,考虑到在每个所述生长状态监控视频片段中有关于食用菌的生长状态在时间维度上是不断变化的,也就是说,每个所述生长状态监控视频片段中的各个预定时间点下有关于食用菌的生长状态特征信息之间具有着关联关系。因此,将所述多个生长状态监控视频片段分别通过基于三维卷积神经网络模型的生长状态时序特征提取器中进行特征挖掘,以提取出每个所述生长状态监控视频片段中有关于食用菌的生长状态隐含特征在时间维度上的时序动态关联特征分布信息,从而得到多个生长状态时序特征图。这样,能够刻画出有关于所述食用菌在各阶段的生长状态时序动态变化特征信息。
由于所述食用菌的各阶段生长状态在整体的所述预定时间段内具有着时序全局的关联关系。也就是说,所述食用菌在整个预定时间段内的生长状态特征是随着时间变化而不断变化的。因此,需要对于该食用菌的全局生长状态变化特征进行分析。具体地,在本申请的技术方案中,将所述多个生长状态时序特征图沿着通道维度聚合为全局生长状态时序特征图后,通过基于第一卷积神经网络模型的全时序关联特征提取器中进行特征提取,以提取出所述食用菌的各阶段的生长状态时序变化特征之间的全局关联特征信息,从而得到全局生长状态时序关联特征向量。
具体地,所述环境参数时序关联特征提取模块140,用于对所述多个预定时间点的二氧化碳浓度值、环境温度值、环境湿度值、土壤电导率、氧气浓度值、pH值和基质温度值进行时序关联分析以得到参数间时序关联特征。包括:环境参数时序排列单元,用于将所述多个预定时间点的二氧化碳浓度值、环境温度值、环境湿度值、土壤电导率、氧气浓度值、pH值和基质温度值按照时间维度和样本维度排列为全时序多参数联合矩阵;以及,参数时序关联特征提取单元,用于将所述全时序多参数联合矩阵通过基于第二卷积神经网络模型的参数间时序关联特征提取器以得到参数间时序关联特征向量作为所述参数间时序关联特征。
进一步地,对于所述食用菌的生长环境参数来说,由于所述食用菌的各个生长环境参数不仅都在时间维度上有着各自的动态变化规律,而且这些生长环境参数之间也具有着时序的协同关联特征信息,这些环境参数的时序协同关联特征对于食用菌的生长非常重要。因此,为了能够基于食用菌的生长状态时序特征和生长环境参数的时序特征来综合进行食用菌的生长环境参数的优化,需要对于所述食用菌的生长环境参数进行时序关联编码。具体地,在本申请的技术方案中,将所述多个预定时间点的二氧化碳浓度值、环境温度值、环境湿度值、土壤电导率、氧气浓度值、pH值和基质温度值按照时间维度和样本维度排列为全时序多参数联合矩阵,以此来整合所述食用菌的各个生长环境参数在时间和样本维度上的分布信息后,进一步将所述全时序多参数联合矩阵通过基于第二卷积神经网络模型的参数间时序关联特征提取器中进行特征挖掘,以提取出所述食用菌的各个生长环境参数在时间和样本维度上的时序协同关联特征信息,从而得到参数间时序关联特征向量。
具体地,所述生长状态-环境参数特征关联模块150,用于对所述食用菌的生长状态时序变化特征和所述参数间时序关联特征进行关联分析以得到生长状态-环境参数响应性关联特征矩阵。即,进一步用于:计算所述全局生长状态时序关联特征向量相对于所述参数间时序关联特征向量的响应性估计以得到所述生长状态-环境参数响应性关联特征矩阵。
继而,再计算所述全局生长状态时序关联特征向量相对于所述参数间时序关联特征向量的响应性估计,以此来融合所述食用菌的生长状态特征信息和生长环境参数特征信息,以得到生长状态-环境参数响应性关联特征矩阵,以此来表示所述食用菌的生长状态全局时序变化特征和所述食用菌的各个生长环境参数间的时序协同关联特征之间的关联性特征分布信息。
具体地,所述环境参数控制模块160,用于基于所述生长状态-环境参数响应性关联特征矩阵,确定优化二氧化碳浓度值。进一步用于:将所述生长状态-环境参数响应性关联特征矩阵通过第一解码器以得到第一解码值,所述第一解码值用于表示优化二氧化碳浓度值。
然后,将所述生长状态-环境参数响应性关联特征矩阵通过第一解码器以得到第一解码值,所述第一解码值用于表示优化二氧化碳浓度值。也就是说,以所述食用菌的生长状态特征和生长环境参数关联特征之间的关联性特征分布信息来进行解码,以此来进行所述食用菌的生长环境参数的自适应调节控制。特别地,在本申请的其他具体示例中,还可以将所述生长状态-环境参数响应性关联特征矩阵通过其他解码器中进行解码回归以得到其他解码值,所述其他解码值用于表示推荐的优化环境温度值、优化环境湿度值、优化土壤电导率、优化氧气浓度值、优化pH值和优化基质温度值。这样,能够分别对于食用菌的二氧化碳浓度值、环境温度值、环境湿度值、土壤电导率、氧气浓度值、pH值和基质温度值进行自适应控制,从而优化食用菌的生长条件,提高食用菌的生长效率和产量。
进一步地,所述食用菌生长参数寻优的***,还包括用于对所述基于三维卷积神经网络模型的生长状态时序特征提取器、所述基于第一卷积神经网络模型的全时序关联特征提取器、所述基于第二卷积神经网络模型的参数间时序关联特征提取器和所述第一解码器进行训练的训练模块。图2为根据本申请实施例的食用菌生长参数寻优的***中所述训练模块的框图,如图2所示,所述训练模块170,包括:训练数据采集单元171,用于获取训练数据,所述训练数据包括预定时间段的食用菌的训练生长状态监控视频,所述预定时间段内多个预定时间点的训练二氧化碳浓度值、训练环境温度值、训练环境湿度值、训练土壤电导率、训练氧气浓度值、训练pH值和训练基质温度值,以及,所述优化二氧化碳浓度值的真实值;训练视频切分单元172,用于对所述训练生长状态监控视频进行视频分段切分以得到多个训练生长状态监控视频片段;训练生长状态局部特征提取单元173,用于将所述多个训练生长状态监控视频片段分别通过所述基于三维卷积神经网络模型的生长状态时序特征提取器以得到多个训练生长状态时序特征图;训练生长状态全局特征关联单元174,用于将所述多个训练生长状态时序特征图沿着通道维度聚合为训练全局生长状态时序特征图后通过所述基于第一卷积神经网络模型的全时序关联特征提取器以得到训练全局生长状态时序关联特征向量;训练环境参数时序排列单元175,用于将所述多个预定时间点的训练二氧化碳浓度值、训练环境温度值、训练环境湿度值、训练土壤电导率、训练氧气浓度值、训练pH值和训练基质温度值按照时间维度和样本维度排列为训练全时序多参数联合矩阵;训练环境参数间时序关联编码单元176,用于将所述训练全时序多参数联合矩阵通过所述基于第二卷积神经网络模型的参数间时序关联特征提取器以得到训练参数间时序关联特征向量;训练响应性关联特征融合单元177,用于计算所述训练全局生长状态时序关联特征向量相对于所述训练参数间时序关联特征向量的响应性估计以得到训练生长状态-环境参数响应性关联特征矩阵;解码损失单元178,用于将所述训练生长状态-环境参数响应性关联特征矩阵通过所述第一解码器以得到第一解码损失函数值;流形凸分解一致性损失单元179,用于计算所述训练生长状态-环境参数响应性关联特征矩阵的流形凸分解一致性因数以得到流形凸分解一致性损失函数值;以及,模型训练单元1710,用于以所述第一解码损失函数值和所述流形凸分解一致性损失函数值的加权和作为损失函数值,并通过梯度下降的方向传播来对所述基于三维卷积神经网络模型的生长状态时序特征提取器、所述基于第一卷积神经网络模型的全时序关联特征提取器、所述基于第二卷积神经网络模型的参数间时序关联特征提取器和所述第一解码器进行训练。
特别地,在本申请的技术方案中,这里,在计算所述全局生长状态时序关联特征向量相对于所述参数间时序关联特征向量的响应性估计时,是将所述全局生长状态时序关联特征向量相对于所述参数间时序关联特征向量的响应特征向量基于所述全局生长状态时序关联特征向量的自方差矩阵相对于所述参数间时序关联特征向量的自方差矩阵的响应方差矩阵的各个行方差分布进行概率采样,以得到所述生长状态-环境参数响应性关联特征矩阵的各个行特征向量,这里,考虑到概率采样时的随机性,因此需要对所述生长状态-环境参数响应性关联特征矩阵的各个行特征向量进行约束。
这里,由于所述响应特征向量的整体特征分布符合所述全局生长状态时序关联特征向量相对于所述参数间时序关联特征向量的响应性分布,而所述生长状态-环境参数响应性关联特征矩阵在列方向上的特征分布遵循所述响应特征向量的整体特征分布,因此如果所述生长状态-环境参数响应性关联特征矩阵在高维特征空间内的流形表达在与行方向和列方向对应的不同分布维度上保持一致,则能够对所述生长状态-环境参数响应性关联特征矩阵的各个行特征向量进行约束。
因此,本申请的申请人针对所述生长状态-环境参数响应性关联特征矩阵引入特征矩阵的流形凸分解一致性因数作为损失函数,具体表示为:以如下损失公式计算所述训练生长状态-环境参数响应性关联特征矩阵的流形凸分解一致性因数以得到所述流形凸分解一致性损失函数值;其中,所述损失公式为:
;
;
;
其中表示所述训练生长状态-环境参数响应性关联特征矩阵的第(/>)位置的特征值,/>和/>分别是所述训练生长状态-环境参数响应性关联特征矩阵第/>个行向量的均值向量和列向量的均值向量,/>表示向量的一范数,/>表示矩阵的Frobenius范数,/>和/>是所述训练生长状态-环境参数响应性关联特征矩阵的宽度和高度,且/>、和/>是权重超参数,/>表示/>函数,/>表示所述流形凸分解一致性损失函数值。
也就是,考虑到所述生长状态-环境参数响应性关联特征矩阵的行和列维度的如上所述的维度表达,所述流形凸分解一致性因数针对所述生长状态-环境参数响应性关联特征矩阵/>在行和列所代表的子维度上的分布差异性,通过所述生长状态-环境参数响应性关联特征矩阵/>所表示的特征流形的几何凸分解,来对不同维度上的流形的有限凸多面体的集合进行平展化,并以子维度关联的形状权重的形式来约束几何凸分解,从而促进所述生长状态-环境参数响应性关联特征矩阵/>的特征流形在行和列所代表的可分解维度上的凸几何表示的一致性,以使得所述生长状态-环境参数响应性关联特征矩阵在高维特征空间内的流形表达在与行方向和列方向对应的不同分布维度上保持一致。这样,能够基于食用菌的生长状态情况来进行生长环境参数的自适应调节控制,从而优化食用菌的生长条件,提高食用菌的生长效率和产量,以更好的满足市场的需求。
综上,基于本申请实施例的食用菌生长参数寻优的***100被阐明,其进行食用菌的生长环境参数的自适应调节控制,优化食用菌的生长条件,提高食用菌的生长效率和产量,以更好的满足市场的需求。
如上所述,根据本申请实施例的食用菌生长参数寻优的*** 100可以实现在各种终端设备中,例如用于食用菌生长参数寻优的服务器等。在一个示例中,根据本申请实施例的食用菌生长参数寻优的***100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,该食用菌生长参数寻优的***100可以是该终端设备的操作***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,该食用菌生长参数寻优的***100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,该食用菌生长参数寻优的***100与该终端设备也可以是分立的设备,并且该食用菌生长参数寻优的***100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。
在本申请的一个实施例中,图3为根据本申请实施例的食用菌生长参数寻优的方法的流程图。图4为根据本申请实施例的食用菌生长参数寻优的方法架构的示意图。如图3和图4所示,所述食用菌生长参数寻优的方法,包括:S210,通过摄像头采集预定时间段的食用菌的生长状态监控视频;S220,通过传感器组采集所述预定时间段内多个预定时间点的二氧化碳浓度值、环境温度值、环境湿度值、土壤电导率、氧气浓度值、pH值和基质温度值;S230,从所述食用菌的生长状态监控视频提取食用菌的生长状态时序变化特征;S240,对所述多个预定时间点的二氧化碳浓度值、环境温度值、环境湿度值、土壤电导率、氧气浓度值、pH值和基质温度值进行时序关联分析以得到参数间时序关联特征;S250,对所述食用菌的生长状态时序变化特征和所述参数间时序关联特征进行关联分析以得到生长状态-环境参数响应性关联特征矩阵;以及,S260,基于所述生长状态-环境参数响应性关联特征矩阵,确定优化二氧化碳浓度值。
本领域技术人员可以理解,上述食用菌生长参数寻优的方法中的各个步骤的具体操作已经在上面参考图1到图2的食用菌生长参数寻优的***的描述中得到了详细介绍,并因此,将省略其重复描述。
图5为根据本申请实施例的食用菌生长参数寻优的***的应用场景图。如图5所示,在该应用场景中,首先,通过摄像头采集预定时间段的食用菌(例如,如图5中所示意的M)的生长状态监控视频(例如,如图5中所示意的C);然后,将获取的生长状态监控视频输入至部署有食用菌生长参数寻优算法的服务器(例如,如图5中所示意的S)中,其中所述服务器能够基于食用菌生长参数寻优算法对所述生长状态监控视频进行处理,以确定优化二氧化碳浓度值。
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。
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。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
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。
Claims (3)
1.一种食用菌生长参数寻优的***,其特征在于,包括:
监控视频采集模块,用于通过摄像头采集预定时间段的食用菌的生长状态监控视频;
环境参数采集模块,用于通过传感器组采集所述预定时间段内多个预定时间点的二氧化碳浓度值、环境温度值、环境湿度值、土壤电导率、氧气浓度值、pH值和基质温度值;
生长状态特征提取模块,用于从所述食用菌的生长状态监控视频提取食用菌的生长状态时序变化特征;
环境参数时序关联特征提取模块,用于对所述多个预定时间点的二氧化碳浓度值、环境温度值、环境湿度值、土壤电导率、氧气浓度值、pH值和基质温度值进行时序关联分析以得到参数间时序关联特征;
生长状态-环境参数特征关联模块,用于对所述食用菌的生长状态时序变化特征和所述参数间时序关联特征进行关联分析以得到生长状态-环境参数响应性关联特征矩阵;
环境参数控制模块,用于基于所述生长状态-环境参数响应性关联特征矩阵,确定优化二氧化碳浓度值;
所述生长状态特征提取模块,包括:
视频切分单元,用于对所述生长状态监控视频进行视频分段切分以得到多个生长状态监控视频片段;
生长状态局部特征分析单元,用于通过基于深度神经网络模型的生长状态时序特征提取器对所述多个生长状态监控视频片段分别进行特征提取以得到多个生长状态时序特征图,所述深度神经网络模型为三维卷积神经网络模型;
全局生长状态关联特征提取单元,用于将所述多个生长状态时序特征图沿着通道维度聚合为全局生长状态时序特征图后,通过基于第一卷积神经网络模型的全时序关联特征提取器以得到全局生长状态时序关联特征向量作为所述食用菌的生长状态时序变化特征;
所述环境参数时序关联特征提取模块,包括:
环境参数时序排列单元,用于将所述多个预定时间点的二氧化碳浓度值、环境温度值、环境湿度值、土壤电导率、氧气浓度值、pH值和基质温度值按照时间维度和样本维度排列为全时序多参数联合矩阵;
参数时序关联特征提取单元,用于将所述全时序多参数联合矩阵通过基于第二卷积神经网络模型的参数间时序关联特征提取器以得到参数间时序关联特征向量作为所述参数间时序关联特征;
所述环境参数控制模块,用于:将所述生长状态-环境参数响应性关联特征矩阵通过第一解码器以得到第一解码值,所述第一解码值用于表示优化二氧化碳浓度值;
所述***还包括用于对基于三维卷积神经网络模型的生长状态时序特征提取器、所述基于第一卷积神经网络模型的全时序关联特征提取器、所述基于第二卷积神经网络模型的参数间时序关联特征提取器和所述第一解码器进行训练的训练模块;
所述训练模块,包括:
训练数据采集单元,用于获取训练数据,所述训练数据包括预定时间段的食用菌的训练生长状态监控视频,所述预定时间段内多个预定时间点的训练二氧化碳浓度值、训练环境温度值、训练环境湿度值、训练土壤电导率、训练氧气浓度值、训练pH值和训练基质温度值,以及,所述优化二氧化碳浓度值的真实值;
训练视频切分单元,用于对所述训练生长状态监控视频进行视频分段切分以得到多个训练生长状态监控视频片段;
训练生长状态局部特征提取单元,用于将所述多个训练生长状态监控视频片段分别通过所述基于三维卷积神经网络模型的生长状态时序特征提取器以得到多个训练生长状态时序特征图;
训练生长状态全局特征关联单元,用于将所述多个训练生长状态时序特征图沿着通道维度聚合为训练全局生长状态时序特征图后通过所述基于第一卷积神经网络模型的全时序关联特征提取器以得到训练全局生长状态时序关联特征向量;
训练环境参数时序排列单元,用于将所述多个预定时间点的训练二氧化碳浓度值、训练环境温度值、训练环境湿度值、训练土壤电导率、训练氧气浓度值、训练pH值和训练基质温度值按照时间维度和样本维度排列为训练全时序多参数联合矩阵;
训练环境参数间时序关联编码单元,用于将所述训练全时序多参数联合矩阵通过所述基于第二卷积神经网络模型的参数间时序关联特征提取器以得到训练参数间时序关联特征向量;
训练响应性关联特征融合单元,用于计算所述训练全局生长状态时序关联特征向量相对于所述训练参数间时序关联特征向量的响应性估计以得到训练生长状态-环境参数响应性关联特征矩阵;
解码损失单元,用于将所述训练生长状态-环境参数响应性关联特征矩阵通过所述第一解码器以得到第一解码损失函数值;
流形凸分解一致性损失单元,用于计算所述训练生长状态-环境参数响应性关联特征矩阵的流形凸分解一致性因数以得到流形凸分解一致性损失函数值;
模型训练单元,用于以所述第一解码损失函数值和所述流形凸分解一致性损失函数值的加权和作为损失函数值,并通过梯度下降的方向传播来对所述基于三维卷积神经网络模型的生长状态时序特征提取器、所述基于第一卷积神经网络模型的全时序关联特征提取器、所述基于第二卷积神经网络模型的参数间时序关联特征提取器和所述第一解码器进行训练;
所述流形凸分解一致性损失单元,用于:以如下损失公式计算所述训练生长状态-环境参数响应性关联特征矩阵的流形凸分解一致性因数以得到所述流形凸分解一致性损失函数值;
其中,所述损失公式为:
;
;
;
其中表示所述训练生长状态-环境参数响应性关联特征矩阵的第(/>位置的特征值,/>和/>分别是所述训练生长状态-环境参数响应性关联特征矩阵第/>个行向量的均值向量和列向量的均值向量,/>表示向量的一范数,/>表示矩阵的Frobenius范数,/>和是所述训练生长状态-环境参数响应性关联特征矩阵的宽度和高度,且/>、/>和/>是权重超参数,/>表示/>函数,/>表示所述流形凸分解一致性损失函数值。
2.根据权利要求1所述的食用菌生长参数寻优的***,其特征在于,所述生长状态-环境参数特征关联模块,用于:计算所述全局生长状态时序关联特征向量相对于所述参数间时序关联特征向量的响应性估计以得到所述生长状态-环境参数响应性关联特征矩阵。
3.一种食用菌生长参数寻优的方法,其特征在于,包括:
通过摄像头采集预定时间段的食用菌的生长状态监控视频;
通过传感器组采集所述预定时间段内多个预定时间点的二氧化碳浓度值、环境温度值、环境湿度值、土壤电导率、氧气浓度值、pH值和基质温度值;
从所述食用菌的生长状态监控视频提取食用菌的生长状态时序变化特征;
对所述多个预定时间点的二氧化碳浓度值、环境温度值、环境湿度值、土壤电导率、氧气浓度值、pH值和基质温度值进行时序关联分析以得到参数间时序关联特征;
对所述食用菌的生长状态时序变化特征和所述参数间时序关联特征进行关联分析以得到生长状态-环境参数响应性关联特征矩阵;
基于所述生长状态-环境参数响应性关联特征矩阵,确定优化二氧化碳浓度值;
所述从所述食用菌的生长状态监控视频提取食用菌的生长状态时序变化特征,包括:
对所述生长状态监控视频进行视频分段切分以得到多个生长状态监控视频片段;
通过基于深度神经网络模型的生长状态时序特征提取器对所述多个生长状态监控视频片段分别进行特征提取以得到多个生长状态时序特征图,所述深度神经网络模型为三维卷积神经网络模型;
将所述多个生长状态时序特征图沿着通道维度聚合为全局生长状态时序特征图后,通过基于第一卷积神经网络模型的全时序关联特征提取器以得到全局生长状态时序关联特征向量作为所述食用菌的生长状态时序变化特征;
所述多个预定时间点的二氧化碳浓度值、环境温度值、环境湿度值、土壤电导率、氧气浓度值、pH值和基质温度值进行时序关联分析以得到参数间时序关联特征,包括:
将所述多个预定时间点的二氧化碳浓度值、环境温度值、环境湿度值、土壤电导率、氧气浓度值、pH值和基质温度值按照时间维度和样本维度排列为全时序多参数联合矩阵;
将所述全时序多参数联合矩阵通过基于第二卷积神经网络模型的参数间时序关联特征提取器以得到参数间时序关联特征向量作为所述参数间时序关联特征;
所述基于所述生长状态-环境参数响应性关联特征矩阵,确定优化二氧化碳浓度值,包括:将所述生长状态-环境参数响应性关联特征矩阵通过第一解码器以得到第一解码值,所述第一解码值用于表示优化二氧化碳浓度值;
所述方法还包括用于对基于三维卷积神经网络模型的生长状态时序特征提取器、所述基于第一卷积神经网络模型的全时序关联特征提取器、所述基于第二卷积神经网络模型的参数间时序关联特征提取器和所述第一解码器进行训练的训练步骤;
所述训练步骤,包括:
获取训练数据,所述训练数据包括预定时间段的食用菌的训练生长状态监控视频,所述预定时间段内多个预定时间点的训练二氧化碳浓度值、训练环境温度值、训练环境湿度值、训练土壤电导率、训练氧气浓度值、训练pH值和训练基质温度值,以及,所述优化二氧化碳浓度值的真实值;
对所述训练生长状态监控视频进行视频分段切分以得到多个训练生长状态监控视频片段;
将所述多个训练生长状态监控视频片段分别通过所述基于三维卷积神经网络模型的生长状态时序特征提取器以得到多个训练生长状态时序特征图;
将所述多个训练生长状态时序特征图沿着通道维度聚合为训练全局生长状态时序特征图后通过所述基于第一卷积神经网络模型的全时序关联特征提取器以得到训练全局生长状态时序关联特征向量;
将所述多个预定时间点的训练二氧化碳浓度值、训练环境温度值、训练环境湿度值、训练土壤电导率、训练氧气浓度值、训练pH值和训练基质温度值按照时间维度和样本维度排列为训练全时序多参数联合矩阵;
将所述训练全时序多参数联合矩阵通过所述基于第二卷积神经网络模型的参数间时序关联特征提取器以得到训练参数间时序关联特征向量;
计算所述训练全局生长状态时序关联特征向量相对于所述训练参数间时序关联特征向量的响应性估计以得到训练生长状态-环境参数响应性关联特征矩阵;
将所述训练生长状态-环境参数响应性关联特征矩阵通过所述第一解码器以得到第一解码损失函数值;
计算所述训练生长状态-环境参数响应性关联特征矩阵的流形凸分解一致性因数以得到流形凸分解一致性损失函数值;
以所述第一解码损失函数值和所述流形凸分解一致性损失函数值的加权和作为损失函数值,并通过梯度下降的方向传播来对所述基于三维卷积神经网络模型的生长状态时序特征提取器、所述基于第一卷积神经网络模型的全时序关联特征提取器、所述基于第二卷积神经网络模型的参数间时序关联特征提取器和所述第一解码器进行训练;
以如下损失公式计算所述训练生长状态-环境参数响应性关联特征矩阵的流形凸分解一致性因数以得到所述流形凸分解一致性损失函数值;
其中,所述损失公式为:
;
;
;
其中表示所述训练生长状态-环境参数响应性关联特征矩阵的第(/>位置的特征值,/>和/>分别是所述训练生长状态-环境参数响应性关联特征矩阵第/>个行向量的均值向量和列向量的均值向量,/>表示向量的一范数,/>表示矩阵的Frobenius范数,/>和是所述训练生长状态-环境参数响应性关联特征矩阵的宽度和高度,且/>、/>和/>是权重超参数,/>表示/>函数,/>表示所述流形凸分解一致性损失函数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310956743.5A CN116649159B (zh) | 2023-08-01 | 2023-08-01 | 一种食用菌生长参数寻优的***和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310956743.5A CN116649159B (zh) | 2023-08-01 | 2023-08-01 | 一种食用菌生长参数寻优的***和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116649159A CN116649159A (zh) | 2023-08-29 |
CN116649159B true CN116649159B (zh) | 2023-11-07 |
Family
ID=87712247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310956743.5A Active CN116649159B (zh) | 2023-08-01 | 2023-08-01 | 一种食用菌生长参数寻优的***和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116649159B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117073768B (zh) * | 2023-10-16 | 2023-12-29 | 吉林省牛人网络科技股份有限公司 | 肉牛养殖管理***及其方法 |
CN117535452B (zh) * | 2024-01-09 | 2024-03-26 | 延边大学 | 菌糠发酵饲料生产的在线监控方法及*** |
CN117743975A (zh) * | 2024-02-21 | 2024-03-22 | 君研生物科技(山西)有限公司 | 山坡耕地土壤环境改良方法 |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108183757A (zh) * | 2017-11-30 | 2018-06-19 | 东南大学 | 感知时长和资源分配联合优化的分段近似凸分解方法 |
CN108739052A (zh) * | 2018-06-01 | 2018-11-06 | 北京中环易达设施园艺科技有限公司 | 一种食用菌生长参数寻优的***和方法 |
CN110188653A (zh) * | 2019-05-27 | 2019-08-30 | 东南大学 | 基于局部特征聚合编码和长短期记忆网络的行为识别方法 |
CA3060900A1 (en) * | 2018-11-05 | 2020-05-05 | Royal Bank Of Canada | System and method for deep reinforcement learning |
CN111325794A (zh) * | 2020-02-23 | 2020-06-23 | 哈尔滨工业大学 | 一种基于深度卷积自编码器的视觉同时定位与地图构建方法 |
CN111368176A (zh) * | 2020-03-02 | 2020-07-03 | 南京财经大学 | 基于监督语义耦合一致的跨模态哈希检索方法及*** |
CN111860054A (zh) * | 2019-04-28 | 2020-10-30 | 普天信息技术有限公司 | 一种卷积网络训练方法和装置 |
CN112686187A (zh) * | 2021-01-05 | 2021-04-20 | 四川铁投信息技术产业投资有限公司 | 基于深度学习视频分类的道路通行异常状态检测方法及装置 |
WO2021160189A1 (zh) * | 2020-02-14 | 2021-08-19 | 重庆邮电大学 | WiFi干扰环境下的CSI人体跌倒识别方法 |
WO2022086949A1 (en) * | 2020-10-21 | 2022-04-28 | Idac Holdings, Inc | Methods for training artificial intelligence components in wireless systems |
IT202000029537A1 (it) * | 2020-12-02 | 2022-06-02 | Airesearch S R L | Sistema di controllo per un impianto acquaponico |
KR20220086724A (ko) * | 2020-12-16 | 2022-06-24 | 주식회사 한성시스코 | Iot 융합기술을 활용한 센서 일체형 무선환경조절기 |
CN115099992A (zh) * | 2022-08-22 | 2022-09-23 | 江苏慧岸信息科技有限公司 | 蘑菇种植房的数据处理方法及处理*** |
CN115482467A (zh) * | 2022-09-29 | 2022-12-16 | 河南省景观规划设计研究院有限公司 | 一种智慧园林的自动灌溉*** |
WO2022263839A1 (en) * | 2021-06-17 | 2022-12-22 | Monolith Ai Limited | Computer implemented method for generating a 3d object |
CN115861887A (zh) * | 2022-12-14 | 2023-03-28 | 江苏福多美生物科技有限公司 | 用于黑蒜的菌类检测方法 |
CN115872791A (zh) * | 2022-12-07 | 2023-03-31 | 长兴兴德生物科技有限公司 | 绿色环保有机肥生产工艺及其控制*** |
KR102522341B1 (ko) * | 2022-11-04 | 2023-04-18 | 아이티컨버젼스 주식회사 | 인공지능을 이용한 작물 생육 자동 계측 시스템 |
CN116143127A (zh) * | 2023-03-13 | 2023-05-23 | 浙江美晶新材料有限公司 | 石英砂的自动化生产***及其方法 |
CN116147130A (zh) * | 2023-04-18 | 2023-05-23 | 杭州行至云起科技有限公司 | 智能家居控制***及其方法 |
CN116167148A (zh) * | 2023-04-26 | 2023-05-26 | 青岛理工大学 | 基于局域微气候的城市街区形态优化方法及其*** |
CN116504382A (zh) * | 2023-05-29 | 2023-07-28 | 杭州医锐联科技有限公司 | 远程医疗监护***及其方法 |
CN116492634A (zh) * | 2023-06-26 | 2023-07-28 | 广州思林杰科技股份有限公司 | 基于图像视觉定位的立定跳远测试方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10126134B2 (en) * | 2015-12-21 | 2018-11-13 | Invensense, Inc. | Method and system for estimating uncertainty for offline map information aided enhanced portable navigation |
CN112770624A (zh) * | 2018-07-23 | 2021-05-07 | 合利博尼克斯有限责任公司 | 自动化植物栽培*** |
US20220261928A1 (en) * | 2019-07-08 | 2022-08-18 | Indigo Ag, Inc. | Crop yield forecasting models |
US11508167B2 (en) * | 2020-04-13 | 2022-11-22 | Google Llc | Convex representation of objects using neural network |
EP4120203A1 (en) * | 2021-07-16 | 2023-01-18 | Dassault Systèmes | Segmenting a 3d modeled object representing a mechanical assembly |
-
2023
- 2023-08-01 CN CN202310956743.5A patent/CN116649159B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108183757A (zh) * | 2017-11-30 | 2018-06-19 | 东南大学 | 感知时长和资源分配联合优化的分段近似凸分解方法 |
CN108739052A (zh) * | 2018-06-01 | 2018-11-06 | 北京中环易达设施园艺科技有限公司 | 一种食用菌生长参数寻优的***和方法 |
CN113711843A (zh) * | 2018-06-01 | 2021-11-30 | 北京中环易达设施园艺科技有限公司 | 一种食用菌生长参数寻优的***和方法 |
CA3060900A1 (en) * | 2018-11-05 | 2020-05-05 | Royal Bank Of Canada | System and method for deep reinforcement learning |
CN111860054A (zh) * | 2019-04-28 | 2020-10-30 | 普天信息技术有限公司 | 一种卷积网络训练方法和装置 |
CN110188653A (zh) * | 2019-05-27 | 2019-08-30 | 东南大学 | 基于局部特征聚合编码和长短期记忆网络的行为识别方法 |
WO2021160189A1 (zh) * | 2020-02-14 | 2021-08-19 | 重庆邮电大学 | WiFi干扰环境下的CSI人体跌倒识别方法 |
CN111325794A (zh) * | 2020-02-23 | 2020-06-23 | 哈尔滨工业大学 | 一种基于深度卷积自编码器的视觉同时定位与地图构建方法 |
CN111368176A (zh) * | 2020-03-02 | 2020-07-03 | 南京财经大学 | 基于监督语义耦合一致的跨模态哈希检索方法及*** |
WO2022086949A1 (en) * | 2020-10-21 | 2022-04-28 | Idac Holdings, Inc | Methods for training artificial intelligence components in wireless systems |
IT202000029537A1 (it) * | 2020-12-02 | 2022-06-02 | Airesearch S R L | Sistema di controllo per un impianto acquaponico |
KR20220086724A (ko) * | 2020-12-16 | 2022-06-24 | 주식회사 한성시스코 | Iot 융합기술을 활용한 센서 일체형 무선환경조절기 |
CN112686187A (zh) * | 2021-01-05 | 2021-04-20 | 四川铁投信息技术产业投资有限公司 | 基于深度学习视频分类的道路通行异常状态检测方法及装置 |
WO2022263839A1 (en) * | 2021-06-17 | 2022-12-22 | Monolith Ai Limited | Computer implemented method for generating a 3d object |
CN115099992A (zh) * | 2022-08-22 | 2022-09-23 | 江苏慧岸信息科技有限公司 | 蘑菇种植房的数据处理方法及处理*** |
CN115482467A (zh) * | 2022-09-29 | 2022-12-16 | 河南省景观规划设计研究院有限公司 | 一种智慧园林的自动灌溉*** |
KR102522341B1 (ko) * | 2022-11-04 | 2023-04-18 | 아이티컨버젼스 주식회사 | 인공지능을 이용한 작물 생육 자동 계측 시스템 |
CN115872791A (zh) * | 2022-12-07 | 2023-03-31 | 长兴兴德生物科技有限公司 | 绿色环保有机肥生产工艺及其控制*** |
CN115861887A (zh) * | 2022-12-14 | 2023-03-28 | 江苏福多美生物科技有限公司 | 用于黑蒜的菌类检测方法 |
CN116143127A (zh) * | 2023-03-13 | 2023-05-23 | 浙江美晶新材料有限公司 | 石英砂的自动化生产***及其方法 |
CN116147130A (zh) * | 2023-04-18 | 2023-05-23 | 杭州行至云起科技有限公司 | 智能家居控制***及其方法 |
CN116167148A (zh) * | 2023-04-26 | 2023-05-26 | 青岛理工大学 | 基于局域微气候的城市街区形态优化方法及其*** |
CN116504382A (zh) * | 2023-05-29 | 2023-07-28 | 杭州医锐联科技有限公司 | 远程医疗监护***及其方法 |
CN116492634A (zh) * | 2023-06-26 | 2023-07-28 | 广州思林杰科技股份有限公司 | 基于图像视觉定位的立定跳远测试方法 |
Non-Patent Citations (4)
Title |
---|
一种优化的机器人碰撞检测算法研究;刘燕;陈一民;李启明;赵东阳;周明珠;;微型电脑应用(第05期);14-18 * |
克里斯 马特曼.TensorFlow机器学习:原书第2版.机械工业出版社,2022,(第1版),110-111. * |
才晓玲.常见食用菌简介.中国农业大学出版社,2018,(第1版),33-36. * |
李玲等.智能计算***实验教程.机械工业出版社,2021,(第1版),103. * |
Also Published As
Publication number | Publication date |
---|---|
CN116649159A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116649159B (zh) | 一种食用菌生长参数寻优的***和方法 | |
CN113711843B (zh) | 一种食用菌生长参数寻优的***和方法 | |
CN107622361B (zh) | 一种用于食用菌大棚环境的数学建模及其控制方法 | |
CN107622236B (zh) | 基于蜂群与梯度提升决策树算法农作物病害诊断预警方法 | |
CN111325522B (zh) | 一种基于物联网的智能渔业养殖管理方法和*** | |
Alejandrino et al. | Visual classification of lettuce growth stage based on morphological attributes using unsupervised machine learning models | |
CN117073768B (zh) | 肉牛养殖管理***及其方法 | |
CN115909070B (zh) | 一种基于改进yolov5网络的杂草检测方法 | |
CN102262735A (zh) | 信息处理设备、信息输出方法及程序 | |
CN114027052A (zh) | 一种植物生殖发育的光照调控*** | |
CN107241403A (zh) | 推送方法及推送装置、服务器、设备和可读存储介质 | |
CN110175525B (zh) | 一种耐盐黄秋葵品种快速筛选方法 | |
CN114677606A (zh) | 基于注意力机制和双分支网络的柑橘细粒度病害识别方法 | |
Gupta et al. | Smart irrigation system and plant disease detection | |
Kamala et al. | Apple fruit disease detection for hydroponic plants using leading edge technology machine learning and image processing | |
CN108181814A (zh) | 植物生长环境监控方法及装置、计算机存储介质 | |
CN115294518A (zh) | 一种园艺植物温室精准栽培的智能监控方法及*** | |
CN108038586B (zh) | 一种河蟹养殖的水环境评价方法及*** | |
US20230309464A1 (en) | Method and apparatus for automated crop recipe optimization | |
CN114898364B (zh) | 一种葡萄的高效栽培方法及*** | |
CN115088566A (zh) | 一种基于水稻栽培***及其培育方法 | |
CN110135481B (zh) | 一种农作物病变检测方法以及检测装置 | |
CN113627329A (zh) | 基于混合卷积网络的小麦种子高光谱图像分类方法及*** | |
Santhosh Kumar et al. | Review on disease detection of plants using image processing and machine learning techniques | |
Patil et al. | Ai-driven hydroponic systems for lemon basil |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |