CN116720635A - 一种基于实测数据的广西油茶估产方法 - Google Patents

一种基于实测数据的广西油茶估产方法 Download PDF

Info

Publication number
CN116720635A
CN116720635A CN202311012283.7A CN202311012283A CN116720635A CN 116720635 A CN116720635 A CN 116720635A CN 202311012283 A CN202311012283 A CN 202311012283A CN 116720635 A CN116720635 A CN 116720635A
Authority
CN
China
Prior art keywords
node
oil tea
representing
hidden layer
estimated
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.)
Granted
Application number
CN202311012283.7A
Other languages
English (en)
Other versions
CN116720635B (zh
Inventor
戴维序
陈克文
祖笑锋
郭鉴威
黄继茂
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.)
Aerospace Xinde Zhitu Beijing Science And Technology Co ltd
Original Assignee
Aerospace Xinde Zhitu Beijing Science And Technology Co ltd
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 Aerospace Xinde Zhitu Beijing Science And Technology Co ltd filed Critical Aerospace Xinde Zhitu Beijing Science And Technology Co ltd
Priority to CN202311012283.7A priority Critical patent/CN116720635B/zh
Publication of CN116720635A publication Critical patent/CN116720635A/zh
Application granted granted Critical
Publication of CN116720635B publication Critical patent/CN116720635B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本发明涉及深度学习技术领域，公开了一种基于实测数据的广西油茶估产方法，包括以下步骤：步骤S101，采集油茶果树的五个油茶果树图像；步骤S102，构建预测模型；步骤S103，将油茶果树图像输入预测模型，输出节点编码特征向量映射到二维坐标系的坐标点，生成坐标点拟合曲线，搜索拟合曲线峰点的总数作为油茶果数量；步骤S104，计算待估产的种植区域的油茶果树的平均油茶果数量；步骤S105，通过油茶果树的平均油茶果数量计算待估产的油茶果树的平均产量；本发明基于现场实测采集的多个角度的油茶果树图像进行处理，结合应用了节点图结构和注意力机制的预测模型来计算油茶果树的产果数量，并基于计算的结果采取对应的管理措施，提高油茶果种植的经济效益。

Description

一种基于实测数据的广西油茶估产方法
技术领域
本发明涉及深度学习技术领域，更具体地说，它涉及一种基于实测数据的广西油茶估产方法。
背景技术
油茶树是一种经济油料作物，在生长管理过程中需要统计油茶树的产果数量来采用合适的管理措施，产果数量过多会导致收获的果实产油率差，产果数过少会导致最终产量低。
油茶树的产果数量的估计一般是通过人工对种植区域的油茶树进行采样来进行统计计算，这种方法工作量较大，而且在油茶树结果周期内需要多次计算，另一种方法是通过航拍图像结合图像预测模型来进行估计，由于油茶果树一般种植在山地和丘陵地带，航拍图像本身就受到地形影响，而且会受到油茶果树枝叶的影响，导致估计的准确度很差。
发明内容
本发明提供一种基于实测数据的广西油茶估产方法，解决如何高效地估计油茶树的产果数量的技术问题。
一种基于实测数据的广西油茶估产方法，包括以下步骤：
步骤S101，采集油茶果树的五个油茶果树图像，五个油茶果树图像分别对应五个拍摄图像的角度；步骤S102，构建预测模型；预测模型包括第一隐藏层、图结构构造器、第二隐藏层；第一隐藏层包括5个串联的LSTM单元，分别输入正前方、正后方、左侧、右侧、正上方的油茶果树图像；
图结构构造器用于构建图结构，图结构包括节点A、B、C、D、E，节点A连接节点B、C、D、E，节点B连接节点A、C，节点C连接节点A、B、D，节点D连接节点A、C、E，节点E连接节点A、D；节点A、B、C、D、E分别对应正上方、正前方、左侧、正后方、右侧的油茶果树的图像；节点的节点特征由对应的油茶果树的图像输入第一隐藏层获得的输出生成；第二隐藏层输入图结构中的节点特征，第二隐藏层输出节点编码特征向量；
步骤S103，将从待估产的种植区域采集的油茶果树图像输入预测模型，输出节点编码特征向量，将节点编码特征向量映射到二维坐标系的坐标点；然后通过生成的坐标点拟合曲线，搜索拟合曲线的峰点，将五个油茶果树图像对应的节点编码特征搜索的峰点的总数作为从待估产的种植区域采集的油茶果树的油茶果数量；
步骤S104，计算待估产的种植区域的油茶果树的平均油茶果数量，计算公式如下：，其中/>表示从待估产的种植区域采集的图像的油茶果树的总数，/>表示步骤S104计算的所有油茶果树的油茶果数量的累加和；
步骤S105，将待估产的种植区域的油茶果树的平均油茶果数量与参考值进行对比，如果与参考值的差值的绝对值大于设定的差值阈值，则判断数量异常，否则判断正常，通过待估产的种植区域的油茶果树的平均油茶果数量计算待估产的种植区域的油茶果树的平均产量。
进一步地，第一隐藏层的第t个LSTM单元的计算包括：定义：表示第t个油茶果树图像，/>表示第t-1个LSTM单元的输出；
遗忘门的计算如下：/>，其中表示/>传递到/>对应的权重矩阵，/>表示/>传递到/>对应的权重矩阵，/>表示偏置项；/>表示激活函数；
输入门的计算如下：/>，其中/>表示输入/>传递到/>对应的权重矩阵，/>表示/>传递到/>对应的权重矩阵，/>表示偏置项；/>表示激活函数；
中间状态的计算如下：/>，其中/>表示输入/>传递到/>对应的权重矩阵，/>表示/>传递到/>对应的权重矩阵，/>表示偏置项；/>表示/>激活函数；
细胞状态表示为下式：/>，其中/>是第t-1个LSTM的细胞状态，/>表示逐点相乘；
输出门表示为下式：/>，其中/>表示输入/>传递到/>对应的权重矩阵，/>表示/>传递到/>对应的权重矩阵，/>表示偏置项；通过激活函数/>将的计算结果限定在（0,1）之间；
输出可表示为下式：/>，将输出门/>与/>逐点相乘，得到第t个LSTM单元的输出/>。
进一步地，生成节点特征的方法是将第一隐藏层的输出的行向量按顺序拼接构成一个拼接向量作为节点特征。
进一步地，训练时第二隐藏层输出的节点编码特征向量输入分类器，分类器的分类标签表征不同的油茶果树的产果数量。
进一步地，第二隐藏层的节点与邻近节点的注意力系数的计算公式如下：
其中表示节点i与邻近节点j之间的注意力系数，/>表示节点i与邻近节点j之间的共享权重参数，/>表示节点i的节点特征，/>表示邻近节点j的节点特征，/>表示拼接操作，/>表示将拼接后的高维特征映射到一个实数；
第二隐藏层的节点与邻近节点的归一化注意力系数的计算公式如下：，其中/>表示节点i与邻近节点j之间的归一化注意力系数，/>表示取自然指数函数的幂运算，/>表示与节点i相邻的节点集合，/>表示节点i与邻近节点k之间的注意力系数，/>表示/>激活函数，/>表示/>激活函数；
第二隐藏层的节点与邻近节点的特征加权求和的计算公式如下：，其中/>表示更新后的节点i的特征向量，/>表示节点i与邻近节点j之间的归一化注意力系数，/>表示节点i与邻近节点j之间的共享权重参数，表示邻近节点j的节点特征，/>表示与节点i相邻的节点集合，/>表示sigmoid激活函数。
进一步地，第二隐藏层的节点与邻近节点的注意力系数的计算公式中，通过单层前馈神经网络实现。
进一步地，节点编码特征向量映射到二维坐标系的坐标点的Y轴坐标对应节点编码特征向量的分量值，X轴坐标对应节点编码特征向量的位置编号。
进一步地，如果以数量评估产量，则直接将平均油茶果数量作为平均产量，如果以重量评估产量，则将平均油茶果数量与油茶果平均重量相乘作为平均产量。
进一步地，如果参考值的差值的绝对值大于设定的差值阈值，且差值为正值，则对待估产的种植区域的油茶果树进行人工落果处理。
进一步地，如果参考值的差值的绝对值大于设定的差值阈值，且差值为负值，则对待估产的种植区域的油茶果树进行提产处理。
本发明的有益效果在于：本发明基于现场实测采集的多个角度的油茶果树图像进行处理，结合应用了节点图结构和注意力机制的预测模型来计算油茶果树的产果数量，并基于计算的结果采取对应的管理措施，提高油茶果种植的经济效益。
附图说明
图1是本发明的基于实测数据的广西油茶估产方法的流程图。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，可以在不脱离本说明书内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。另外，相对一些示例所描述的特征在其他例子中也可以进行组合。
如图1所示，一种基于实测数据的广西油茶估产方法，包括以下步骤：
步骤S101，采集油茶果树的五个油茶果树图像，五个油茶果树图像分别对应五个拍摄图像的角度；
五个角度分别为油茶果树的正上方、正前方、左侧、正后方、右侧；
步骤S102，构建预测模型；预测模型包括第一隐藏层、图结构构造器、第二隐藏层；
第一隐藏层包括5个串联的LSTM单元，分别输入正前方、正后方、左侧、右侧、正上方的油茶果树图像；
第t个LSTM单元的计算包括：
定义：表示第t个油茶果树图像，/>表示第t-1个LSTM单元的输出；
遗忘门的计算如下：
其中表示/>传递到/>对应的权重矩阵，/>表示/>传递到/>对应的权重矩阵，/>表示偏置项；/>表示sigmoid激活函数。
输入门的计算如下：
其中表示输入/>传递到/>对应的权重矩阵，/>表示/>传递到/>对应的权重矩阵，/>表示偏置项；/>表示sigmoid激活函数。
中间状态的计算如下：
其中表示输入/>传递到/>对应的权重矩阵，/>表示/>传递到/>对应的权重矩阵，/>表示偏置项；/>表示/>激活函数。
细胞状态表示为下式：
其中是第t-1个LSTM的细胞状态，/>表示逐点相乘。
输出门表示为下式：
其中表示输入/>传递到/>对应的权重矩阵，/>表示/>传递到/>对应的权重矩阵，/>表示偏置项；通过激活函数/>将的计算结果限定在（0,1）之间。
输出可表示为下式：
将输出门与/>逐点相乘，得到当前LSTM单元的输出/>。
定义，/>表示卷积。
油茶果树图像可以分为多个通道输入，多个通道共享权重参数。
图结构构造器用于构建图结构，图结构包括节点A、B、C、D、E，节点A连接节点B、C、D、E，节点B连接节点A、C，节点C连接节点A、B、D，节点D连接节点A、C、E，节点E连接节点A、D；
节点A、B、C、D、E分别对应正上方、正前方、左侧、正后方、右侧的油茶果树的图像；节点的节点特征由对应的油茶果树的图像输入第一隐藏层获得的输出生成；
例如节点A对应的正上方的油茶果树图像输入第一隐藏层获得的对应的输出生成节点A的节点特征。
生成节点特征的方法是将第一隐藏层的输出的行向量按顺序拼接构成一个拼接向量作为节点特征；
第二隐藏层输入图结构中的节点特征，第二隐藏层输出节点编码特征向量；
训练时第二隐藏层输出的节点编码特征向量输入分类器，分类器的分类标签表征不同的油茶果树的产果数量。
在本发明的一个实施例中，分类器的分类标签包括两个，分别表示输入的节点编码特征向量对应的油茶果树图像内有油茶果和无油茶果。训练样本标签容易标记。
在本发明的一个实施例中，分类器的分类标签包括产果数量级别，一个级别对应一个范围值的产果数量。
在训练过程中，第一隐藏层、第二隐藏层联合训练。
第二隐藏层的节点与邻近节点的注意力系数的计算公式如下：
其中表示节点i与邻近节点j之间的注意力系数，/>表示节点i与邻近节点j之间的共享权重参数，/>表示节点i的节点特征，/>表示邻近节点j的节点特征，/>表示拼接操作，/>表示将拼接后的高维特征映射到一个实数；
第二隐藏层的节点与邻近节点的归一化注意力系数的计算公式如下：
其中表示节点i与邻近节点j之间的归一化注意力系数，/>表示取自然指数函数的幂运算，/>表示与节点i相邻的节点集合，/>表示节点i与邻近节点k之间的注意力系数，/>表示/>激活函数，/>表示/>激活函数；
第二隐藏层的节点与邻近节点的特征加权求和的计算公式如下：
其中表示更新后的节点i的特征向量，/>表示节点i与邻近节点j之间的归一化注意力系数，/>表示节点i与邻近节点j之间的共享权重参数，/>表示邻近节点j的节点特征，/>表示与节点i相邻的节点集合，/>表示sigmoid激活函数；
在本发明的一个实施例中，第二隐藏层的节点与邻近节点的注意力系数的计算公式中，通过单层前馈神经网络实现；
步骤S103，将从待估产的种植区域采集的油茶果树图像输入预测模型，输出节点编码特征向量，将节点编码特征向量映射到二维坐标系的坐标点，通过生成的坐标点拟合曲线，搜索拟合曲线的峰点，将五个油茶果树图像对应的节点编码特征搜索的峰点的总数作为从待估产的种植区域采集的油茶果树的油茶果数量；
在本发明的一个实施例中，将节点编码特征向量映射到二维坐标系的坐标点的Y轴坐标对应节点编码特征向量的分量值，X轴坐标对应节点编码特征向量的位置编号（表示其对应节点编码特征向量的第几个分量）。
步骤S104，计算待估产的种植区域的油茶果树的平均油茶果数量，计算公式如下：
表示从待估产的种植区域采集的图像的油茶果树的总数，/>表示步骤S104计算的所有油茶果树的油茶果数量的累加和；
不同角度的油茶果图像之间存在重叠，单独处理会导致提取了重复的果实信息，计算结果进行叠加时进行了多余的数量累加。
油茶果图像的果实信息相对于实际的对应角度的油茶果树的果实信息存在缺失，单独处理会导致计算数量较小，
预测模型应用了节点图结构和注意力机制的预测模型来计算油茶果树的产果数量，能够降低重复信息以及信息缺失对计算结果的影响，尤其是在不以真实产果数量作为训练标签也能够获得良好的计算结果。
步骤S105，将待估产的种植区域的油茶果树的平均油茶果数量与参考值进行对比，如果与参考值的差值的绝对值大于设定的差值阈值，则判断数量异常，否则判断正常，通过待估产的种植区域的油茶果树的平均油茶果数量计算待估产的种植区域的油茶果树的平均产量。
如果以数量评估产量，则直接将平均油茶果数量作为平均产量，如果以重量评估产量，则将平均油茶果数量与油茶果平均重量相乘作为平均产量。油茶果平均重量是通过历史数据统计获得的值。
参考值是通过历史数据统计获得的平均油茶果数量的参考值。
例如统计同样气候条件的年份的待估产的种植区域的平均油茶果数量作为参考值。
如果参考值的差值的绝对值大于设定的差值阈值，且差值为正值，则可以对待估产的种植区域的油茶果树进行人工落果处理，保证收获的质量。
如果参考值的差值的绝对值大于设定的差值阈值，且差值为负值，则可以考虑采取增加施肥以及喷施药剂的方法来对待估产的种植区域的油茶果树进行提产处理。
上面对本实施例的实施例进行了描述，但是本实施例并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本实施例的启示下，还可做出很多形式，均属于本实施例的保护之内。

Claims (10)

1.一种基于实测数据的广西油茶估产方法，其特征在于，包括以下步骤：
步骤S101，采集油茶果树的五个油茶果树图像，五个油茶果树图像分别对应五个拍摄图像的角度；步骤S102，构建预测模型；预测模型包括第一隐藏层、图结构构造器、第二隐藏层；第一隐藏层包括5个串联的LSTM单元，分别输入正前方、正后方、左侧、右侧、正上方的油茶果树图像；
图结构构造器用于构建图结构，图结构包括节点A、B、C、D、E，节点A连接节点B、C、D、E，节点B连接节点A、C，节点C连接节点A、B、D，节点D连接节点A、C、E，节点E连接节点A、D；节点A、B、C、D、E分别对应正上方、正前方、左侧、正后方、右侧的油茶果树的图像；节点的节点特征由对应的油茶果树的图像输入第一隐藏层获得的输出生成；第二隐藏层输入图结构中的节点特征，第二隐藏层输出节点编码特征向量；
步骤S103，将从待估产的种植区域采集的油茶果树图像输入预测模型，输出节点编码特征向量，将节点编码特征向量映射到二维坐标系的坐标点；然后通过生成的坐标点拟合曲线，搜索拟合曲线的峰点，将五个油茶果树图像对应的节点编码特征搜索的峰点的总数作为从待估产的种植区域采集的油茶果树的油茶果数量；
步骤S104，计算待估产的种植区域的油茶果树的平均油茶果数量，计算公式如下：，其中/>表示从待估产的种植区域采集的图像的油茶果树的总数，/>表示步骤S104计算的所有油茶果树的油茶果数量的累加和；
步骤S105，将待估产的种植区域的油茶果树的平均油茶果数量与参考值进行对比，如果与参考值的差值的绝对值大于设定的差值阈值，则判断数量异常，否则判断正常，通过待估产的种植区域的油茶果树的平均油茶果数量计算待估产的种植区域的油茶果树的平均产量。
2.根据权利要求1所述的一种基于实测数据的广西油茶估产方法，其特征在于，第一隐藏层的第t个LSTM单元的计算包括：定义：表示第t个油茶果树图像，/>表示第t-1个LSTM单元的输出；
遗忘门的计算如下：/>，其中/>表示/>传递到/>对应的权重矩阵，/>表示/>传递到/>对应的权重矩阵，/>表示偏置项；/>表示激活函数；
输入门的计算如下：/>，其中/>表示输入/>传递到/>对应的权重矩阵，/>表示/>传递到/>对应的权重矩阵，/>表示偏置项；/>表示激活函数；
中间状态的计算如下：/>，其中/>表示输入/>传递到/>对应的权重矩阵，/>表示/>传递到/>对应的权重矩阵，/>表示偏置项；/>表示/>激活函数；
细胞状态表示为下式：/>，其中/>是第t-1个LSTM的细胞状态，/>表示逐点相乘；
输出门表示为下式：/>，其中/>表示输入/>传递到/>对应的权重矩阵，/>表示/>传递到/>对应的权重矩阵，/>表示偏置项；通过激活函数/>将的计算结果限定在（0,1）之间；
输出可表示为下式：/>，将输出门/>与/>逐点相乘，得到第t个LSTM单元的输出/>。
3.根据权利要求1所述的一种基于实测数据的广西油茶估产方法，其特征在于，生成节点特征的方法是将第一隐藏层的输出的行向量按顺序拼接构成一个拼接向量作为节点特征。
4.根据权利要求1所述的一种基于实测数据的广西油茶估产方法，其特征在于，训练时第二隐藏层输出的节点编码特征向量输入分类器，分类器的分类标签表征不同的油茶果树的产果数量。
5.根据权利要求1所述的一种基于实测数据的广西油茶估产方法，其特征在于，第二隐藏层的节点与邻近节点的注意力系数的计算公式如下：其中表示节点i与邻近节点j之间的注意力系数，/>表示节点i与邻近节点j之间的共享权重参数，/>表示节点i的节点特征，/>表示邻近节点j的节点特征，/>表示拼接操作，/>表示将拼接后的高维特征映射到一个实数；
第二隐藏层的节点与邻近节点的归一化注意力系数的计算公式如下：，其中/>表示节点i与邻近节点j之间的归一化注意力系数，/>表示取自然指数函数的幂运算，/>表示与节点i相邻的节点集合，/>表示节点i与邻近节点k之间的注意力系数，/>表示/>激活函数，/>表示/>激活函数；
第二隐藏层的节点与邻近节点的特征加权求和的计算公式如下：，其中/>表示更新后的节点i的特征向量，/>表示节点i与邻近节点j之间的归一化注意力系数，/>表示节点i与邻近节点j之间的共享权重参数，表示邻近节点j的节点特征，/>表示与节点i相邻的节点集合，/>表示sigmoid激活函数。
6.根据权利要求5所述的一种基于实测数据的广西油茶估产方法，其特征在于，第二隐藏层的节点与邻近节点的注意力系数的计算公式中，通过单层前馈神经网络实现。
7.根据权利要求1所述的一种基于实测数据的广西油茶估产方法，其特征在于，节点编码特征向量映射到二维坐标系的坐标点的Y轴坐标对应节点编码特征向量的分量值，X轴坐标对应节点编码特征向量的位置编号。
8.根据权利要求1所述的一种基于实测数据的广西油茶估产方法，其特征在于，如果以数量评估产量，则直接将平均油茶果数量作为平均产量，如果以重量评估产量，则将平均油茶果数量与油茶果平均重量相乘作为平均产量。
9.根据权利要求1所述的一种基于实测数据的广西油茶估产方法，其特征在于，如果参考值的差值的绝对值大于设定的差值阈值，且差值为正值，则对待估产的种植区域的油茶果树进行人工落果处理。
10.根据权利要求1所述的一种基于实测数据的广西油茶估产方法，其特征在于，如果参考值的差值的绝对值大于设定的差值阈值，且差值为负值，则对待估产的种植区域的油茶果树进行提产处理。
CN202311012283.7A 2023-08-11 2023-08-11 一种基于实测数据的广西油茶估产方法 Active CN116720635B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311012283.7A CN116720635B (zh) 2023-08-11 2023-08-11 一种基于实测数据的广西油茶估产方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311012283.7A CN116720635B (zh) 2023-08-11 2023-08-11 一种基于实测数据的广西油茶估产方法

Publications (2)

Publication Number Publication Date
CN116720635A true CN116720635A (zh) 2023-09-08
CN116720635B CN116720635B (zh) 2023-10-20

Family

ID=87870205

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311012283.7A Active CN116720635B (zh) 2023-08-11 2023-08-11 一种基于实测数据的广西油茶估产方法

Country Status (1)

Country Link
CN (1) CN116720635B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2415556C1 (ru) * 2009-08-28 2011-04-10 Государственное научное учреждение Прикаспийский научно-исследовательский институт аридного земледелия Российской академии сельскохозяйственных наук Способ прогнозирования урожайности зеленой массы и маслосемянок сафлора красильного (варианты)
CN111832814A (zh) * 2020-07-01 2020-10-27 北京工商大学 一种基于图注意力机制的空气污染物浓度预测方法
CN112131948A (zh) * 2020-08-25 2020-12-25 航天信德智图（北京）科技有限公司 一种基于实测数据的广西油茶估产方法
CN112365091A (zh) * 2020-11-30 2021-02-12 中国人民解放军国防科技大学 一种基于分类节点图注意力网络的雷达定量降水估计方法
CN113538162A (zh) * 2021-01-04 2021-10-22 腾讯科技（深圳）有限公司 一种种植策略生成方法、装置、电子设备及存储介质
CN115525896A (zh) * 2022-07-29 2022-12-27 杭州电子科技大学 一种利用动态图注意力网络的恶意软件检测方法
CN115829162A (zh) * 2023-01-29 2023-03-21 北京市农林科学院信息技术研究中心 作物产量预测方法、装置、电子设备及介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2415556C1 (ru) * 2009-08-28 2011-04-10 Государственное научное учреждение Прикаспийский научно-исследовательский институт аридного земледелия Российской академии сельскохозяйственных наук Способ прогнозирования урожайности зеленой массы и маслосемянок сафлора красильного (варианты)
CN111832814A (zh) * 2020-07-01 2020-10-27 北京工商大学 一种基于图注意力机制的空气污染物浓度预测方法
CN112131948A (zh) * 2020-08-25 2020-12-25 航天信德智图（北京）科技有限公司 一种基于实测数据的广西油茶估产方法
CN112365091A (zh) * 2020-11-30 2021-02-12 中国人民解放军国防科技大学 一种基于分类节点图注意力网络的雷达定量降水估计方法
CN113538162A (zh) * 2021-01-04 2021-10-22 腾讯科技（深圳）有限公司 一种种植策略生成方法、装置、电子设备及存储介质
CN115525896A (zh) * 2022-07-29 2022-12-27 杭州电子科技大学 一种利用动态图注意力网络的恶意软件检测方法
CN115829162A (zh) * 2023-01-29 2023-03-21 北京市农林科学院信息技术研究中心 作物产量预测方法、装置、电子设备及介质

Also Published As

Publication number Publication date
CN116720635B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN106845401B (zh) 一种基于多空间卷积神经网络的害虫图像识别方法
CN113449864B (zh) 用于图像数据分类的反馈型脉冲神经网络模型训练方法
CN107403188A (zh) 一种水质评价方法及装置
CN116918546A (zh) 一种玉米高产种植施肥方法
CN115454988A (zh) 基于随机森林网络的卫星电源系统缺失数据补全方法
Kundur et al. Deep convolutional neural network architecture for plant seedling classification
CN117349622A (zh) 基于混合深度学习机制的风电场风速预测方法
CN115240843A (zh) 基于结构因果模型的公平性预测系统
Sudha et al. Real time riped fruit detection using faster R-CNN deep neural network models
CN117746244A (zh) 一种基于点对点网络和贝叶斯损失的荔枝雌雄花计数方法
Luber et al. Structural neural additive models: Enhanced interpretable machine learning
Mohd et al. Comparative study of rainfall prediction modeling techniques (A case study on Srinagar, J&K, India)
CN116720635B (zh) 一种基于实测数据的广西油茶估产方法
CN118135207A (zh) 基于几何交互和自适应图卷积的点云叶片分割方法及系统
Mulyadi et al. Sunshine duration prediction using 1D convolutional neural networks
Sreemathy et al. Crop Recommendation with BiLSTM-MERNN Algorithm for Precision Agriculture
Masngut et al. Comparison of daily rainfall forecasting using multilayer perceptron neural network model
Dash et al. Stock price index movement classification using a CEFLANN with extreme learning machine
CN114663791A (zh) 一种非结构化环境下面向剪枝机器人的枝条识别方法
CN109255370B (zh) 一种基于pauc算法的农田智能喷药方法
Venu et al. Disease Identification in Plant Leaf Using Deep Convolutional Neural Networks
Jayapriya et al. DETERMINATION AND SEGMENTATION OF MAIZE PLANT DISEASE USING IMPROVED GAUSSIAN PARTICLE SWARM OPTIMIZATION ON CONVOLUTION NEURAL NETWORK
CN116363491B (zh) 一种基于最优目标集和人工智能的毁伤评估方法、系统
CN117709732B (zh) 结合气象监测数据的农业灾害报告生成方法及系统
CN114004421B (zh) 一种基于时空集成学习的交通数据缺失值插补方法

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
GR01 Patent grant
GR01 Patent grant