CN115872791A - 绿色环保有机肥生产工艺及其控制系统 - Google Patents
绿色环保有机肥生产工艺及其控制系统 Download PDFInfo
- Publication number
- CN115872791A CN115872791A CN202211563677.7A CN202211563677A CN115872791A CN 115872791 A CN115872791 A CN 115872791A CN 202211563677 A CN202211563677 A CN 202211563677A CN 115872791 A CN115872791 A CN 115872791A
- Authority
- CN
- China
- Prior art keywords
- fermentation
- vector
- feature
- scale
- characteristic vector
- 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
Links
Images
Landscapes
- Processing Of Solid Wastes (AREA)
- Fertilizers (AREA)
Abstract
公开了一种绿色环保有机肥生产工艺及其控制系统，其中，所述绿色环保有机肥经过有机废弃物预处理、堆积发酵、复合微量元素而得到，其能够快速释放多种营养物质，调理和增加土壤的有益菌群。同时，作为活性菌体肥，施入土壤后仍可保持活性状态，将土壤养分转化为植物易于吸收利用的状态，并且大量菌丝体的生长改善了土壤团粒结构，使土壤结构松软且保水性好。特别地，在此过程中，本申请的技术方案结合人工智能监控技术，基于所述有机废弃物的发酵状态的变化特征来自适应地调控发酵环境的温度值，这样，保证所述有机废弃物的发酵效果。
Description
技术领域
本申请涉及有机肥制备技术领域，且更为具体地，涉及一种绿色环保有机肥生产工艺及其控制系统。
背景技术
化肥在集约化农业中为保障我国粮食供给做出了巨大贡献，但由于农户对产量的过度追求，长期过量和不合理施用化肥造成作物严重减产、土壤地力下降和土壤生态系统健康遭受生物胁迫等问题，给农业可持续发展带来了严重的威胁。同时，据统计全国农业有机废弃物(作物秸秆、畜禽粪便等)年产量高达50亿吨，但利用率只有60％左右，严重造成资源的浪费、环境污染、土壤健康度下降以及作物病害等问题，给生态环境安全带来了巨大的压力及隐患。因此，如何缓解过量化肥带来的一系列危害和实现农业固体废弃物的资源化利用，是我国农业可持续发展面临的重大问题。
因此，期望一种绿色环保有机肥生产工艺。
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绿色环保有机肥生产工艺及其控制系统，其中，所述绿色环保有机肥经过有机废弃物预处理、堆积发酵、复合微量元素而得到，其能够快速释放多种营养物质，调理和增加土壤的有益菌群。同时，作为活性菌体肥，施入土壤后仍可保持活性状态，将土壤养分转化为植物易于吸收利用的状态，并且大量菌丝体的生长改善了土壤团粒结构，使土壤结构松软且保水性好。特别地，在此过程中，本申请的技术方案结合人工智能监控技术，基于所述有机废弃物的发酵状态的变化特征来自适应地调控发酵环境的温度值，这样，保证所述有机废弃物的发酵效果。
根据本申请的一个方面，提供了一种绿色环保有机肥生产工艺，其包括：
提供有机废弃物；
对所述有机废弃物进行预处理以将所述有机废弃物中的水分含量浓缩至小于等于65％；
选择A.S.568作为主发酵菌对预处理后的所述有机废弃物进行堆积发酵以得到发酵后产物；以及
在所述发酵后产物中加入适量的微量元素以得到复合有机肥。
在上述绿色环保有机肥生产工艺中，所述选择A.S.568作为主发酵菌对预处理后的所述有机废弃物进行堆积发酵以得到发酵后产物，包括：获取预定时间段内多个预定时间点的发酵环境温度值以及所述预定时间段的发酵监控视频；从所述发酵监控视频提取多个发酵监控关键帧；将所述多个发酵监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个发酵状态特征向量；将所述多个发酵状态特征向量通过基于转换器的上下文编码器以得到发酵状态语义关联特征向量；将所述多个预定时间点的发酵环境温度值按照时间时间维度排列为发酵温度输入向量后通过多尺度邻域特征提取模块以得到发酵环境温度特征向量；计算所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量的响应性估计以得到分类特征向量；以及，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的发酵环境的温度值应增大、保持不变，或应减小。
在上述绿色环保有机肥生产工艺中，所述从所述发酵监控视频提取多个发酵监控关键帧，包括：以预定采样频率从所述发酵监控视频中提取多个发酵监控关键帧。
在上述绿色环保有机肥生产工艺中，所述将所述多个发酵监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个发酵状态特征向量，包括：使用所述卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述发酵状态特征向量，所述卷积神经网络模型的第一层的输入为所述发酵监控关键帧。
在上述绿色环保有机肥生产工艺中，所述将所述多个发酵状态特征向量通过基于转换器的上下文编码器以得到发酵状态语义关联特征向量，包括：将所述多个发酵状态特征向量排列为输入向量；将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；将所述自注意力特征矩阵与以多个发酵状态特征向量中各个发酵状态特征向量作为值向量分别进行相乘以得到所述多个发酵状态关联特征向量；以及，将所述多个发酵状态关联特征向量进行级联以得到所述发酵状态语义关联特征向量。
在上述绿色环保有机肥生产工艺中，所述多尺度邻域特征提取模块，包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的级联层，其中，所述第一卷积层使用具有第一尺度的一维卷积核，所述第二卷积层使用具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度。
在上述绿色环保有机肥生产工艺中，所述将所述多个预定时间点的发酵环境温度值按照时间时间维度排列为发酵温度输入向量后通过多尺度邻域特征提取模块以得到发酵环境温度特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以具有第一尺度的一维卷积核对所述发酵温度输入向量进行一维卷积编码以得到第一尺度发酵温度特征向量；使用所述多尺度邻域特征提取模块的第二卷积层以具有第二尺度的一维卷积核对所述发酵温度输入向量进行一维卷积编码以得到第二尺度发酵温度特征向量；以及，使用所述多尺度邻域特征提取模块的级联层将所述第一尺度发酵温度特征向量和所述第二尺度发酵温度特征向量进行级联以得到所述发酵环境温度特征向量。
在上述绿色环保有机肥生产工艺中，所述计算所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量的响应性估计以得到分类特征向量，包括：计算所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量之间的小尺度局部衍生向量来作为加权特征向量，其中，所述小尺度局部衍生向量与所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量之间的按位置差值的绝对值有关；以所述加权特征向量对所述发酵状态语义关联特征向量进行加权以得到优化后发酵状态语义关联特征向量；以及，计算所述发酵环境温度特征向量相对于所述优化后发酵状态语义关联特征向量的响应性估计以得到分类特征向量。
在上述绿色环保有机肥生产工艺中，所述计算所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量之间的小尺度局部衍生向量来作为加权特征向量，包括：以如下公式计算计算所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量之间的小尺度局部衍生向量来作为加权特征向量；其中，所述公式为：
其中，v1i、v2i和vwi分别是所述发酵状态语义关联特征向量、所述发酵环境温度特征向量和所述小尺度局部衍生向量第i个特征值。
在上述绿色环保有机肥生产工艺中，所述计算所述发酵环境温度特征向量相对于所述优化后发酵状态语义关联特征向量的响应性估计以得到分类特征向量，包括：以如下公式计算所述发酵环境温度特征向量相对于所述优化后发酵状态语义关联特征向量的响应性估计以得到分类特征向量；其中，所述公式为：
其中Va表示所述发酵环境温度特征向量，Vb表示所述优化后发酵状态语义关联特征向量，M表示所述分类特征矩阵，
表示矩阵相乘；以及，将所述分类特征矩阵按照行向量或者列向量的方向展开为分类特征向量。
在上述绿色环保有机肥生产工艺中，所述将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的发酵环境的温度值应增大、保持不变，或应减小，包括：使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，提供了一种绿色环保有机肥生产工艺的控制系统，包括：
有机废弃物准备模块，用于提供有机废弃物；
预处理模块，用于对所述有机废弃物进行预处理以将所述有机废弃物中的水分含量浓缩至小于等于65％；
堆积发酵模块，用于选择A.S.568作为主发酵菌对预处理后的所述有机废弃物进行堆积发酵以得到发酵后产物；以及
复合模块，用于在所述发酵后产物中加入适量的微量元素以得到复合有机肥。
在上述绿色环保有机肥生产工艺的控制系统中，所述堆积发酵模块，包括：
监控单元，用于获取预定时间段内多个预定时间点的发酵环境温度值以及所述预定时间段的发酵监控视频；
采样单元，用于从所述发酵监控视频提取多个发酵监控关键帧；
发酵状态提取单元，用于将所述多个发酵监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个发酵状态特征向量；
发酵状态关联单元，用于将所述多个发酵状态特征向量通过基于转换器的上下文编码器以得到发酵状态语义关联特征向量；
发酵温度多尺度编码单元，用于将所述多个预定时间点的发酵环境温度值按照时间时间维度排列为发酵温度输入向量后通过多尺度邻域特征提取模块以得到发酵环境温度特征向量；
响应性估计单元，用于计算所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量的响应性估计以得到分类特征向量；以及
控制结果生成单元，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的发酵环境的温度值应增大、保持不变，或应减小。
在上述绿色环保有机肥生产工艺的控制系统中，所述采样单元，用于以预定采样频率从所述发酵监控视频中提取多个发酵监控关键帧。
在上述绿色环保有机肥生产工艺的控制系统中，所述发酵状态提取单元，进一步用于：使用所述卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述发酵状态特征向量，所述卷积神经网络模型的第一层的输入为所述发酵监控关键帧。
在上述绿色环保有机肥生产工艺的控制系统中，所发酵状态关联单元，进一步用于：将所述多个发酵状态特征向量排列为输入向量；将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；将所述自注意力特征矩阵与以多个发酵状态特征向量中各个发酵状态特征向量作为值向量分别进行相乘以得到所述多个发酵状态关联特征向量；以及，将所述多个发酵状态关联特征向量进行级联以得到所述发酵状态语义关联特征向量。
在上述绿色环保有机肥生产工艺的控制系统中，所述多尺度邻域特征提取模块，包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的级联层，其中，所述第一卷积层使用具有第一尺度的一维卷积核，所述第二卷积层使用具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度。
在上述绿色环保有机肥生产工艺的控制系统中，所述发酵温度多尺度编码单元，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以具有第一尺度的一维卷积核对所述发酵温度输入向量进行一维卷积编码以得到第一尺度发酵温度特征向量；使用所述多尺度邻域特征提取模块的第二卷积层以具有第二尺度的一维卷积核对所述发酵温度输入向量进行一维卷积编码以得到第二尺度发酵温度特征向量；以及，使用所述多尺度邻域特征提取模块的级联层将所述第一尺度发酵温度特征向量和所述第二尺度发酵温度特征向量进行级联以得到所述发酵环境温度特征向量。
在上述绿色环保有机肥生产工艺的控制系统中，所述响应性估计单元，包括：小尺度局部衍生子单元，用于计算所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量之间的小尺度局部衍生向量来作为加权特征向量，其中，所述小尺度局部衍生向量与所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量之间的按位置差值的绝对值有关；加权子单元，以所述加权特征向量对所述发酵状态语义关联特征向量进行加权以得到优化后发酵状态语义关联特征向量；以及，估计子单元，计算所述发酵环境温度特征向量相对于所述优化后发酵状态语义关联特征向量的响应性估计以得到分类特征向量。
在上述绿色环保有机肥生产工艺的控制系统中，所述小尺度局部衍生子单元，进一步用于：以如下公式计算计算所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量之间的小尺度局部衍生向量来作为加权特征向量；其中，所述公式为：
其中，v1i、v2i和vwi分别是所述发酵状态语义关联特征向量、所述发酵环境温度特征向量和所述小尺度局部衍生向量第i个特征值。
在上述绿色环保有机肥生产工艺的控制系统中，所述估计子单元，进一步用于：以如下公式计算所述发酵环境温度特征向量相对于所述优化后发酵状态语义关联特征向量的响应性估计以得到分类特征向量；其中，所述公式为：
其中Va表示所述发酵环境温度特征向量，Vb表示所述优化后发酵状态语义关联特征向量，M表示所述分类特征矩阵，
表示矩阵相乘；以及，将所述分类特征矩阵按照行向量或者列向量的方向展开为分类特征向量。
在上述绿色环保有机肥生产工艺的控制系统中，所述控制结果生成单元，进一步用于：使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
与现有技术相比，本申请提供的绿色环保有机肥生产工艺及其控制系统，其中，所述绿色环保有机肥经过有机废弃物预处理、堆积发酵、复合微量元素而得到，其能够快速释放多种营养物质，调理和增加土壤的有益菌群。同时，作为活性菌体肥，施入土壤后仍可保持活性状态，将土壤养分转化为植物易于吸收利用的状态，并且大量菌丝体的生长改善了土壤团粒结构，使土壤结构松软且保水性好。特别地，在此过程中，本申请的技术方案结合人工智能监控技术，基于所述有机废弃物的发酵状态的变化特征来自适应地调控发酵环境的温度值，这样，保证所述有机废弃物的发酵效果。
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为根据本申请实施例的绿色环保有机肥生产工艺的流程图。
图2为根据本申请实施例的绿色环保有机肥生产工艺中选择A.S.568作为主发酵菌对预处理后的所述有机废弃物进行堆积发酵以得到发酵后产物的流程图。
图3为根据本申请实施例的绿色环保有机肥生产工艺中选择A.S.568作为主发酵菌对预处理后的所述有机废弃物进行堆积发酵以得到发酵后产物的架构图。
图4为根据本申请实施例的绿色环保有机肥生产工艺的控制系统的框图。
图5为根据本申请实施例的绿色环保有机肥生产工艺的控制系统中堆积发酵模块的框图。
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。
申请概述
如上述背景技术所言，由于化肥的过量使用以及农业有机废弃物的过度浪费使得我国农业可持续发展面临的重大问题，因此，如何缓解过量化肥带来的一系列危害和实现农业固体废弃物的资源化利用是需要解决的问题。
针对上述问题，提出了一种绿色环保有机肥生产工艺，其包括：提供有机废弃物；对所述有机废弃物进行预处理以将所述有机废弃物中的水分含量浓缩至小于等于65％；选择A.S.568作为主发酵菌对预处理后的所述有机废弃物进行堆积发酵以得到发酵后产物；以及，在所述发酵后产物中加入适量的微量元素以得到复合有机肥。
特别地，在此工艺中，选用鸡猪粪、牛粪或其余有机废弃物作为原料，并且选用优良性状的工程菌A.S.568作为主发酵菌来对于所述有机废弃物进行堆积发酵，前期进行好氧发酵，后期利用土壤中固有细菌、放线菌进行堆积厌氧发酵生产多菌基质，使前期发酵产生的部分菌体自溶，释放出包括一些促生长因子在内的生物有机物质。在此过程中，对于发酵的环境温度的控制是保证复合有机肥质量的关键。
相应地，考虑到在实际对于发酵的环境温度进行控制时，发酵温度的调控应适配于所述有机废弃物的发酵状态的变化情况，也就是说，应基于所述有机废弃物的发酵状态的变化特征来自适应地调控发酵环境的温度值。这样，一方面能够对于发酵环境的温度值进行实时准确地控制，以保证所述有机废弃物的发酵效果，进而确保有机肥的生产质量，另一方面能够对于有机废弃物进行综合利用来生产出的有机肥，使其方式更加绿色环保。
具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的发酵环境温度值以及所述预定时间段的发酵监控视频。接着，由于在所述发酵监控视频中，所述有机废弃物的发酵状态变化情况可以通过所述发酵监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示所述有机废弃物的发酵状态的变化情况。但是，考虑到所述发酵监控视频中相邻帧的差异较小，存在大量数据冗余，因此，为了降低计算量且避免数据冗余给检测带来的不良影响，进一步以预定采样频率对所述发酵监控视频进行关键帧采样，以从所述发酵监控视频提取多个发酵监控关键帧。
进一步地，使用在图像的局部隐含特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来对于所述多个发酵监控关键帧进行特征挖掘，以分别提取出所述多个发酵监控关键帧中的各个关键帧关于所述有机废弃物的发酵状态变化的隐含特征分布信息，从而得到多个发酵状态特征向量。接着，考虑到所述各个关键帧中的关于所述废弃物的发酵状态隐含特征在时间维度上具有着动态变化特征关联信息，并且为了能够对于发酵环境的温度值进行实时精准控制，再将所述多个发酵状态特征向量通过基于转换器的上下文编码器中进行编码，以得到具有所述各个关键帧中关于发酵状态特征的基于时序全局性的动态关联特征分布信息的发酵状态语义关联特征向量。
然后，考虑到在实际进行发酵环境温度的自适应控制时，需要对于温度在时序上的动态变化特征进行准确地特征提取，但是，由于温度值在所述预定时间段内具有着波动性和不确定性，并且其在不同时间跨度下具有着不同的模式状态特征。因此，为了能够充分且准确地对于温度的动态变化特征信息进行提取，进一步将所述多个预定时间点的发酵环境温度值按照时间时间维度排列为发酵温度输入向量后通过多尺度邻域特征提取模块中进行编码，以提取出所述发酵环境温度在不同的时间跨度下的多尺度邻域关联特征，从而得到发酵环境温度特征向量。
接着，再计算所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量的响应性估计来表示所述发酵环境温度的动态变化对于所述发酵状态变化的影响特征，也就是，所述发酵环境温度的动态变化特征与所述发酵的状态变化特征之间的关联性特征分布信息，并以此作为分类特征向量通过分类器中进行分类处理，以得到用于表示当前时间点的发酵环境的温度值应增大、保持不变，或应减小的分类结果。这样，能够对于当前时间点的发酵环境的温度值进行实时准确地控制，以保证所述有机废弃物的发酵效果，进而确保有机肥的生产质量。
特别地，在本申请的技术方案中，通过将所述发酵温度输入向量通过多尺度邻域特征提取模块得到所述发酵环境温度特征向量，可以提取发酵温度值的时序序列在多个尺度上的邻域时序关联特征。但是，考虑到所述多尺度邻域特征提取模块得到的均为相对小尺度下的邻域时序关联特征，而所述多个发酵状态特征向量通过基于转换器的上下文编码器得到所述发酵状态语义关联特征向量，使得所述发酵状态语义关联特征向量表达发酵监控关键帧的图像语义在时序上的上下文关联特征，这就需要提升所述发酵状态语义关联特征向量在小尺度上对于所述发酵环境温度特征向量的局部关联特征分布的一致性。
因此，计算所述发酵状态语义关联特征向量，例如记为V1和所述发酵环境温度特征向量，例如记为V2的小尺度局部衍生向量来作为加权特征向量，表示为：
v1i、v2i和vwi分别是所述发酵状态语义关联特征向量V1、所述发酵环境温度特征向量V2和所述小尺度局部衍生向量，例如记为Vw的每个位置的向量值。
这里，通过计算所述发酵状态语义关联特征向量V1和所述发酵环境温度特征向量V2之间的小尺度局部衍生特征，可以基于所述发酵状态语义关联特征向量V1和所述发酵环境温度特征向量V2之间的相应位置的几何逼近来模仿数据序列之间的互表达的物理性，从而以数据序列间的按位置逐点回归来增强跨特征域位置的局部非线性依赖。这样，通过以所述加权特征向量Vw对所述发酵状态语义关联特征向量V1进行点乘来进行特征值加权，就可以提高所述发酵状态语义关联特征向量V1在小尺度上对于所述发酵环境温度特征向量的局部关联特征分布的一致性，提高所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量的响应性估计的计算的准确性。这样，能够对于当前时间点的发酵环境的温度值进行实时准确地控制，以保证所述有机废弃物的发酵效果，进而确保有机肥的生产质量。
基于此，本申请提出了一种绿色环保有机肥生产工艺，其包括：提供有机废弃物；对所述有机废弃物进行预处理以将所述有机废弃物中的水分含量浓缩至小于等于65％；选择A.S.568作为主发酵菌对预处理后的所述有机废弃物进行堆积发酵以得到发酵后产物；以及，在所述发酵后产物中加入适量的微量元素以得到复合有机肥。
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1为根据本申请实施例的绿色环保有机肥生产工艺的流程图。如图1所示，根据本申请实施例的绿色环保有机肥生产工艺，包括：S110，提供有机废弃物；S120，对所述有机废弃物进行预处理以将所述有机废弃物中的水分含量浓缩至小于等于65％；S130，选择A.S.568作为主发酵菌对预处理后的所述有机废弃物进行堆积发酵以得到发酵后产物；以及，S140，在所述发酵后产物中加入适量的微量元素以得到复合有机肥。
在步骤S110和S120中，提供有机废弃物，以及，对所述有机废弃物进行预处理以将所述有机废弃物中的水分含量浓缩至小于等于65％。如上述背景技术所言，由于化肥的过量使用以及农业有机废弃物的过度浪费使得我国农业可持续发展面临的重大问题，因此，如何缓解过量化肥带来的一系列危害和实现农业固体废弃物的资源化利用是需要解决的问题。这里，在本申请的绿色环保有机肥生产工艺中，选用鸡猪粪、牛粪或其余有机废弃物作为原料，这样，利用农业有机废弃物进行有机肥制备，进而提高农业有机废弃物的利用率，减少生态环境的压力。
在步骤S130中，选择A.S.568作为主发酵菌对预处理后的所述有机废弃物进行堆积发酵以得到发酵后产物。这里，在本申请的绿色环保有机肥生产工艺中，选用优良性状的工程菌A.S.568作为主发酵菌来对于所述有机废弃物进行堆积发酵，前期进行好氧发酵，后期利用土壤中固有细菌、放线菌进行堆积厌氧发酵生产多菌基质，使前期发酵产生的部分菌体自溶，释放出包括一些促生长因子在内的生物有机物质。在此过程中，对于发酵的环境温度的控制是保证复合有机肥质量的关键。
相应地，考虑到在实际对于发酵的环境温度进行控制时，发酵温度的调控应适配于所述有机废弃物的发酵状态的变化情况，也就是说，应基于所述有机废弃物的发酵状态的变化特征来自适应地调控发酵环境的温度值。这样，一方面能够对于发酵环境的温度值进行实时准确地控制，以保证所述有机废弃物的发酵效果，进而确保有机肥的生产质量，另一方面能够对于有机废弃物进行综合利用来生产出的有机肥，使其方式更加绿色环保。
图2为根据本申请实施例的绿色环保有机肥生产工艺中选择A.S.568作为主发酵菌对预处理后的所述有机废弃物进行堆积发酵以得到发酵后产物的流程图。如图2所示，所述选择A.S.568作为主发酵菌对预处理后的所述有机废弃物进行堆积发酵以得到发酵后产物，包括：S210，获取预定时间段内多个预定时间点的发酵环境温度值以及所述预定时间段的发酵监控视频；S220，从所述发酵监控视频提取多个发酵监控关键帧；S230，将所述多个发酵监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个发酵状态特征向量；S240，将所述多个发酵状态特征向量通过基于转换器的上下文编码器以得到发酵状态语义关联特征向量；S250，将所述多个预定时间点的发酵环境温度值按照时间时间维度排列为发酵温度输入向量后通过多尺度邻域特征提取模块以得到发酵环境温度特征向量；S260，计算所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量的响应性估计以得到分类特征向量；以及，S270，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的发酵环境的温度值应增大、保持不变，或应减小。
图3为根据本申请实施例的绿色环保有机肥生产工艺中选择A.S.568作为主发酵菌对预处理后的所述有机废弃物进行堆积发酵以得到发酵后产物的架构图。如图3所示，在该架构图中，首先，获取预定时间段内多个预定时间点的发酵环境温度值以及所述预定时间段的发酵监控视频。接着，从所述发酵监控视频提取多个发酵监控关键帧。然后，将所述多个发酵监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个发酵状态特征向量。进而，将所述多个发酵状态特征向量通过基于转换器的上下文编码器以得到发酵状态语义关联特征向量，同时，将所述多个预定时间点的发酵环境温度值按照时间时间维度排列为发酵温度输入向量后通过多尺度邻域特征提取模块以得到发酵环境温度特征向量。接着，计算所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量的响应性估计以得到分类特征向量。然后，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的发酵环境的温度值应增大、保持不变，或应减小。
在步骤S210中，获取预定时间段内多个预定时间点的发酵环境温度值以及所述预定时间段的发酵监控视频。其中，所述多个预定时间点的发酵环境温度值可以由温度传感器获取，而所述发酵监控视频可以由摄像头获取。
在步骤S220中，从所述发酵监控视频提取多个发酵监控关键帧。由于在所述发酵监控视频中，所述有机废弃物的发酵状态变化情况可以通过所述发酵监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示所述有机废弃物的发酵状态的变化情况。但是，考虑到所述发酵监控视频中相邻帧的差异较小，存在大量数据冗余，因此，为了降低计算量且避免数据冗余给检测带来的不良影响，进一步以预定采样频率对所述发酵监控视频进行关键帧采样，以从所述发酵监控视频提取多个发酵监控关键帧。
在步骤S230中，将所述多个发酵监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个发酵状态特征向量。也就是，使用在图像的局部隐含特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来对于所述多个发酵监控关键帧进行特征挖掘，以分别提取出所述多个发酵监控关键帧中的各个关键帧关于所述有机废弃物的发酵状态变化的隐含特征分布信息，从而得到多个发酵状态特征向量。
具体地，在本申请实施例中，所述将所述多个发酵监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个发酵状态特征向量，包括：使用所述卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述发酵状态特征向量，所述卷积神经网络模型的第一层的输入为所述发酵监控关键帧。
在步骤S240中，将所述多个发酵状态特征向量通过基于转换器的上下文编码器以得到发酵状态语义关联特征向量。考虑到所述各个关键帧中的关于所述废弃物的发酵状态隐含特征在时间维度上具有着动态变化特征关联信息，并且为了能够对于发酵环境的温度值进行实时精准控制，再将所述多个发酵状态特征向量通过基于转换器的上下文编码器中进行编码，以得到具有所述各个关键帧中关于发酵状态特征的基于时序全局性的动态关联特征分布信息的发酵状态语义关联特征向量。
这里，所述上下文编码器基于transformer思想，利用转换器能够捕捉长距离上下文依赖的特性，对所述多个发酵状态特征向量中各个发酵状态特征向量进行基于全局的上下文语义编码以得到以所述多个发酵状态特征向量的整体语义关联为上下文背景的上下文语义关联特征表示，即，所述发酵状态语义关联特征向量。
具体地，在本申请实施例中，所述将所述多个发酵状态特征向量通过基于转换器的上下文编码器以得到发酵状态语义关联特征向量，包括：将所述多个发酵状态特征向量排列为输入向量；将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；将所述自注意力特征矩阵与以多个发酵状态特征向量中各个发酵状态特征向量作为值向量分别进行相乘以得到所述多个发酵状态关联特征向量；以及，将所述多个发酵状态关联特征向量进行级联以得到所述发酵状态语义关联特征向量。
在步骤S250中，将所述多个预定时间点的发酵环境温度值按照时间时间维度排列为发酵温度输入向量后通过多尺度邻域特征提取模块以得到发酵环境温度特征向量。考虑到在实际进行发酵环境温度的自适应控制时，需要对于温度在时序上的动态变化特征进行准确地特征提取，但是，由于温度值在所述预定时间段内具有着波动性和不确定性，并且其在不同时间跨度下具有着不同的模式状态特征。因此，为了能够充分且准确地对于温度的动态变化特征信息进行提取，进一步将所述多个预定时间点的发酵环境温度值按照时间时间维度排列为发酵温度输入向量后通过多尺度邻域特征提取模块中进行编码，以提取出所述发酵环境温度在不同的时间跨度下的多尺度邻域关联特征，从而得到发酵环境温度特征向量。
具体地，在本申请实施例中，所述多尺度邻域特征提取模块，包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的级联层，其中，所述第一卷积层使用具有第一尺度的一维卷积核，所述第二卷积层使用具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度。
具体地，在本申请实施例中，所述将所述多个预定时间点的发酵环境温度值按照时间时间维度排列为发酵温度输入向量后通过多尺度邻域特征提取模块以得到发酵环境温度特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以具有第一尺度的一维卷积核对所述发酵温度输入向量进行一维卷积编码以得到第一尺度发酵温度特征向量；使用所述多尺度邻域特征提取模块的第二卷积层以具有第二尺度的一维卷积核对所述发酵温度输入向量进行一维卷积编码以得到第二尺度发酵温度特征向量；以及，使用所述多尺度邻域特征提取模块的级联层将所述第一尺度发酵温度特征向量和所述第二尺度发酵温度特征向量进行级联以得到所述发酵环境温度特征向量。
在步骤S260中，计算所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量的响应性估计以得到分类特征向量。也就是，计算所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量的响应性估计来表示所述发酵环境温度的动态变化对于所述发酵状态变化的影响特征，也就是，所述发酵环境温度的动态变化特征与所述发酵的状态变化特征之间的关联性特征分布信息，并以此作为分类特征向量。
具体地，在本申请实施例中，所述计算所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量的响应性估计以得到分类特征向量，包括：计算所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量之间的小尺度局部衍生向量来作为加权特征向量，其中，所述小尺度局部衍生向量与所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量之间的按位置差值的绝对值有关；以所述加权特征向量对所述发酵状态语义关联特征向量进行加权以得到优化后发酵状态语义关联特征向量；以及，计算所述发酵环境温度特征向量相对于所述优化后发酵状态语义关联特征向量的响应性估计以得到分类特征向量。
特别地，在本申请的技术方案中，通过将所述发酵温度输入向量通过多尺度邻域特征提取模块得到所述发酵环境温度特征向量，可以提取发酵温度值的时序序列在多个尺度上的邻域时序关联特征。但是，考虑到所述多尺度邻域特征提取模块得到的均为相对小尺度下的邻域时序关联特征，而所述多个发酵状态特征向量通过基于转换器的上下文编码器得到所述发酵状态语义关联特征向量，使得所述发酵状态语义关联特征向量表达发酵监控关键帧的图像语义在时序上的上下文关联特征，这就需要提升所述发酵状态语义关联特征向量在小尺度上对于所述发酵环境温度特征向量的局部关联特征分布的一致性。因此，计算所述发酵状态语义关联特征向量，例如记为V1和所述发酵环境温度特征向量，例如记为V2的小尺度局部衍生向量来作为加权特征向量。
具体地，在本申请实施例中，所述计算所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量之间的小尺度局部衍生向量来作为加权特征向量，包括：以如下公式计算计算所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量之间的小尺度局部衍生向量来作为加权特征向量；其中，所述公式为：
其中，v1i、v2i和vwi分别是所述发酵状态语义关联特征向量、所述发酵环境温度特征向量和所述小尺度局部衍生向量，例如记为Vw的第i个特征值。
这里，通过计算所述发酵状态语义关联特征向量V1和所述发酵环境温度特征向量V2之间的小尺度局部衍生特征，可以基于所述发酵状态语义关联特征向量V1和所述发酵环境温度特征向量V2之间的相应位置的几何逼近来模仿数据序列之间的互表达的物理性，从而以数据序列间的按位置逐点回归来增强跨特征域位置的局部非线性依赖。这样，通过以所述加权特征向量Vw对所述发酵状态语义关联特征向量V1进行点乘来进行特征值加权，就可以提高所述发酵状态语义关联特征向量V1在小尺度上对于所述发酵环境温度特征向量的局部关联特征分布的一致性，提高所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量的响应性估计的计算的准确性。
具体地，在本申请实施例中，所述计算所述发酵环境温度特征向量相对于所述优化后发酵状态语义关联特征向量的响应性估计以得到分类特征向量，包括：以如下公式计算所述发酵环境温度特征向量相对于所述优化后发酵状态语义关联特征向量的响应性估计以得到分类特征向量；其中，所述公式为：
其中Va表示所述发酵环境温度特征向量，Vb表示所述优化后发酵状态语义关联特征向量，M表示所述分类特征矩阵，
表示矩阵相乘；以及，将所述分类特征矩阵按照行向量或者列向量的方向展开为分类特征向量。
在步骤S270中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的发酵环境的温度值应增大、保持不变，或应减小。也就是，以所述分类器对所述分类特征向量进行类边界划分和确定以得到所述分类结果。这样，能够对于当前时间点的发酵环境的温度值进行实时准确地控制，以保证所述有机废弃物的发酵效果，进而确保有机肥的生产质量。
具体地，在本申请实施例中，所述将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的发酵环境的温度值应增大、保持不变，或应减小，包括：使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
在步骤S140中，在所述发酵后产物中加入适量的微量元素以得到复合有机肥。这里，按照不同作物及用途加入适量的微量元素及P、K配制复合有机肥，从而使终产物达到比较理想的营养配比。
综上，基于本申请实施例的绿色环保有机肥生产工艺被阐明，其中，所述绿色环保有机肥经过有机废弃物预处理、堆积发酵、复合微量元素而得到，其能够快速释放多种营养物质，调理和增加土壤的有益菌群。同时，作为活性菌体肥，施入土壤后仍可保持活性状态，将土壤养分转化为植物易于吸收利用的状态，并且大量菌丝体的生长改善了土壤团粒结构，使土壤结构松软且保水性好。特别地，在此过程中，本申请的技术方案结合人工智能监控技术，基于所述有机废弃物的发酵状态的变化特征来自适应地调控发酵环境的温度值，这样，保证所述有机废弃物的发酵效果。
示例性系统
图4为根据本申请实施例的绿色环保有机肥生产工艺的控制系统的框图。如图4所示，根据本申请实施例的绿色环保有机肥生产工艺的控制系统100，包括：有机废弃物准备模块110，用于提供有机废弃物；预处理模块120，用于对所述有机废弃物进行预处理以将所述有机废弃物中的水分含量浓缩至小于等于65％；堆积发酵模块130，用于选择A.S.568作为主发酵菌对预处理后的所述有机废弃物进行堆积发酵以得到发酵后产物；以及，复合模块140，用于在所述发酵后产物中加入适量的微量元素以得到复合有机肥。
图5为根据本申请实施例的绿色环保有机肥生产工艺的控制系统中堆积发酵模块的框图。如图5所示，所述堆积发酵模块130，包括：监控单元131，用于获取预定时间段内多个预定时间点的发酵环境温度值以及所述预定时间段的发酵监控视频；采样单元132，用于从所述发酵监控视频提取多个发酵监控关键帧；发酵状态提取单元133，用于将所述多个发酵监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个发酵状态特征向量；发酵状态关联单元134，用于将所述多个发酵状态特征向量通过基于转换器的上下文编码器以得到发酵状态语义关联特征向量；发酵温度多尺度编码单元135，用于将所述多个预定时间点的发酵环境温度值按照时间时间维度排列为发酵温度输入向量后通过多尺度邻域特征提取模块以得到发酵环境温度特征向量；响应性估计单元136，用于计算所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量的响应性估计以得到分类特征向量；以及，控制结果生成单元137，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的发酵环境的温度值应增大、保持不变，或应减小。
在一个示例中，在上述绿色环保有机肥生产工艺的控制系统100中，所述采样单元132，用于以预定采样频率从所述发酵监控视频中提取多个发酵监控关键帧。
在一个示例中，在上述绿色环保有机肥生产工艺的控制系统100中，所述发酵状态提取单元133，进一步用于：使用所述卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述发酵状态特征向量，所述卷积神经网络模型的第一层的输入为所述发酵监控关键帧。
在一个示例中，在上述绿色环保有机肥生产工艺的控制系统100中，所发酵状态关联单元134，进一步用于：将所述多个发酵状态特征向量排列为输入向量；将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；将所述自注意力特征矩阵与以多个发酵状态特征向量中各个发酵状态特征向量作为值向量分别进行相乘以得到所述多个发酵状态关联特征向量；以及，将所述多个发酵状态关联特征向量进行级联以得到所述发酵状态语义关联特征向量。
在一个示例中，在上述绿色环保有机肥生产工艺的控制系统100中，所述多尺度邻域特征提取模块，包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的级联层，其中，所述第一卷积层使用具有第一尺度的一维卷积核，所述第二卷积层使用具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度。
在一个示例中，在上述绿色环保有机肥生产工艺的控制系统100中，所述发酵温度多尺度编码单元135，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以具有第一尺度的一维卷积核对所述发酵温度输入向量进行一维卷积编码以得到第一尺度发酵温度特征向量；使用所述多尺度邻域特征提取模块的第二卷积层以具有第二尺度的一维卷积核对所述发酵温度输入向量进行一维卷积编码以得到第二尺度发酵温度特征向量；以及，使用所述多尺度邻域特征提取模块的级联层将所述第一尺度发酵温度特征向量和所述第二尺度发酵温度特征向量进行级联以得到所述发酵环境温度特征向量。
在一个示例中，在上述绿色环保有机肥生产工艺的控制系统100中，所述响应性估计单元136，包括：小尺度局部衍生子单元，用于计算所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量之间的小尺度局部衍生向量来作为加权特征向量，其中，所述小尺度局部衍生向量与所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量之间的按位置差值的绝对值有关；加权子单元，以所述加权特征向量对所述发酵状态语义关联特征向量进行加权以得到优化后发酵状态语义关联特征向量；以及，估计子单元，计算所述发酵环境温度特征向量相对于所述优化后发酵状态语义关联特征向量的响应性估计以得到分类特征向量。
在一个示例中，在上述绿色环保有机肥生产工艺的控制系统100中，所述小尺度局部衍生子单元，进一步用于：以如下公式计算计算所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量之间的小尺度局部衍生向量来作为加权特征向量；其中，所述公式为：
其中，v1i、v2i和vwi分别是所述发酵状态语义关联特征向量、所述发酵环境温度特征向量和所述小尺度局部衍生向量第i个特征值。
在一个示例中，在上述绿色环保有机肥生产工艺的控制系统100中，所述估计子单元，进一步用于：以如下公式计算所述发酵环境温度特征向量相对于所述优化后发酵状态语义关联特征向量的响应性估计以得到分类特征向量；其中，所述公式为：
其中Va表示所述发酵环境温度特征向量，Vb表示所述优化后发酵状态语义关联特征向量，M表示所述分类特征矩阵，
表示矩阵相乘；以及，将所述分类特征矩阵按照行向量或者列向量的方向展开为分类特征向量。
在一个示例中，在上述绿色环保有机肥生产工艺的控制系统100中，所述控制结果生成单元137，进一步用于：使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
这里，本领域技术人员可以理解，上述绿色环保有机肥生产工艺的控制系统100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3的绿色环保有机肥生产工艺的描述中得到了详细介绍，并因此，将省略其重复描述。
Claims (12)
1.一种绿色环保有机肥生产工艺，其特征在于，包括：
提供有机废弃物；
对所述有机废弃物进行预处理以将所述有机废弃物中的水分含量浓缩至小于等于65％；
选择A.S.568作为主发酵菌对预处理后的所述有机废弃物进行堆积发酵以得到发酵后产物；以及
在所述发酵后产物中加入适量的微量元素以得到复合有机肥。
2.根据权利要求1所述的绿色环保有机肥生产工艺，其特征在于，所述选择A.S.568作为主发酵菌对预处理后的所述有机废弃物进行堆积发酵以得到发酵后产物，包括：
获取预定时间段内多个预定时间点的发酵环境温度值以及所述预定时间段的发酵监控视频；
从所述发酵监控视频提取多个发酵监控关键帧；
将所述多个发酵监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个发酵状态特征向量；
将所述多个发酵状态特征向量通过基于转换器的上下文编码器以得到发酵状态语义关联特征向量；
将所述多个预定时间点的发酵环境温度值按照时间时间维度排列为发酵温度输入向量后通过多尺度邻域特征提取模块以得到发酵环境温度特征向量；
计算所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量的响应性估计以得到分类特征向量；以及
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的发酵环境的温度值应增大、保持不变，或应减小。
3.根据权利要求2所述的绿色环保有机肥生产工艺，其特征在于，所述从所述发酵监控视频提取多个发酵监控关键帧，包括：以预定采样频率从所述发酵监控视频中提取多个发酵监控关键帧。
4.根据权利要求3所述的绿色环保有机肥生产工艺，其特征在于，所述将所述多个发酵监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个发酵状态特征向量，包括：
使用所述卷积神经网络模型的各层在层的正向传递中分别进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述卷积神经网络模型的最后一层的输出为所述发酵状态特征向量，所述卷积神经网络模型的第一层的输入为所述发酵监控关键帧。
5.根据权利要求4所述的绿色环保有机肥生产工艺，其特征在于，所述将所述多个发酵状态特征向量通过基于转换器的上下文编码器以得到发酵状态语义关联特征向量，包括：
将所述多个发酵状态特征向量排列为输入向量；
将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；
计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；
对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；
将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；
将所述自注意力特征矩阵与以多个发酵状态特征向量中各个发酵状态特征向量作为值向量分别进行相乘以得到所述多个发酵状态关联特征向量；以及
将所述多个发酵状态关联特征向量进行级联以得到所述发酵状态语义关联特征向量。
6.根据权利要求5所述的绿色环保有机肥生产工艺，其特征在于，所述多尺度邻域特征提取模块，包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的级联层，其中，所述第一卷积层使用具有第一尺度的一维卷积核，所述第二卷积层使用具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度。
7.根据权利要求6所述的绿色环保有机肥生产工艺，其特征在于，所述将所述多个预定时间点的发酵环境温度值按照时间时间维度排列为发酵温度输入向量后通过多尺度邻域特征提取模块以得到发酵环境温度特征向量，包括：
使用所述多尺度邻域特征提取模块的第一卷积层以具有第一尺度的一维卷积核对所述发酵温度输入向量进行一维卷积编码以得到第一尺度发酵温度特征向量；
使用所述多尺度邻域特征提取模块的第二卷积层以具有第二尺度的一维卷积核对所述发酵温度输入向量进行一维卷积编码以得到第二尺度发酵温度特征向量；以及
使用所述多尺度邻域特征提取模块的级联层将所述第一尺度发酵温度特征向量和所述第二尺度发酵温度特征向量进行级联以得到所述发酵环境温度特征向量。
8.根据权利要求7所述的绿色环保有机肥生产工艺，其特征在于，所述计算所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量的响应性估计以得到分类特征向量，包括：
计算所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量之间的小尺度局部衍生向量来作为加权特征向量，其中，所述小尺度局部衍生向量与所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量之间的按位置差值的绝对值有关；
以所述加权特征向量对所述发酵状态语义关联特征向量进行加权以得到优化后发酵状态语义关联特征向量；以及
计算所述发酵环境温度特征向量相对于所述优化后发酵状态语义关联特征向量的响应性估计以得到分类特征向量。
9.根据权利要求8所述的绿色环保有机肥生产工艺，其特征在于，所述计算所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量之间的小尺度局部衍生向量来作为加权特征向量，包括：
以如下公式计算计算所述发酵环境温度特征向量相对于所述发酵状态语义关联特征向量之间的小尺度局部衍生向量来作为加权特征向量；
其中，所述公式为：
其中，v1i、v2i和vwi分别是所述发酵状态语义关联特征向量、所述发酵环境温度特征向量和所述小尺度局部衍生向量第i个特征值。
10.根据权利要求9所述的绿色环保有机肥生产工艺，其特征在于，所述计算所述发酵环境温度特征向量相对于所述优化后发酵状态语义关联特征向量的响应性估计以得到分类特征向量，包括：
以如下公式计算所述发酵环境温度特征向量相对于所述优化后发酵状态语义关联特征向量的响应性估计以得到分类特征向量；
其中，所述公式为：
其中Va表示所述发酵环境温度特征向量，Vb表示所述优化后发酵状态语义关联特征向量，M表示所述分类特征矩阵，
表示矩阵相乘；以及
将所述分类特征矩阵按照行向量或者列向量的方向展开为分类特征向量。
11.根据权利要求9所述的绿色环保有机肥生产工艺，其特征在于，所述将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的发酵环境的温度值应增大、保持不变，或应减小，包括：
使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
12.一种绿色环保有机肥生产工艺的控制系统，其特征在于，包括：
有机废弃物准备模块，用于提供有机废弃物；
预处理模块，用于对所述有机废弃物进行预处理以将所述有机废弃物中的水分含量浓缩至小于等于65％；
堆积发酵模块，用于选择A.S.568作为主发酵菌对预处理后的所述有机废弃物进行堆积发酵以得到发酵后产物；以及
复合模块，用于在所述发酵后产物中加入适量的微量元素以得到复合有机肥。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211563677.7A CN115872791A (zh) | 2022-12-07 | 2022-12-07 | 绿色环保有机肥生产工艺及其控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211563677.7A CN115872791A (zh) | 2022-12-07 | 2022-12-07 | 绿色环保有机肥生产工艺及其控制系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115872791A true CN115872791A (zh) | 2023-03-31 |
Family
ID=85766328
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211563677.7A Pending CN115872791A (zh) | 2022-12-07 | 2022-12-07 | 绿色环保有机肥生产工艺及其控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115872791A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116636423A (zh) * | 2023-07-26 | 2023-08-25 | 云南农业大学 | 一种茯苓菌种的高效培育方法 |
| CN116649159A (zh) * | 2023-08-01 | 2023-08-29 | 江苏慧岸信息科技有限公司 | 一种食用菌生长参数寻优的系统和方法 |
| CN117535452A (zh) * | 2024-01-09 | 2024-02-09 | 延边大学 | 菌糠发酵饲料生产的在线监控方法及系统 |
-
2022
- 2022-12-07 CN CN202211563677.7A patent/CN115872791A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116636423A (zh) * | 2023-07-26 | 2023-08-25 | 云南农业大学 | 一种茯苓菌种的高效培育方法 |
| CN116636423B (zh) * | 2023-07-26 | 2023-09-26 | 云南农业大学 | 一种茯苓菌种的高效培育方法 |
| CN116649159A (zh) * | 2023-08-01 | 2023-08-29 | 江苏慧岸信息科技有限公司 | 一种食用菌生长参数寻优的系统和方法 |
| CN116649159B (zh) * | 2023-08-01 | 2023-11-07 | 江苏慧岸信息科技有限公司 | 一种食用菌生长参数寻优的系统和方法 |
| CN117535452A (zh) * | 2024-01-09 | 2024-02-09 | 延边大学 | 菌糠发酵饲料生产的在线监控方法及系统 |
| 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系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115872791A (zh) | 绿色环保有机肥生产工艺及其控制系统 | |
| CN111341386B (zh) | 引入注意力的多尺度CNN-BiLSTM非编码RNA互作关系预测方法 | |
| Chen et al. | Protein and carbohydrate drive microbial responses in diverse ways during different animal manures composting | |
| Okwu et al. | Estimation of biogas yields produced from combination of waste by implementing response surface methodology (RSM) and adaptive neuro-fuzzy inference system (ANFIS) | |
| Chiu et al. | Key wastes selection and prediction improvement for biogas production through hybrid machine learning methods | |
| CN105777234A (zh) | 一种利用固氮菌、解磷菌和解钾菌共同发酵制备生物有机肥的方法 | |
| Vikash et al. | Conceptual design of a lignocellulosic biorefinery and its supply chain for ethanol production in India | |
| CN116621409A (zh) | 畜禽粪污资源化处理设备及方法 | |
| Wang et al. | Research on China’s mariculture efficiency evaluation and influencing factors with undesirable outputs—an empirical analysis of China’s ten coastal regions | |
| CN114022311A (zh) | 基于时序条件生成对抗网络的综合能源系统数据补偿方法 | |
| Zhang et al. | Employing response surface methodology (RSM) to improve methane production from cotton stalk | |
| CN105353618B (zh) | 一种批次注塑过程的约束跟踪控制方法 | |
| Mejdoub et al. | Regulation of biogas production through waste water anaerobic digestion process: modeling and parameters optimization | |
| Mahmoodi-Eshkaftaki et al. | Dynamic optimization of volatile fatty acids to enrich biohydrogen production using a deep learning neural network | |
| CN113666595A (zh) | 基于物联网的养猪场粪污发酵系统及高效沼气发生方法 | |
| CN107491622A (zh) | 一种生物质发酵仿真系统及基于该系统的设备选型方法 | |
| Alvi et al. | Utilizing autoencoders to improve transfer learning when sensor data is sparse | |
| Zhen et al. | Attention-Concatenation Dense Convolutional Neural Network for Silkworm Disease Recognition | |
| CN111222708B (zh) | 一种基于迁移学习动态建模的发电厂燃烧炉温度预测方法 | |
| Yadav et al. | Selection and ranking of multifaceted criteria for the prioritization of most appropriate biomass energy sources for the production of renewable energy in Indian perspective using analytic hierarchy process | |
| CN113177523A (zh) | 一种基于改进AlexNet的鱼类行为图像识别方法 | |
| Hill | Economically optimized design of methane fermentation systems for swine production facilities | |
| CN112062617A (zh) | 智流膜堆肥过程的智能控制方法及系统 | |
| Amran et al. | A review of machine learning models in predicting biogas production | |
| CN117764762B (zh) | 用于提高玉米种植中氮肥利用率的方法 |
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 |