CN117036089A - 生物质水稻育秧盘的制备方法及其系统 - Google Patents

生物质水稻育秧盘的制备方法及其系统 Download PDF

Info

Publication number
CN117036089A
CN117036089A CN202311057075.9A CN202311057075A CN117036089A CN 117036089 A CN117036089 A CN 117036089A CN 202311057075 A CN202311057075 A CN 202311057075A CN 117036089 A CN117036089 A CN 117036089A
Authority
CN
China
Prior art keywords
feature
suction speed
feature vector
vector
humidity
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
CN202311057075.9A
Other languages
English (en)
Other versions
CN117036089B (zh
Inventor
刘秀国
魏冲
王清敏
陈玲玲
张晓明
张玉国
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.)
Harbin Chenchang Agricultural Technology Co ltd
Original Assignee
Harbin Chenchang Agricultural 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 Harbin Chenchang Agricultural Technology Co ltd filed Critical Harbin Chenchang Agricultural Technology Co ltd
Priority to CN202311057075.9A priority Critical patent/CN117036089B/zh
Publication of CN117036089A publication Critical patent/CN117036089A/zh
Application granted granted Critical
Publication of CN117036089B publication Critical patent/CN117036089B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • D—TEXTILES; PAPER
    • D21—PAPER-MAKING; PRODUCTION OF CELLULOSE
    • D21J—FIBREBOARD; MANUFACTURE OF ARTICLES FROM CELLULOSIC FIBROUS SUSPENSIONS OR FROM PAPIER-MACHE
    • D21J3/00—Manufacture of articles by pressing wet fibre pulp, or papier-mâché, between moulds
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Animal Husbandry (AREA)
  • Human Resources & Organizations (AREA)
  • Agronomy & Crop Science (AREA)
  • Economics (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Marine Sciences & Fisheries (AREA)
  • General Business, Economics & Management (AREA)
  • Mining & Mineral Resources (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及智能处理秸秆领域，其具体公开了一种生物质水稻育秧盘的制备方法及其系统，其借鉴造纸技术和蛋托生产技术，把水稻、玉米秸秆和沼渣、菌包等生物质原料，通过轧段、发酵、粉碎、打浆、成型，制成机插水稻育秧盘。在成型过程中，根据搅拌好的物料的特性和成型机的性能，合理控制吸取速度，以避免过快或过慢导致吸取效果不佳或影响成型机的正常运行。

Description

生物质水稻育秧盘的制备方法及其系统
技术领域
本申请涉及领域，且更为具体的涉及一种生物质水稻育秧盘的制备方法及其系统。
背景技术
黑龙江省是农业大省，传统的农作物秸秆都废弃或焚烧，近几年国家提倡保护环境减少焚烧，但废弃的农作物秸秆处理成为难题。以下是一些常见的解决废弃的农作物秸秆的方案：1、秸秆还田：将农作物秸秆还田，作为有机肥料来提供养分给土壤，促进土壤的肥力和结构改善。2、秸秆堆肥：将农作物秸秆进行堆肥处理，与其他有机废弃物一起进行混合堆肥，通过微生物的分解作用，将秸秆转化为有机肥料。3、生物质能利用：将农作物秸秆作为生物质能源的原料，进行发酵、压缩、燃烧等处理，转化为生物质燃料，如生物质颗粒、生物质燃气等。4、秸秆制浆：利用化学方法将农作物秸秆转化为纤维素浆料，用于制造纸张、纤维板等产品。然而，这些方案各自也存在很多缺点：1、秸秆还田：需要进行秸秆还田的地块和农田条件有限，如果秸秆过多无法还田，可能会导致秸秆堆放堆积，增加环境污染的风险。2、秸秆堆肥：堆肥过程需要较长时间，且需要控制好湿度、温度和氧气供应等因素，否则可能会导致发酵不充分、气味问题和传染病菌滋生等问题。3、生物质能利用：生物质能利用需要相对复杂的设备和技术，投资成本较高。同时，生物质燃烧会产生一定的气体排放，对环境造成一定的影响。4、秸秆制浆：秸秆制浆需要使用化学方法，可能会产生一定的废水和废气，对环境造成一定的污染。同时，制浆过程中的化学药剂也需要进行处理和回收。
因此，期待一种优化的废弃秸秆处理方案。
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生物质水稻育秧盘的制备方法及其系统，其借鉴造纸技术和蛋托生产技术，把水稻、玉米秸秆和沼渣、菌包等生物质原料，通过轧段、发酵、粉碎、打浆、成型，制成机插水稻育秧盘。在成型过程中，根据搅拌好的物料的特性和成型机的性能，合理控制吸取速度，以避免过快或过慢导致吸取效果不佳或影响成型机的正常运行。
根据本申请的一个方面，提供了一种生物质水稻育秧盘的制备方法，其包括：
获取预定时间段的搅拌好物料的湿度值、所述预定时间段内多个预定时间点的吸取速度值；
将所述预定时间段的搅拌好物料的湿度值按照时间维度排列为湿度输入向量后通过卷积神经网络模型以得到湿度特征向量；
将所述多个预定时间点的吸取速度值按照时间维度排列为吸取速度输入向量后通过多尺度邻域特征提取模块以得到吸取速度特征向量；
计算所述所述吸取速度特征向量相对于所述湿度特征向量的响应性估计以得到分类特征矩阵；
对所述分类特征矩阵进行优化以得到优化分类特征向量；
将所述优化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吸取速度应增大或应减小。
在上述的生物质水稻育秧盘的制备方法中，将所述预定时间段的搅拌好物料的湿度值按照时间维度排列为湿度输入向量后通过卷积神经网络模型以得到湿度特征向量，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：
对输入数据进行基于所述第一尺度第一卷积核的卷积处理以得到卷积特征图；
对所述卷积特征图进行沿着通道维度的各个特征矩阵池化以得到池化特征图；
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湿度特征向量，所述卷积神经网络模型的第一层的输入为所述湿度输入向量。
在上述的生物质水稻育秧盘的制备方法中，将所述多个预定时间点的吸取速度值按照时间维度排列为吸取速度输入向量后通过多尺度邻域特征提取模块以得到吸取速度特征向量，包括：
将所述吸取速度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度吸取速度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
将所述吸取速度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度吸取速度特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；
将所述第一尺度吸取速度特征向量和所述第二尺度吸取速度特征向量进行级联以得到所述吸取速度特征向量。
在上述的生物质水稻育秧盘的制备方法中，将所述吸取速度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度吸取速度特征向量，包括：
使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述吸取速度输入向量进行一维卷积编码以得到所述第一尺度吸取速度特征向量；
其中，所述第一卷积公式为：其中，b为第二卷积核在x方向上的宽度、/>为第二卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述吸取速度输入向量，/>表示对/>进行一维卷积。在上述的生物质水稻育秧盘的制备方法中，计算所述吸取速度特征向量相对于所述湿度特征向量的响应性估计以得到分类特征矩阵，包括：
以如下响应性估计公式计算所述吸取速度特征向量相对于所述湿度特征向量的响应性估计以得到分类特征矩阵；
其中，所述响应性估计公式为： =/>其中/>表示所述吸取速度特征向量，表示所述湿度特征向量，/>表示所述分类特征矩阵，/>表示矩阵相乘。
在上述的生物质水稻育秧盘的制备方法中，对所述分类特征矩阵进行优化以得到优化分类特征向量，包括：
基于吸取速度特征向量和湿度特征向量之间的特征流形的维度视角相关来融合所述吸取速度特征向量和所述湿度特征向量以得到融合特征向量；
计算所述融合特征向量与所述分类特征矩阵之间的矩阵乘积以得到优化分类特征向量。
在上述的生物质水稻育秧盘的制备方法中，基于吸取速度特征向量和湿度特征向量之间的特征流形的维度视角相关来融合所述吸取速度特征向量和所述湿度特征向量以得到融合特征向量，包括：
构建所述吸取速度特征向量和所述湿度特征向量之间的全域相似度矩阵，其中，所述全域相似度矩阵中非对角线位置上各个位置的特征值为所述吸取速度特征向量和所述湿度特征向量中相应两个位置的特征值之间的方差；
构建所述吸取速度特征向量和所述湿度特征向量之间的协方差矩阵；将所述全域相似度矩阵和所述协方差矩阵沿着通道维度进行聚合后通过基于卷积层的流形间多粒度关联特征提取器以得到流形间全域关联多粒度特征矩阵；
对所述流形间全域关联多粒度特征矩阵进行基于特征值的矩阵分解以得到多个流形相关特征值；
从所述多个流形相关特征值提取预定数量的流形相关特征值；
将所述预定数量的流形相关特征值进行排列以得到所述融合特征向量。
根据本申请的另一方面，还提供了一种生物质水稻育秧盘的制备系统，其包括：
数据获取模块，用于获取预定时间段的搅拌好物料的湿度值、所述预定时间段内多个预定时间点的吸取速度值；
卷积编码模块，用于将所述预定时间段的搅拌好物料的湿度值按照时间维度排列为湿度输入向量后通过卷积神经网络模型以得到湿度特征向量；
多尺度编码模块，用于将所述多个预定时间点的吸取速度值按照时间维度排列为吸取速度输入向量后通过多尺度邻域特征提取模块以得到吸取速度特征向量；
响应性估计模块，用于计算所述所述吸取速度特征向量相对于所述湿度特征向量的响应性估计以得到分类特征矩阵；
优化模块，用于对所述分类特征矩阵进行优化以得到优化分类特征向量；
检测结果生成模块，用于将所述优化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吸取速度应增大或应减小。
与现有技术相比，本申请提供的生物质水稻育秧盘的制备方法及其系统，其借鉴造纸技术和蛋托生产技术，把水稻、玉米秸秆和沼渣、菌包等生物质原料，通过轧段、发酵、粉碎、打浆、成型，制成机插水稻育秧盘。在成型过程中，根据搅拌好的物料的特性和成型机的性能，合理控制吸取速度，以避免过快或过慢导致吸取效果不佳或影响成型机的正常运行。
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图示了根据本申请实施例的生物质水稻育秧盘的制备方法的流程图。
图2图示了根据本申请实施例的生物质水稻育秧盘的制备方法的架构图。
图3图示了根据本申请实施例的生物质水稻育秧盘的制备方法中将所述多个预定时间点的吸取速度值按照时间维度排列为吸取速度输入向量后通过多尺度邻域特征提取模块以得到吸取速度特征向量的流程图。
图4图示了根据本申请实施例的生物质水稻育秧盘的制备系统的框图。
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，上述废气秸秆处理方案各自也存在很多缺点：1、秸秆还田：需要进行秸秆还田的地块和农田条件有限，如果秸秆过多无法还田，可能会导致秸秆堆放堆积，增加环境污染的风险。2、秸秆堆肥：堆肥过程需要较长时间，且需要控制好湿度、温度和氧气供应等因素，否则可能会导致发酵不充分、气味问题和传染病菌滋生等问题。3、生物质能利用：生物质能利用需要相对复杂的设备和技术，投资成本较高。同时，生物质燃烧会产生一定的气体排放，对环境造成一定的影响。4、秸秆制浆：秸秆制浆需要使用化学方法，可能会产生一定的废水和废气，对环境造成一定的污染。同时，制浆过程中的化学药剂也需要进行处理和回收。因此，期待一种优化的废弃秸秆处理方案。
在本申请的技术方案中，通过借鉴造纸技术和蛋托生产技术，把水稻、玉米秸秆和沼渣、菌包等生物质原料，通过轧段、发酵、粉碎、打浆、成型，制成机插水稻育秧盘，将其用于水稻旱育稀植替代育苗土。该过程实现了绿色环保，改变水田土壤结构，提高工作效率，减少农药化肥使用量，减少焚烧污染环境，解决取土难保护黑土地。在本申请的技术方案中的生物质水稻育秧盘，没有任何化学物质，都是天然废弃物，绿色环保有机。解决了育苗取土难，减少农药化肥的使用量，适应国家提出的黑土地保护的政策，长期使用改变了土壤结构。
具体地，在本申请的技术方案中，生物质水稻育秧盘的制备方法包括：首先，将水稻、玉米秸秆用铡草机轧成1-5厘米段发酵，菌包和沼渣用粉碎机粉碎进行发酵，直至其发酵成棕黄色。接着，通过揉丝机将物料研磨成纤维状。然后，进行二次腐熟发酵，直至物料发酵为棕褐色。接着，将二次发酵好的物料通过粉碎机粉碎后加入第一搅拌池打浆，加入糠醛渣使PH值达到4.5-5.5，加入纸浆，纸浆和秸秆的比例是1:5。然后，将打浆好的物料用污水泵输送到第二个搅拌池充分搅拌。接着，将搅拌好的物料用污水泵提取到第三至第五搅拌池进行充分搅拌。最后，利用成型机真空负压吸取搅拌好的物料，制成水稻育秧盘输入烘干设备烘干。
具体地，在本申请的技术方案中，考虑到成型机在吸取搅拌好的物料时，吸取速度与搅拌好的物料的湿度有很大的关联。当吸取速度过快时，会发生：1）物料溅射：当吸取速度过快时，物料可能会溅射出来，导致吸取口周围的区域变脏，甚至可能造成操作人员的安全问题。2）吸取不均匀：过快的吸取速度可能导致物料在吸取过程中无法均匀分布，造成成型后的产品质量不均匀或存在缺陷。3）成型机负荷过大：过快的吸取速度可能会使成型机超负荷运行，影响成型机的正常工作和寿命。当吸取速度过慢时，会发生：1）吸取效率低：过慢的吸取速度会导致吸取效率低下，延长吸取时间，降低生产效率。2）物料堵塞：物料在吸取口或管道中停留时间过长，容易造成堵塞，影响吸取效果和成型机的正常运行。3）成型品质下降：过慢的吸取速度可能导致物料在吸取过程中发生变形或变质，影响成型后产品的质量。
进一步地，在本申请的技术方案中，首先获取预定时间段的搅拌好物料的湿度值、所述预定时间段内多个预定时间点的吸取速度值。应可以理解，搅拌好物料的湿度不同，需要成型机需要不同吸取速度，如果速度根据物料的特性和成型机的性能，调整吸取速度。可以通过试验和实践找到最佳的吸取速度，以确保吸取效果和成型机的正常运行。所述搅拌好的物料的湿度特征与所述吸取速度之间存在复杂的非线性关系。
为了捕捉和利用上述隐含关联，在本申请的技术方案中，使用基于深度学习的深度神经网络模型对所述搅拌好物料的湿度值进行处理以得到湿度特征向量。针对所述预定时间点的搅拌好物料的湿度值，在本申请的技术方案中，将多个预定时间点的将所述预定时间段的搅拌好物料的湿度值按照时间维度排列为湿度输入向量后通过卷积神经网络模型以得到湿度特征向量。也就是，首先将所述预定时间的搅拌好物料的湿度值进行向量化处理以得到湿度输入向量，即，搅拌好物料的湿度值的时序分布。接着，使用一维卷积神经网络对湿度输入向量进行一维卷积编码，以捕捉不同时间跨度内的不同数量的搅拌好物料的湿度值之间的高维隐含特征，得到湿度特征向量。
针对所述多个预定时间点的吸取速度值，在本申请的技术方案中，将多个预定时间点的吸取速度值按照时间维度排列为吸取速度输入向量后通过多尺度邻域特征提取模块以得到吸取速度特征向量。也就是，首先将所述多个预定时间点的吸取速度值进行向量化处理以得到吸取速度输入向量，即，吸取速度值的时序分布。接着，使用包含多个并行的一维卷积层的多尺度邻域特征提取模块对所述吸取速度输入向量进行多尺度一维卷积编码，以捕捉不同时间跨度内不同数量的吸取速度值之间的高维隐含特征，并将不同尺度的关联特征进行特征融合以得到所述吸取速度特征向量。
在本申请的技术方案中，所述吸取速度是导致搅拌好的物料湿度变化的因，也就是说，所述吸取速度和所述搅拌好的物料湿度变化在逻辑层面存在相关关系，利用两者之间的逻辑关联得到包含吸取速度特征和搅拌好的物料湿度特征的分类特征表示。具体地，计算所述吸取速度特征向量相对于所述搅拌好的物料湿度特征向量的响应性估计以得到分类特征矩阵。
特别地，在本申请实施例中，考虑到所述吸取速度特征向量是通过对预定时间段的搅拌好物料的湿度值进行卷积编码得到的，而所述湿度特征向量是通过对所述多个预定时间点的吸取速度值进行多尺度邻域特征提取得到的，也就是所述吸取速度特征向量和所述湿度特征向量是通过对不同源的数据进行不同编码得到的，因此，两者在高维空间的特征流形可能存在差异性，计算所述所述吸取速度特征向量相对于所述湿度特征向量的响应性估计可能因为这种差异性，导致引入过多冗余信息和噪声信息，因而忽略了最本质的信息，从而降低最后分类的准确性，因此，如果能够进一步的利用所述吸取速度特征向量和所述湿度特征向量之间的特征流形的维度视角相关来进一步的优化分类特征矩阵，无疑是能够提高分类特征矩阵的表达度，也就是，提高所述分类特征矩阵的分类判断的精准度。
基于吸取速度特征向量和湿度特征向量之间的特征流形的维度视角相关来融合所述吸取速度特征向量和所述湿度特征向量以得到融合特征向量，包括：构建所述吸取速度特征向量和所述湿度特征向量之间的全域相似度矩阵，其中，所述全域相似度矩阵中非对角线位置上各个位置的特征值为所述吸取速度特征向量和所述湿度特征向量中相应两个位置的特征值之间的方差；构建所述吸取速度特征向量和所述湿度特征向量之间的协方差矩阵；将所述全域相似度矩阵和所述协方差矩阵沿着通道维度进行聚合后通过基于卷积层的流形间多粒度关联特征提取器以得到流形间全域关联多粒度特征矩阵；对所述流形间全域关联多粒度特征矩阵进行基于特征值的矩阵分解以得到多个流形相关特征值；从所述多个流形相关特征值提取预定数量的流形相关特征值，并将所述预定数量的流形相关特征值进行排列以得到所述融合特征向量。
在本申请的技术方案中，通过构建吸取速度特征向量和湿度特征向量之间的全域相似度矩阵，用于表示吸取速度特征向量的特征流形和湿度特征向量的特征流形的逐位置流形相似度关联，也就是，所述吸取速度特征向量和所述湿度特征向量的特征流形之间的元素粒度的流形关联信息。为了表示所述吸取速度特征向量和所述湿度特征向量之间的向量粒度的特征流形相关性，在本申请的技术方案中，进一步计算所述吸取速度特征向量和所述湿度特征向量之间的协方差矩阵。进而，通过基于卷积层的的流形间关联特征提取器来捕捉所述全域相似度矩阵和所述协方差矩阵中所隐含的局部关联模式特征，所述局部关联模式特征用于表示吸取速度特征向量和湿度特征向量不同粒度的特征流形相关性的隐含特征表示。在得到所述流形全域关联特征矩阵后，对所述流形全域关联特征矩阵进行基于特征值的矩阵分解以从所述流形全域关联特征矩阵中捕捉特征主维而剔除不必要的特征维度以得到所述融合特征向量。
这样，基于吸取速度特征向量和湿度特征向量之间的特征流形的维度视角相关来融合所述吸取速度特征向量和所述湿度特征向量，可以利用所述吸取速度特征向量和所述湿度特征向量在高维特征空间中数据的内在结构和分布，以从所述吸取速度特征向量和所述湿度特征向量的特征流形的主要方向捕捉两者之间的数据分布的特点和规律。同时，基于矩阵的基于特征值的特征分解还可以将所述吸取速度特征向量和所述湿度特征向量中的数据在最重要的主维度上进行投影，从而去除冗余信息和噪声信息，保留最本质的信息，以可以提高数据的质量和效率，增强数据的可分性和可区分性。
在得到所述融合特征向量后，计算所述融合特征向量与所述分类特征矩阵之间的矩阵乘积以将所述分类特征矩阵映射到所述融合特征向量所在的高维特征空间中以此来进一步的利用特征向量之间的特征流形的维度视角相关，从而提高所述分类特征矩阵的分类判断的精准度。
进一步地，在得到所述优化分类特征向量后，将所述优化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吸取速度应增大或应减小。这样，根据搅拌好的物料的特性和成型机的性能，合理控制吸取速度，以避免过快或过慢导致吸取效果不佳或影响成型机的正常运行。
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生物质水稻育秧盘的制备方法的流程图。如图1所示，根据本申请实施例的生物质水稻育秧盘的制备方法，包括：S110，获取预定时间段的搅拌好物料的湿度值、所述预定时间段内多个预定时间点的吸取速度值；S120，将所述预定时间段的搅拌好物料的湿度值按照时间维度排列为湿度输入向量后通过卷积神经网络模型以得到湿度特征向量；S130，将所述多个预定时间点的吸取速度值按照时间维度排列为吸取速度输入向量后通过多尺度邻域特征提取模块以得到吸取速度特征向量；S140，计算所述所述吸取速度特征向量相对于所述湿度特征向量的响应性估计以得到分类特征矩阵；S160，对所述分类特征矩阵进行优化以得到优化分类特征向量；以及S150，将所述优化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吸取速度应增大或应减小。
图2为根据本申请实施例的生物质水稻育秧盘的制备方法的架构图。如图2所示，在该架构中，首先，获取预定时间段的搅拌好物料的湿度值、所述预定时间段内多个预定时间点的吸取速度值。接着，将所述预定时间段的搅拌好物料的湿度值按照时间维度排列为湿度输入向量后通过卷积神经网络模型以得到湿度特征向量。然后，将所述多个预定时间点的吸取速度值按照时间维度排列为吸取速度输入向量后通过多尺度邻域特征提取模块以得到吸取速度特征向量。接着，计算所述所述吸取速度特征向量相对于所述湿度特征向量的响应性估计以得到分类特征矩阵。然后，对所述分类特征矩阵进行优化以得到优化分类特征向量。最后，将所述优化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吸取速度应增大或应减小。
在步骤S110中，获取预定时间段的搅拌好物料的湿度值、所述预定时间段内多个预定时间点的吸取速度值。如上述背景技术所言，上述废气秸秆处理方案各自也存在很多缺点：1、秸秆还田：需要进行秸秆还田的地块和农田条件有限，如果秸秆过多无法还田，可能会导致秸秆堆放堆积，增加环境污染的风险。2、秸秆堆肥：堆肥过程需要较长时间，且需要控制好湿度、温度和氧气供应等因素，否则可能会导致发酵不充分、气味问题和传染病菌滋生等问题。3、生物质能利用：生物质能利用需要相对复杂的设备和技术，投资成本较高。同时，生物质燃烧会产生一定的气体排放，对环境造成一定的影响。4、秸秆制浆：秸秆制浆需要使用化学方法，可能会产生一定的废水和废气，对环境造成一定的污染。同时，制浆过程中的化学药剂也需要进行处理和回收。因此，期待一种优化的废弃秸秆处理方案。
在本申请的技术方案中，通过借鉴造纸技术和蛋托生产技术，把水稻、玉米秸秆和沼渣、菌包等生物质原料，通过轧段、发酵、粉碎、打浆、成型，制成机插水稻育秧盘，将其用于水稻旱育稀植替代育苗土。该过程实现了绿色环保，改变水田土壤结构，减少农药化肥使用量，减少焚烧污染环境，解决取土难保护黑土地。在本申请的技术方案中的生物质水稻育秧盘，没有任何化学物质，都是天然废弃物，绿色环保有机。解决了育苗取土难，减少农药化肥的使用量，适应国家提出的黑土地保护的政策，长期使用改变了土壤结构。同时，应当知晓，生物质水稻育秧盘育苗比常规土育苗根系发达，须根比常规土苗多一倍，插秧后秧苗返青最多2-3天，分蘖早、成穗率高，产量可提高6%以上。
具体地，在本申请的技术方案中，生物质水稻育秧盘的制备方法包括：首先，将水稻、玉米秸秆用铡草机轧成1-5厘米段发酵，菌包和沼渣用粉碎机粉碎进行发酵，直至其发酵成棕黄色。接着，通过揉丝机将物料研磨成纤维状。然后，进行二次腐熟发酵，直至物料发酵为棕褐色。接着，将二次发酵好的物料通过粉碎机粉碎后加入第一搅拌池打浆，加入糠醛渣使PH值达到4.5-5.5，加入纸浆，纸浆和秸秆的比例是1:5，这里，加入纸浆是替代粘合剂，制作过程中分离出来的水进行储存，继续利用，做到了没有废水排放。然后，将打浆好的物料用污水泵输送到第二个搅拌池充分搅拌。接着，将搅拌好的物料用污水泵提取到第三至第五搅拌池进行充分搅拌。最后，利用成型机真空负压吸取搅拌好的物料，制成水稻育秧盘输入烘干设备烘干。在本申请的一个具体实施例中，所述生物质水稻育秧盘的尺寸为长58cm，宽27cm，表面有36*14个梯形凹槽。
同时应当理解，水稻新基质秸秆育秧盘，是利用废弃植物秸秆（玉米和水稻秸秆）、沼渣等生物原料，经粉碎、发酵、灭菌后，将多种有机复合物按比例混合搅拌成浆，再经过工艺加工制成水稻育秧盘，做为秧苗生长之载体，用于水稻育苗。形成与水稻旱育稀植栽培体系相配套的旱育苗新技术，它向水稻无土育苗迈出了关键的一步；该项技术具有绿色、有机、节能、环保、增产及高效等特点，是水田生产又一重大技术革命，保证了现代农业安全、可持续发展。
秸秆水稻育秧盘育苗具有以下技术优势：1、解决了水田区育苗取土难的问题。实现了以秸秆基质盘替代育苗底土。经测算每100万亩水田育苗，每年取走15cm深优质土壤1541亩。2实现了生态环保。利用农作物秸秆制作育秧盘，一是减少焚烧，净化环境；二是有效遏制随意乱挖土，破坏植被，减少水土流失；三是减少育苗时化肥农药使用量，保护生态环境，造福子孙后代。3、奠定了绿色水稻生产的基础。采用秸秆秧盘育苗，因替代底土，最大限度的减少农药化肥的使用量，达到了绿色有机的目的。4、保证了壮苗的基本要求。秸秆基质盘的主要成分为偏酸性的植物纤维和沼渣等。一是根壮。具有透气、保温、保水、保肥、抗寒的特点，根系发达，须根、新生根多；二是抗病。基质盘原料是在高温环境下发酵烘干的，彻底杀灭了对农作物生长有害的各种病菌、草籽和虫卵，有利于病虫草害的防治。另外，秸秆基质盘具有耐低温、耐内涝能力，提高抗逆性，秧苗素质好，抗病效果显著。5、提升了土壤有机质含量。基质秸秆秧盘可完全降解，常年使用秸秆秧盘，有机质随秧苗插到本田，增加了土壤有机质含量，培肥地力，改善土壤结构，保证了农业安全、循环、可持续发展，提高了绿色、有机水稻种植理念。6、做到了省土、省力、保农时。秸秆秧盘育苗前减少了取土、粉土、筛土、调养等方面的人力、财力，棚内摆盘功效高、速度快、用土量少，抢农时、保积温。成苗秧盘重量轻，比常规土秧盘重量轻30%以上，降低了插秧运苗劳动强度。7、增加了水稻产量。秸秆基质秧盘育苗丰产基础好，育成的苗盘厚度一致，坚实度均匀，比传统营养土育苗和机插的效果好。由于根系发达，插秧后返青快、分蘖早、有效分蘖多、成穗率高、成熟早，可增产6%以上。
进一步地，在本申请的技术方案中，考虑到成型机在吸取搅拌好的物料时，吸取速度与搅拌好的物料的湿度有很大的关联。当吸取速度过快时，会发生：1）物料溅射：当吸取速度过快时，物料可能会溅射出来，导致吸取口周围的区域变脏，甚至可能造成操作人员的安全问题。2）吸取不均匀：过快的吸取速度可能导致物料在吸取过程中无法均匀分布，造成成型后的产品质量不均匀或存在缺陷。3）成型机负荷过大：过快的吸取速度可能会使成型机超负荷运行，影响成型机的正常工作和寿命。当吸取速度过慢时，会发生：1）吸取效率低：过慢的吸取速度会导致吸取效率低下，延长吸取时间，降低生产效率。2）物料堵塞：物料在吸取口或管道中停留时间过长，容易造成堵塞，影响吸取效果和成型机的正常运行。3）成型品质下降：过慢的吸取速度可能导致物料在吸取过程中发生变形或变质，影响成型后产品的质量。
具体地，在本申请的技术方案中，首先获取预定时间段的搅拌好物料的湿度值、所述预定时间段内多个预定时间点的吸取速度值。应可以理解，搅拌好物料的湿度不同，需要成型机需要不同吸取速度，如果速度根据物料的特性和成型机的性能，调整吸取速度。可以通过试验和实践找到最佳的吸取速度，以确保吸取效果和成型机的正常运行。所述搅拌好的物料的湿度特征与所述吸取速度之间存在复杂的非线性关系。
在步骤S120中，将所述预定时间段的搅拌好物料的湿度值按照时间维度排列为湿度输入向量后通过卷积神经网络模型以得到湿度特征向量。为了捕捉和利用上述隐含关联，在本申请的技术方案中，使用基于深度学习的深度神经网络模型对所述搅拌好物料的湿度值进行处理以得到湿度特征向量。针对所述预定时间点的搅拌好物料的湿度值，在本申请的技术方案中，将多个预定时间点的将所述预定时间段的搅拌好物料的湿度值按照时间维度排列为湿度输入向量后通过卷积神经网络模型以得到湿度特征向量。也就是，首先将所述预定时间的搅拌好物料的湿度值进行向量化处理以得到湿度输入向量，即，搅拌好物料的湿度值的时序分布。接着，使用一维卷积神经网络对湿度输入向量进行一维卷积编码，以捕捉不同时间跨度内的不同数量的搅拌好物料的湿度值之间的高维隐含特征，得到湿度特征向量。
具体地，在上述的生物质水稻育秧盘的制备方法中，将所述预定时间段的搅拌好物料的湿度值按照时间维度排列为湿度输入向量后通过卷积神经网络模型以得到湿度特征向量，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：对输入数据进行基于所述第一尺度第一卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行沿着通道维度的各个特征矩阵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湿度特征向量，所述卷积神经网络模型的第一层的输入为所述湿度输入向量。
在步骤S130中，将所述多个预定时间点的吸取速度值按照时间维度排列为吸取速度输入向量后通过多尺度邻域特征提取模块以得到吸取速度特征向量。针对所述多个预定时间点的吸取速度值，在本申请的技术方案中，将多个预定时间点的吸取速度值按照时间维度排列为吸取速度输入向量后通过多尺度邻域特征提取模块以得到吸取速度特征向量。也就是，首先将所述多个预定时间点的吸取速度值进行向量化处理以得到吸取速度输入向量，即，吸取速度值的时序分布。接着，使用包含多个并行的一维卷积层的多尺度邻域特征提取模块对所述吸取速度输入向量进行多尺度一维卷积编码，以捕捉不同时间跨度内不同数量的吸取速度值之间的高维隐含特征，并将不同尺度的关联特征进行特征融合以得到所述吸取速度特征向量。
图3图示了根据本申请实施例的生物质水稻育秧盘的制备方法中将将所述多个预定时间点的吸取速度值按照时间维度排列为吸取速度输入向量后通过多尺度邻域特征提取模块以得到吸取速度特征向量的流程图。如图3所示，将所述多个预定时间点的吸取速度值按照时间维度排列为吸取速度输入向量后通过多尺度邻域特征提取模块以得到吸取速度特征向量，包括：S131,将所述吸取速度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度吸取速度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；S132,将所述吸取速度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度吸取速度特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；S133,以及将所述第一尺度吸取速度特征向量和所述第二尺度吸取速度特征向量进行级联以得到所述吸取速度特征向量。
具体地，在上述的生物质水稻育秧盘的制备方法中，将所述吸取速度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度吸取速度特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述吸取速度输入向量进行一维卷积编码以得到所述第一尺度吸取速度特征向量；其中，所述第一卷积公式为：其中，a为第一卷积核在x方向上的宽度、/>为第一卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵，，w为第一卷积核的尺寸，X表示所述吸取速度输入向量，/>表示对/>进行一维卷积。
具体地，在上述的生物质水稻育秧盘的制备方法中，将所述吸取速度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度吸取速度特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述吸取速度输入向量进行一维卷积编码以得到所述第二尺度吸取速度特征向量；其中，所述第二卷积公式为：其中，b为第二卷积核在x方向上的宽度/>为第二卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述吸取速度输入向量，/>表示对/>进行一维卷积。
在步骤S140中，计算所述所述吸取速度特征向量相对于所述湿度特征向量的响应性估计以得到分类特征矩阵。在本申请的技术方案中，所述吸取速度是导致搅拌好的物料湿度变化的因，也就是说，所述吸取速度和所述搅拌好的物料湿度变化在逻辑层面存在相关关系，利用两者之间的逻辑关联得到包含吸取速度特征和搅拌好的物料湿度特征的分类特征表示。具体地，计算所述吸取速度特征向量相对于所述搅拌好的物料湿度特征向量的响应性估计以得到分类特征矩阵。
具体地，在上述的生物质水稻育秧盘的制备方法中，计算所述吸取速度特征向量相对于所述湿度特征向量的响应性估计以得到分类特征矩阵，包括：以如下响应性估计公式计算所述吸取速度特征向量相对于所述湿度特征向量的响应性估计以得到分类特征矩阵；其中，所述响应性估计公式为：=/>其中/>表示所述吸取速度特征向量，/>表示所述湿度特征向量，/>表示所述分类特征矩阵，/>表示矩阵相乘。
在步骤S150中，对所述分类特征矩阵进行优化以得到优化分类特征向量。在本申请实施例中，考虑到所述吸取速度特征向量是通过对预定时间段的搅拌好物料的湿度值进行卷积编码得到的，而所述湿度特征向量是通过对所述多个预定时间点的吸取速度值进行多尺度邻域特征提取得到的，也就是所述吸取速度特征向量和所述湿度特征向量是通过对不同源的数据进行不同编码得到的，因此，两者在高维空间的特征流形可能存在差异性，计算所述所述吸取速度特征向量相对于所述湿度特征向量的响应性估计可能因为这种差异性，导致引入过多冗余信息和噪声信息，因而忽略了最本质的信息，从而降低最后分类的准确性，因此，如果能够进一步的利用所述吸取速度特征向量和所述湿度特征向量之间的特征流形的维度视角相关来进一步的优化分类特征矩阵，无疑是能够提高分类特征矩阵的表达度，也就是，提高所述分类特征矩阵的分类判断的精准度。
基于吸取速度特征向量和湿度特征向量之间的特征流形的维度视角相关来融合所述吸取速度特征向量和所述湿度特征向量以得到融合特征向量，包括：构建所述吸取速度特征向量和所述湿度特征向量之间的全域相似度矩阵，其中，所述全域相似度矩阵中非对角线位置上各个位置的特征值为所述吸取速度特征向量和所述湿度特征向量中相应两个位置的特征值之间的方差；构建所述吸取速度特征向量和所述湿度特征向量之间的协方差矩阵；将所述全域相似度矩阵和所述协方差矩阵沿着通道维度进行聚合后通过基于卷积层的流形间多粒度关联特征提取器以得到流形间全域关联多粒度特征矩阵；对所述流形间全域关联多粒度特征矩阵进行基于特征值的矩阵分解以得到多个流形相关特征值；从所述多个流形相关特征值提取预定数量的流形相关特征值，并将所述预定数量的流形相关特征值进行排列以得到所述融合特征向量。
在本申请的技术方案中，通过构建吸取速度特征向量和湿度特征向量之间的全域相似度矩阵，用于表示吸取速度特征向量的特征流形和湿度特征向量的特征流形的逐位置流形相似度关联，也就是，所述吸取速度特征向量和所述湿度特征向量的特征流形之间的元素粒度的流形关联信息。为了表示所述吸取速度特征向量和所述湿度特征向量之间的向量粒度的特征流形相关性，在本申请的技术方案中，进一步计算所述吸取速度特征向量和所述湿度特征向量之间的协方差矩阵。进而，通过基于卷积层的的流形间关联特征提取器来捕捉所述全域相似度矩阵和所述协方差矩阵中所隐含的局部关联模式特征，所述局部关联模式特征用于表示吸取速度特征向量和湿度特征向量不同粒度的特征流形相关性的隐含特征表示。在得到所述流形全域关联特征矩阵后，对所述流形全域关联特征矩阵进行基于特征值的矩阵分解以从所述流形全域关联特征矩阵中捕捉特征主维而剔除不必要的特征维度以得到所述融合特征向量。
这样，基于吸取速度特征向量和湿度特征向量之间的特征流形的维度视角相关来融合所述吸取速度特征向量和所述湿度特征向量，可以利用所述吸取速度特征向量和所述湿度特征向量在高维特征空间中数据的内在结构和分布，以从所述吸取速度特征向量和所述湿度特征向量的特征流形的主要方向捕捉两者之间的数据分布的特点和规律。同时，基于矩阵的基于特征值的特征分解还可以将所述吸取速度特征向量和所述湿度特征向量中的数据在最重要的主维度上进行投影，从而去除冗余信息和噪声信息，保留最本质的信息，以可以提高数据的质量和效率，增强数据的可分性和可区分性。
在得到所述融合特征向量后，计算所述融合特征向量与所述分类特征矩阵之间的矩阵乘积以将所述分类特征矩阵映射到所述融合特征向量所在的高维特征空间中以此来进一步的利用特征向量之间的特征流形的维度视角相关，从而提高所述分类特征矩阵的分类判断的精准度。
具体地，在上述的生物质水稻育秧盘的制备方法中，对所述分类特征矩阵进行优化以得到优化分类特征向量，包括：基于吸取速度特征向量和湿度特征向量之间的特征流形的维度视角相关来融合所述吸取速度特征向量和所述湿度特征向量以得到融合特征向量；以及计算所述融合特征向量与所述分类特征矩阵之间的矩阵乘积以得到优化分类特征向量。
具体地，在上述的生物质水稻育秧盘的制备方法中，基于吸取速度特征向量和湿度特征向量之间的特征流形的维度视角相关来融合所述吸取速度特征向量和所述湿度特征向量以得到融合特征向量，包括：构建所述吸取速度特征向量和所述湿度特征向量之间的全域相似度矩阵，其中，所述全域相似度矩阵中非对角线位置上各个位置的特征值为所述吸取速度特征向量和所述湿度特征向量中相应两个位置的特征值之间的方差；构建所述吸取速度特征向量和所述湿度特征向量之间的协方差矩阵；将所述全域相似度矩阵和所述协方差矩阵沿着通道维度进行聚合后通过基于卷积层的流形间多粒度关联特征提取器以得到流形间全域关联多粒度特征矩阵；对所述流形间全域关联多粒度特征矩阵进行基于特征值的矩阵分解以得到多个流形相关特征值；从所述多个流形相关特征值提取预定数量的流形相关特征值；以及将所述预定数量的流形相关特征值进行排列以得到所述融合特征向量。
在步骤S160中，将所述优化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吸取速度应增大或应减小。在得到所述优化分类特征向量后，将所述优化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吸取速度应增大或应减小。这样，根据搅拌好的物料的特性和成型机的性能，合理控制吸取速度，以避免过快或过慢导致吸取效果不佳或影响成型机的正常运行。
具体地，在上述的生物质水稻育秧盘的制备方法中，将所述优化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吸取速度应增大或应减小，包括：使用所述分类器的全连接层对所述优化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。
综上，根据本申请实施例的所述生物质水稻育秧盘的制备方法被阐明，其借鉴造纸技术和蛋托生产技术，把水稻、玉米秸秆和沼渣、菌包等生物质原料，通过轧段、发酵、粉碎、打浆、成型，制成机插水稻育秧盘。在成型过程中，根据搅拌好的物料的特性和成型机的性能，合理控制吸取速度，以避免过快或过慢导致吸取效果不佳或影响成型机的正常运行。
示例性系统
图4为根据本申请实施例的生物质水稻育秧盘的制备系统的框图。如图4所示，根据本申请实施例的生物质水稻育秧盘的制备系统100，包括：数据获取模块110，用于获取预定时间段的搅拌好物料的湿度值、所述预定时间段内多个预定时间点的吸取速度值；卷积编码模块120，用于将所述预定时间段的搅拌好物料的湿度值按照时间维度排列为湿度输入向量后通过卷积神经网络模型以得到湿度特征向量；多尺度编码模块130，用于将所述多个预定时间点的吸取速度值按照时间维度排列为吸取速度输入向量后通过多尺度邻域特征提取模块以得到吸取速度特征向量；响应性估计模块140，用于计算所述所述吸取速度特征向量相对于所述湿度特征向量的响应性估计以得到分类特征矩阵；优化模块150，用于对所述分类特征矩阵进行优化以得到优化分类特征向量；以及检测结果生成模块160，用于将所述优化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吸取速度应增大或应减小。
这里，本领域技术人员可以理解，上述生物质水稻育秧盘的制备系统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的生物质水稻育秧盘的制备方法的描述中得到了详细介绍，并因此，将省略其重复描述。
综上，根据本申请实施例的所述生物质水稻育秧盘的制备系统被阐明，其借鉴造纸技术和蛋托生产技术，把水稻、玉米秸秆和沼渣、菌包等生物质原料，通过轧段、发酵、粉碎、打浆、成型，制成机插水稻育秧盘。在成型过程中，根据搅拌好的物料的特性和成型机的性能，合理控制吸取速度，以避免过快或过慢导致吸取效果不佳或影响成型机的正常运行。
如上所述，根据本申请实施例的生物质水稻育秧盘的制备系统 100可以实现在各种终端设备中，例如生物质水稻育秧盘的制备服务器等。在一个示例中，根据本申请实施例的生物质水稻育秧盘的制备系统 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，该生物质水稻育秧盘的制备系统100可以是该终端设备的操作系统中的一个软件模块，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，该生物质水稻育秧盘的制备系统 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，该生物质水稻育秧盘的制备系统 100与该终端设备也可以是分立的设备，并且该生物质水稻育秧盘的制备系统 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。
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。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
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。
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 (10)

1.一种生物质水稻育秧盘的制备方法，其特征在于，包括：
获取预定时间段的搅拌好物料的湿度值、所述预定时间段内多个预定时间点的吸取速度值；
将所述预定时间段的搅拌好物料的湿度值按照时间维度排列为湿度输入向量后通过卷积神经网络模型以得到湿度特征向量；
将所述多个预定时间点的吸取速度值按照时间维度排列为吸取速度输入向量后通过多尺度邻域特征提取模块以得到吸取速度特征向量；
计算所述所述吸取速度特征向量相对于所述湿度特征向量的响应性估计以得到分类特征矩阵；
对所述分类特征矩阵进行优化以得到优化分类特征向量；
将所述优化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吸取速度应增大或应减小。
2.根据权利要求1所述的生物质水稻育秧盘的制备方法，其特征在于，将所述预定时间段的搅拌好物料的湿度值按照时间维度排列为湿度输入向量后通过卷积神经网络模型以得到湿度特征向量，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：
对输入数据进行基于所述第一尺度第一卷积核的卷积处理以得到卷积特征图；
对所述卷积特征图进行沿着通道维度的各个特征矩阵池化以得到池化特征图；
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湿度特征向量，所述卷积神经网络模型的第一层的输入为所述湿度输入向量。
3.根据权利要求2所述的生物质水稻育秧盘的制备方法，其特征在于，将所述多个预定时间点的吸取速度值按照时间维度排列为吸取速度输入向量后通过多尺度邻域特征提取模块以得到吸取速度特征向量，包括：
将所述吸取速度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度吸取速度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
将所述吸取速度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度吸取速度特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；
将所述第一尺度吸取速度特征向量和所述第二尺度吸取速度特征向量进行级联以得到所述吸取速度特征向量。
4.根据权利要求3所述的生物质水稻育秧盘的制备方法，其特征在于，将所述吸取速度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度吸取速度特征向量，包括：
使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述吸取速度输入向量进行一维卷积编码以得到所述第一尺度吸取速度特征向量；
其中，所述第一卷积公式为：其中，a为第一卷积核在x方向上的宽度、/>第一卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，/>表示所述吸取速度输入向量，/>表示对/>进行一维卷积。
5.根据权利要求4所述的生物质水稻育秧盘的制备方法，其特征在于，将所述吸取速度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度吸取速度特征向量，包括：
使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述吸取速度输入向量进行一维卷积编码以得到所述第二尺度吸取速度特征向量；
其中，所述第二卷积公式为：其中，b为第二卷积核在x方向上的宽度、/>为第二卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述吸取速度输入向量，/>表示对/>进行一维卷积。
6.根据权利要求5所述的生物质水稻育秧盘的制备方法，其特征在于，计算所述吸取速度特征向量相对于所述湿度特征向量的响应性估计以得到分类特征矩阵，包括：
以如下响应性估计公式计算所述吸取速度特征向量相对于所述湿度特征向量的响应性估计以得到分类特征矩阵；
其中，所述响应性估计公式为：=/>其中/>表示所述吸取速度特征向量，/>表示所述湿度特征向量，/>表示所述分类特征矩阵，/>表示矩阵相乘。
7.根据权利要求6所述的生物质水稻育秧盘的制备方法，其特征在于，对所述分类特征矩阵进行优化以得到优化分类特征向量，包括：
基于吸取速度特征向量和湿度特征向量之间的特征流形的维度视角相关来融合所述吸取速度特征向量和所述湿度特征向量以得到融合特征向量；
计算所述融合特征向量与所述分类特征矩阵之间的矩阵乘积以得到优化分类特征向量。
8.根据权利要求7所述的生物质水稻育秧盘的制备方法，其特征在于，基于吸取速度特征向量和湿度特征向量之间的特征流形的维度视角相关来融合所述吸取速度特征向量和所述湿度特征向量以得到融合特征向量，包括：
构建所述吸取速度特征向量和所述湿度特征向量之间的全域相似度矩阵，其中，所述全域相似度矩阵中非对角线位置上各个位置的特征值为所述吸取速度特征向量和所述湿度特征向量中相应两个位置的特征值之间的方差；
构建所述吸取速度特征向量和所述湿度特征向量之间的协方差矩阵；将所述全域相似度矩阵和所述协方差矩阵沿着通道维度进行聚合后通过基于卷积层的流形间多粒度关联特征提取器以得到流形间全域关联多粒度特征矩阵；
对所述流形间全域关联多粒度特征矩阵进行基于特征值的矩阵分解以得到多个流形相关特征值；
从所述多个流形相关特征值提取预定数量的流形相关特征值；
将所述预定数量的流形相关特征值进行排列以得到所述融合特征向量。
9.根据权利要求8所述的生物质水稻育秧盘的制备方法，其特征在于，将所述优化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吸取速度应增大或应减小，包括：
使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；
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。
10.一种生物质水稻育秧盘的制备系统，包括：
数据获取模块，用于获取预定时间段的搅拌好物料的湿度值、所述预定时间段内多个预定时间点的吸取速度值；
卷积编码模块，用于将所述预定时间段的搅拌好物料的湿度值按照时间维度排列为湿度输入向量后通过卷积神经网络模型以得到湿度特征向量；
多尺度编码模块，用于将所述多个预定时间点的吸取速度值按照时间维度排列为吸取速度输入向量后通过多尺度邻域特征提取模块以得到吸取速度特征向量；
响应性估计模块，用于计算所述所述吸取速度特征向量相对于所述湿度特征向量的响应性估计以得到分类特征矩阵；
优化模块，用于对所述分类特征矩阵进行优化以得到优化分类特征向量；
检测结果生成模块，用于将所述优化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吸取速度应增大或应减小。
CN202311057075.9A 2023-08-22 2023-08-22 生物质水稻育秧盘的制备方法及其系统 Active CN117036089B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311057075.9A CN117036089B (zh) 2023-08-22 2023-08-22 生物质水稻育秧盘的制备方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311057075.9A CN117036089B (zh) 2023-08-22 2023-08-22 生物质水稻育秧盘的制备方法及其系统

Publications (2)

Publication Number Publication Date
CN117036089A true CN117036089A (zh) 2023-11-10
CN117036089B CN117036089B (zh) 2024-05-28

Family

ID=88622493

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311057075.9A Active CN117036089B (zh) 2023-08-22 2023-08-22 生物质水稻育秧盘的制备方法及其系统

Country Status (1)

Country Link
CN (1) CN117036089B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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 (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020068499A1 (en) * 2018-09-27 2020-04-02 Intrepid Automation Management platform for additive manufacturing production line
CN113486818A (zh) * 2021-07-09 2021-10-08 吉林大学 基于机器视觉的满斗率预测系统和方法
CN114296414A (zh) * 2021-12-28 2022-04-08 中科朗劢技术有限公司 一种环境治理工程管理系统及方法
CN115357065A (zh) * 2022-08-27 2022-11-18 华能新能源股份有限公司 海上风机的远程智能除湿控制系统及其方法
CN115378344A (zh) * 2022-10-24 2022-11-22 徐州康翔精密制造有限公司 电磁电机及其防潮控制方法
CN115990983A (zh) * 2023-03-02 2023-04-21 斯帝尔实业(上海)有限公司 一种可调节式加工模具及其方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020068499A1 (en) * 2018-09-27 2020-04-02 Intrepid Automation Management platform for additive manufacturing production line
CN113486818A (zh) * 2021-07-09 2021-10-08 吉林大学 基于机器视觉的满斗率预测系统和方法
CN114296414A (zh) * 2021-12-28 2022-04-08 中科朗劢技术有限公司 一种环境治理工程管理系统及方法
CN115357065A (zh) * 2022-08-27 2022-11-18 华能新能源股份有限公司 海上风机的远程智能除湿控制系统及其方法
CN115378344A (zh) * 2022-10-24 2022-11-22 徐州康翔精密制造有限公司 电磁电机及其防潮控制方法
CN115990983A (zh) * 2023-03-02 2023-04-21 斯帝尔实业(上海)有限公司 一种可调节式加工模具及其方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WILLIAM JORDAN WRIGHT等: "In-situ optimization of thermoset composite additive manufacturing via deep learning and computer vision", 《ADDITIVE MANUFACTURING》, vol. 58, no. 2022, 18 June 2022 (2022-06-18), pages 102985, XP087158223, DOI: 10.1016/j.addma.2022.102985 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Also Published As

Publication number Publication date
CN117036089B (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
CN105493950B (zh) 一种机插水稻育秧方法及其应用
CN100356841C (zh) 一种有机栽培基质及其制造方法
CN117036089B (zh) 生物质水稻育秧盘的制备方法及其系统
CN104885754B (zh) 一种香蕉‑水稻‑菠萝轮作防治香蕉连作障碍的栽培方法
CN102845364A (zh) 一种土鸡蚯蚓有机蔬菜循环生产方法
CN103814730B (zh) 一种秋马铃薯和油菜套作覆盖栽培方法
CN105684851A (zh) 一种水稻无土育秧秸秆基质板及其制备方法
CN106171389A (zh) 一种林下魔芋种芋1年生种植方法
Pszczółkowska et al. Biomass production of selected energy plants: Economic analysis and logistic strategies
CN108513859A (zh) 废旧银耳棒在栽培黑木耳方面的应用以及栽培方法
CN106489694A (zh) 一种水稻无土育秧木耳菌渣基质板及制备方法
CN112913605B (zh) 一种以禾虫增殖为主的虫稻共生综合种养方法
CN105601382A (zh) 一种机插水稻育秧基质及其制备方法
CN105418206A (zh) 一种酵素型水稻旱育苗基质及其制备方法
CN106508340A (zh) 一种养鱼、养牛及种植相结合的养殖方法
CN105474947A (zh) 菌草高效种植技术
CN108849069A (zh) 一种秸秆抗病多元素网式塑料育秧盘的加工方法
CN109169177B (zh) 一种带有发酵牛粪基质的环保型花盆及其基质生产方法
CN109104927A (zh) 一种玉米秸秆粉耙全量还田工艺
CN114303938A (zh) 一种磷高效玉米的杂交育种方法
Christou et al. Giant reed: From production to end use
Steen Drylands of the third world: potential for future development
Gao On Sustainable Development of Sericulture Industry-An Empirical Study on Pengan County of Sichuan Province
Van Sanh et al. Integrated rice-prawn farming in the Mekong Delta, Vietnam: a route towards sustainable and profitable farming systems?
Quang Rice-freshwater prawn (Macrobrachium rosenbergii) farms in the Mekong Delta, Vietnam

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