CN117541422A - 一种基于农业环境数据的农业生产管理系统 - Google Patents

一种基于农业环境数据的农业生产管理系统 Download PDF

Info

Publication number
CN117541422A
CN117541422A CN202311809891.0A CN202311809891A CN117541422A CN 117541422 A CN117541422 A CN 117541422A CN 202311809891 A CN202311809891 A CN 202311809891A CN 117541422 A CN117541422 A CN 117541422A
Authority
CN
China
Prior art keywords
environmental factor
factor data
data
feature vector
environmental
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311809891.0A
Other languages
English (en)
Inventor
徐伟
唐恒
徐赟
唐毓
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.)
Hangzhou Songyan Technology Co ltd
Original Assignee
Hangzhou Songyan 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 Hangzhou Songyan Technology Co ltd filed Critical Hangzhou Songyan Technology Co ltd
Priority to CN202311809891.0A priority Critical patent/CN117541422A/zh
Publication of CN117541422A publication Critical patent/CN117541422A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data

Landscapes

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

Abstract

本申请涉及农业智能生产管理技术领域，其具体地公开了一种基于农业环境数据的农业生产管理系统，其通过采集大棚室内实时环境因子数据，如光照强度、温度、湿度、气压和二氧化碳浓度，将这些数据转化为特征向量，并提取全局语义特征向量和局部关联特征向量，然后，通过融合这些特征向量得到分类特征向量，用于对遮荫、灌溉、通风、降温等防护措施进行分类标签，并自动执行相应操作，利用物联网技术和数据分析方法，实现了对农业生产环境的实时监测和智能化管理，提高了农业生产的效率和质量。

Description

一种基于农业环境数据的农业生产管理系统
技术领域
本申请涉及农业智能生产管理技术领域，且更为具体地，涉及一种基于农业环境数据的农业生产管理系统。
背景技术
近年来，我国农业现代化发展加快，物联网农业的发展取得显著成效。物联网技术在农业领域有很多的应用，覆盖了农产品安全管理、农业生产环境监测等方面。农业是利用动植物的生长发育规律，通过人工培育来获得产品的产业，属于第一产业，农业的劳动对象是有生命的动植物，获得的产品是动植物本身，农业是提供支撑国民经济建设与发展的基础产业，在对农业进行发展的过程中，往往对农业未来的生产进行决策，现有的农业管理决策方法一般是通过管理人员手动查找资料并由多人共同商议进行决策，容易受到主观因素的影响，难以自动对决策后可能产生的结果进行分析，使得决策中考虑的结果不够全面，从而导致后续生产执行难度较大或者出现较大的损失。
如今温室大棚数量逐年迅猛增加，但对于智能化、信息化程度还是依然较低，主要依赖传统的人工模式，需定期查看温室大棚环境数据，并根据以往农业生产经验手动调节光线、温度、湿度以及灌溉施肥。
因此，期望一种基于农业环境数据的农业生产管理系统。
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基于农业环境数据的农业生产管理系统，其通过采集大棚室内实时环境因子数据，如光照强度、温度、湿度、气压和二氧化碳浓度，将这些数据转化为特征向量，并提取全局语义特征向量和局部关联特征向量，然后，通过融合这些特征向量得到分类特征向量，用于对遮荫、灌溉、通风、降温等防护措施进行分类标签，并自动执行相应操作，利用物联网技术和数据分析方法，实现了对农业生产环境的实时监测和智能化管理，提高了农业生产的效率和质量。
根据本申请的一个方面，提供了一种基于农业环境数据的农业生产管理系统，其包括：
充电全局信号模块，用于通过使用传感器获取充电桩中各个电线的电流和电大棚数据采集模块，用于采集大棚室内实时环境因子数据，包括光照强度、温度、湿度、气压以及二氧化碳浓度数据；
环境因子提取模块，用于将所述实时环境因子数据转化为向量后通过编码器以得到多个环境因子数据特征向量，并分别提取环境因子数据全局语义特征向量和环境因子数据局部关联特征向量；
环境因子融合模块，用于融合所述环境因子数据全局语义特征向量和所述环境因子数据局部关联特征向量以得到分类特征向量；
大棚防护分类模块，用于基于所述分类特征向量，以得到防护措施的分类标签，所述分类标签，包括：遮荫、灌溉、通风、降温。
根据本申请的另一方面，还提供了一种基于农业环境数据的农业生产管理方法，其包括：
采集大棚室内实时环境因子数据，包括光照强度、温度、湿度、气压以及二氧化碳浓度数据；
将所述实时环境因子数据转化为向量后通过编码器以得到多个环境因子数据特征向量，并分别提取环境因子数据全局语义特征向量和环境因子数据局部关联特征向量；
融合所述环境因子数据全局语义特征向量和所述环境因子数据局部关联特征向量以得到分类特征向量；
基于所述分类特征向量，以得到防护措施的分类标签，所述分类标签，包括：遮荫、灌溉、通风、降温。
与现有技术相比，本申请提供的一种基于农业环境数据的农业生产管理系统，其通过采集大棚室内实时环境因子数据，如光照强度、温度、湿度、气压和二氧化碳浓度，将这些数据转化为特征向量，并提取全局语义特征向量和局部关联特征向量，然后，通过融合这些特征向量得到分类特征向量，用于对遮荫、灌溉、通风、降温等防护措施进行分类标签，并自动执行相应操作，利用物联网技术和数据分析方法，实现了对农业生产环境的实时监测和智能化管理，提高了农业生产的效率和质量。
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基于农业环境数据的农业生产管理系统的框图示意图。
图2为根据本申请实施例的基于农业环境数据的农业生产管理系统中环境因子提取模块的框图示意图。
图3为根据本申请实施例的基于农业环境数据的农业生产管理系统的架构示意图。
图4为根据本申请实施例的基于农业环境数据的农业生产管理方法的流程图。
具体实施方式
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好地说明本申请，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本申请同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本申请的主旨。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
图1图示了根据本申请实施例的基于农业环境数据的农业生产管理系统的框图示意图。如图1所示，根据本申请实施例的基于农业环境数据的农业生产管理系统100，包括：大棚数据采集模块110，用于采集大棚室内实时环境因子数据，包括光照强度、温度、湿度、气压以及二氧化碳浓度数据；环境因子提取模块120，用于将所述实时环境因子数据转化为向量后通过编码器以得到多个环境因子数据特征向量，并分别提取环境因子数据全局语义特征向量和环境因子数据局部关联特征向量；环境因子融合模块130，用于融合所述环境因子数据全局语义特征向量和所述环境因子数据局部关联特征向量以得到分类特征向量；大棚防护分类模块140，用于基于所述分类特征向量，以得到防护措施的分类标签，所述分类标签，包括：遮荫、灌溉、通风、降温。
在本申请实施例中，大棚数据采集模块110，用于采集大棚室内实时环境因子数据，包括光照强度、温度、湿度、气压以及二氧化碳浓度数据。应可以理解，光照强度是光能的供应量，对光合作用和植物生长具有决定性作用。温度是植物生长过程中一个重要的生理环境因子，影响着植物的种子发芽、生长速度和光合作用等关键生理过程。湿度是指空气中水蒸气的含量，对植物的蒸腾作用和水分吸收具有影响。气压是大气对地面的压力，会影响气体交换和植物的呼吸作用。二氧化碳浓度是植物进行光合作用所需的关键气体，对植物的生长和光合速率有直接影响。通过采集和监测这些环境因子数据，农业生产管理系统可以实时了解大棚内部环境的变化情况，帮助农民或农业管理人员更好地掌握农作物生长的环境条件，及时调整光照、温度、湿度、气压和CO2浓度等参数，以优化农作物的生长环境，提高产量和质量。此外，这些数据也可以用于建立农业生产模型和预测，辅助决策制定和农业管理的科学化和智能化。
在本申请实施例中，环境因子提取模块120，用于将所述实时环境因子数据转化为向量后通过编码器以得到多个环境因子数据特征向量，并分别提取环境因子数据全局语义特征向量和环境因子数据局部关联特征向量。应可以理解，将实时环境因子数据转化为向量，并通过编码器提取特征向量，是为了对环境因子数据进行表示和分析，以便更好地理解和利用这些数据。通过将实时环境因子数据转化为向量，可以将复杂的环境数据表示为数值形式，方便计算机进行处理和分析。向量表示能够将不同类型的环境因子数据统一到相同的数据结构中，便于进行特征提取和模型训练。通过编码器提取多个环境因子数据特征向量，可以捕捉到环境因子数据的不同方面和特征。不同环境因子在农业生产中起着不同的作用，通过提取多个特征向量，可以更全面地描述环境因子数据的特征。例如，全局语义特征向量可以捕捉到整体环境趋势和状态，而局部关联特征向量可以捕捉到环境因子之间的相互关系和相互作用。提取环境因子数据的全局语义特征向量和局部关联特征向量，可以为后续的分类和决策提供更有价值的信息。全局语义特征向量可以反映整体环境状况，有助于对整体趋
相应地，在本申请的一个实施例中，图2图示了根据本申请实施例的基于农业环境数据的农业生产管理系统中环境因子提取模块的框图示意图。如图2所示，在上述基于农业环境数据的农业生产管理系统100中，所述环境因子提取模块120，包括：环境因子上下文编码单元121，将所述实时环境因子数据转化为环境因子数据嵌入向量后通过基于转换器的上下文编码器以得到多个环境因子数据特征向量；环境因子关联单元122，用于将所述多个环境因子数据特征向量分别进行级联和卷积编码以得到环境因子数据全局语义特征向量和环境因子数据局部关联特征向量。
相应地，在本申请一个具体的示例中，所述环境因子上下文编码单元121，将所述实时环境因子数据转化为环境因子数据嵌入向量后通过基于转换器的上下文编码器以得到多个环境因子数据特征向量。应可以理解，环境因子数据嵌入向量是将原始的环境因子数据映射到一个低维向量空间中的表示形式。通过嵌入向量，可以将环境因子数据转化为连续的数值向量，而不是原始的离散数值或文本形式。这样做的好处是能够更好地捕捉环境因子数据的语义信息和特征，使得数据更易于处理和分析。基于转换器的上下文编码器可以对环境因子数据嵌入向量进行编码和建模，从而提取多个环境因子数据特征向量。这样的编码器能够利用自注意力机制来捕捉环境因子数据中的上下文关联信息。通过考虑环境因子数据之间的相互作用和依赖关系，上下文编码器可以生成更丰富和有意义的特征表示。提取多个环境因子数据特征向量可以帮助我们更全面地理解和利用环境因子数据。不同的特征向量可以捕捉到环境因子数据的不同方面和特征，如全局趋势、局部关联、时序模式等。这些特征向量可以用于后续的任务，如分类、预测、决策等，从而提高农业生产管理系统的效能和决策的准确性。
具体地，所述环境因子上下文编码单元，包括：嵌入转化子单元，用于将所述实时环境因子数据通过嵌入层以将所述实时环境因子数据中各个实时环境因子数据转化为环境因子数据嵌入向量以得到环境因子数据嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个实时环境因子数据进行嵌入编码；环境因子编码子单元，用于将所述环境因子数据嵌入向量的序列通过所述基于转换器的上下文编码器以得到所述多个环境因子数据特征向量。
进一步，所述嵌入转化子单元，用于将所述实时环境因子数据通过嵌入层以将所述实时环境因子数据中各个实时环境因子数据转化为环境因子数据嵌入向量以得到环境因子数据嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个实时环境因子数据进行嵌入编码。应可以理解，为了将实时环境因子数据转化为嵌入向量，可以使用可学习的嵌入矩阵。嵌入矩阵是一个参数化的矩阵，其中每一行对应一个实时环境因子数据的嵌入向量。通过将实时环境因子数据与嵌入矩阵相乘，可以将每个实时环境因子数据映射到对应的嵌入向量。具体而言，嵌入层接收实时环境因子数据作为输入，并根据可学习的嵌入矩阵对每个实时环境因子数据进行嵌入编码。这个过程可以看作是将离散的实时环境因子数据映射到连续的嵌入向量空间中。嵌入向量具有较低的维度，但能够保留原始数据的语义信息和特征。通过使用嵌入层和嵌入矩阵，可以将实时环境因子数据转化为环境因子数据嵌入向量的序列。这个序列可以看作是对实时环境因子数据的连续表示，有利于后续的特征提取、模型训练和分析任务。嵌入向量序列可以输入到其他模型或算法中，用于进一步的处理和应用，例如基于转换器的上下文编码器提取特征向量等。
更进一步，所述环境因子编码子单元，用于将所述环境因子数据嵌入向量的序列通过所述基于转换器的上下文编码器以得到所述多个环境因子数据特征向量。应可以理解，基于转换器的上下文编码器(如Transformer模型)是一种强大的序列建模工具，能够捕捉序列数据中的长距离依赖和上下文关系。通过将环境因子数据嵌入向量的序列输入到上下文编码器中，可以对序列进行编码和建模，从而提取多个环境因子数据特征向量。具体而言，基于转换器的上下文编码器通过自注意力机制对输入的环境因子数据嵌入向量序列进行编码。自注意力机制可以对序列中的不同位置进行关注，通过计算每个位置与其他位置之间的关联程度，从而捕捉到序列中的重要信息和上下文关联。通过上下文编码器，可以得到多个环境因子数据特征向量，每个特征向量对应输入序列中的一个位置。这些特征向量可以看作是对环境因子数据的高级表示，其中每个向量包含了与该位置相关的上下文信息和特征。这些特征向量可以用于后续的任务，如分类、预测、聚类等，以实现对环境因子数据的进一步分析和应用。
相应地，在本申请一个具体的示例中，所述环境因子关联单元122，用于将所述多个环境因子数据特征向量分别进行级联和卷积编码以得到环境因子数据全局语义特征向量和环境因子数据局部关联特征向量。应可以理解，通过将多个环境因子数据特征向量级联在一起，可以将它们合并成一个更长的向量，从而捕捉到全局的语义特征。级联编码可以帮助模型理解环境因子数据中不同特征之间的关系和相互作用。例如，如果每个特征向量表示一个时间步的环境因子数据，那么级联编码可以将多个时间步的信息整合在一起，形成一个更全面的时间序列特征。卷积神经网络(CNN)在处理序列数据时具有良好的局部关联性捕捉能力。通过对多个环境因子数据特征向量进行卷积编码，可以提取局部的关联特征。卷积操作可以捕捉到特征向量序列中相邻位置之间的关联关系，通过不同大小的卷积核可以捕捉到不同尺度的局部关联。这有助于模型理解环境因子数据中的局部模式和关联信息。
这样，通过将环境因子数据特征向量进行级联和卷积编码，可以得到环境因子数据的全局语义特征向量和局部关联特征向量。全局语义特征向量表示了整体上的语义信息和趋势，而局部关联特征向量则表示了局部的关联模式和细节。这样的特征向量表示更加综合和丰富，有助于模型对环境因子数据进行更准确的分析、预测和决策。
具体地，所述所述环境因子关联单元，包括：环境因子级联子单元，用于将所述多个环境因子数据特征向量进行级联以得到环境因子数据全局语义特征向量；环境因子卷积编码子单元，用于将所述多个环境因子数据特征向量进行二维排列为环境因子数据特征矩阵后通过基于第一卷积神经网络模型的环境因子特征提取器以得到环境因子数据局部关联特征向量。
进一步，所述环境因子级联子单元，用于将所述多个环境因子数据特征向量进行级联以得到环境因子数据全局语义特征向量。应可以理解，环境因子数据通常包含多个特征，例如温度、湿度、风速等。将这些特征向量级联在一起可以将它们合并成一个更长的向量，从而综合了不同特征的信息。这样可以捕捉到全局的语义特征，使模型能够理解整个环境因子数据的综合情况。如果特征向量表示了时间序列中不同时间步的环境因子数据，将它们级联在一起可以保留时间序列的顺序和时序信息。这对于分析时间相关性和趋势非常重要。级联后的特征向量可以提供更全面的时间序列特征，使模型能够捕捉到时间上的变化和演化。级联多个特征向量可以增加模型的表达能力。通过增加特征向量的维度，模型可以学习到更多的特征组合和关联。这有助于模型更好地理解环境因子数据的整体特征和潜在规律。
具体地，为了确保不同环境因子的特征向量具有相似的尺度和范围，可以对它们进行归一化处理。常见的归一化方法包括将特征向量缩放到0到1的范围或使用标准化方法使其具有零均值和单位方差。将归一化后的环境因子数据特征向量逐个级联起来，形成一个更长的特征向量。级联的方式可以是按顺序将特征向量连接起来，形成一个更长的向量表示。在级联完成后，得到一个包含所有环境因子数据的全局特征向量。这个特征向量将反映整个环境因子数据集的综合特征，并且具有更高的维度。如果全局特征向量的维度过高，可以考虑使用降维技术(如主成分分析、线性判别分析等)将其转换为更低维度的表示。这有助于减少计算复杂度和存储需求，同时保留主要的特征信息。
也就是，针对上述技术问题，通过通过将多个环境因子数据特征向量级联起来得到的一个向量表示。它综合了多个环境因子的信息，反映了整个环境数据集的总体趋势和模式。全局特征向量可以用于表示环境的综合特征，提供更全面的特征表示，支持后续的分类、预测或决策任务。
更进一步，所述环境因子卷积编码子单元，用于将所述多个环境因子数据特征向量进行二维排列为环境因子数据特征矩阵后通过基于第一卷积神经网络模型的环境因子特征提取器以得到环境因子数据局部关联特征向量。应可以理解，将多个环境因子数据特征向量排列成二维矩阵可以利用卷积神经网络对图像或二维数据进行处理的优势。卷积神经网络在处理图像数据时具有良好的局部关联性捕捉能力，可以通过卷积操作捕捉到特征矩阵中不同位置之间的关联关系。将环境因子数据特征向量排列为特征矩阵后，可以利用卷积神经网络的卷积层提取局部关联特征。基于第一卷积神经网络模型的环境因子特征提取器可以通过卷积和池化操作来捕捉环境因子数据中的局部关联特征。卷积层通过滑动卷积核的方式对特征矩阵进行扫描，从而提取出局部特征模式。池化层则用于降低特征矩阵的维度，同时保留重要的特征信息。通过这样的特征提取过程，可以得到环境因子数据的局部关联特征向量，用于后续的任务，如分类、聚类、预测等。将环境因子数据特征向量排列为特征矩阵后，通过卷积操作可以更好地捕捉到特征矩阵中不同位置之间的空间关系。这对于环境因子数据的分析和理解非常重要，因为环境因子的空间分布往往具有一定的规律和相关性。通过基于卷积神经网络的环境因子特征提取器，可以更好地利用空间关系来提取局部关联特征，从而更准确地表示环境因子数据的空间特征。
具体地，所述环境因子卷积编码子单元，包括：卷积二级子单元，用于对输入数据进行卷积处理以得到卷积特征图；池化二级子单元，用于对所述卷积特征图进行沿通道维度的各个特征矩阵的均值池化以得到池化特征图；激活二级子单元，用于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，所述第一卷积神经网络模型的最后一层的输出为所述环境因子数据局部关联特征向量，所述第一卷积神经网络模型的第一层的输入为所述环境因子数据特征矩阵。
在本申请实施例中，环境因子融合模块130，用于融合所述环境因子数据全局语义特征向量和所述环境因子数据局部关联特征向量以得到分类特征向量。应可以理解，环境因子数据的全局语义特征向量捕捉了整个数据集的综合特征，包含了不同特征的综合信息。这些全局特征可以提供关于整个数据集的总体趋势和模式的信息。将全局特征融入分类特征向量中可以帮助模型更好地理解数据的整体特征，并对分类任务提供全局的参考。环境因子数据的局部关联特征向量捕捉了数据中不同位置之间的关联关系和空间模式。这些局部特征可以提供关于数据的局部结构和空间关系的信息。将局部特征融入分类特征向量中可以帮助模型更好地捕捉到数据中的局部模式，并对分类任务提供具体的局部信息。通过融合全局语义特征和局部关联特征，可以得到一个综合的分类特征向量，包含了全局和局部的信息。这种综合特征表示可以更全面地描述环境因子数据，并提供更丰富的特征表达。这有助于提高分类任务的准确性和鲁棒性。
特别地，在本申请技术方案中，考虑到环境因子数据全局语义特征向量是通过将实时环境因子数据转化为环境因子数据嵌入向量，并通过基于转换器的上下文编码器获得的，它反映了环境因子数据的整体语义特征。另一方面，环境因子数据局部关联特征向量是通过将多个环境因子数据特征向量进行二维排列，并通过基于第一卷积神经网络模型的环境因子特征提取器获得的，它反映了环境因子数据的局部关联特征。这两种特征向量在高维特征空间中的数据流形存在几何拓扑差异的原因在于它们所代表的信息属性和特征分布不同。环境因子数据全局语义特征向量主要反映了环境因子数据的整体语义特征，可能在高维特征空间中呈现出一种关于环境因子整体语义特征的特征流形。而环境因子数据局部关联特征向量主要反映了环境因子数据的局部关联特征，可能在高维特征空间中呈现出一种关于环境因子局部关联特征的特征流形。因此，由于这两种特征向量所代表的信息属性和特征分布不同，它们在高维特征空间中可能呈现出不同的几何拓扑结构，这导致了它们在高维空间中存在几何拓扑差异。在进行特征融合和分类任务时，需要特别注意如何处理这种几何拓扑差异，以确保模型能够有效地利用这些特征进行分类。直接融合这两种特征向量可能会导致模型难以准确地区分和利用两者的特征，因为模型需要克服这种几何拓扑差异来有效地学习和利用这些特征。因此，在本申请的技术方案中，对所述环境因子数据全局语义特征向量和所述环境因子数据局部关联特征向量进行特征节点间的拓扑信息匹配，以克服所述环境因子数据全局语义特征向量和所述环境因子数据局部关联特征向量在高维特征空间中的数据流形存在几何拓扑差异的问题。
具体地，所述环境因子融合模块，包括：拓扑信息匹配单元，用于对所述环境因子数据全局语义特征向量和所述环境因子数据局部关联特征向量进行特征节点间的拓扑信息匹配以得到拓扑语义匹配系数；向量加权单元，用于以所述拓扑语义匹配系数作为权重，对所述环境因子数据全局语义特征向量进行加权以得到加权后环境因子数据全局语义特征向量；融合所述加权后环境因子数据全局语义特征向量和所述环境因子数据局部关联特征向量以得到所述分类特征向量。
相应地，所述拓扑信息匹配单元，用于：以如下拓扑信息匹配公式对所述环境因子数据全局语义特征向量和所述环境因子数据局部关联特征向量进行特征节点间的拓扑信息匹配以得到拓扑语义匹配系数；其中，所述拓扑信息匹配公式为：
其中，V1表示所述环境因子数据全局语义特征向量，V2表示所述环境因子数据局部关联特征向量，||·|F 2表示特征向量的Frobenius范数的平方，表示特征向量的按位置相减，⊙表示特征向量的按位置相乘，λ和α是超参数，用于调整使括号内的项大于零，log表示以2为底的对数函数值，w表示所述拓扑语义匹配系数。
也就是，为了获得适于环境因子数据全局语义特征向量的加权系数，在本申请的技术方案中，利用所述环境因子数据局部关联特征向量的秩序性的先验知识，通过所述环境因子数据全局语义特征向量和所述环境因子数据局部关联特征向量的特征节点间的拓扑信息匹配，来实现特征向量之间的语义特征间的平滑过渡。这样，就可以在没有特征向量之间的准确的几何关系表达的情况下，对环境因子数据全局语义特征向量和环境因子数据局部关联特征向量进行特征节点间的拓扑信息匹配，从而提高特征向量之间的语义相似度和一致性。具体地，通过对所述环境因子数据全局语义特征向量和所述环境因子数据局部关联特征向量进行特征节点间的拓扑信息匹配，可以将所述环境因子数据全局语义特征向量和所述环境因子数据局部关联特征向量映射到一个低维的隐空间，利用隐空间中的距离度量和差分运算，来刻画特征向量之间的语义关联，从而实现特征向量之间的语义特征间的平滑过渡。
在本申请实施例中，大棚防护分类模块140，用于基于所述分类特征向量，以得到防护措施的分类标签，所述分类标签，包括：遮荫、灌溉、通风、降温。应可以理解，根据环境因子数据进行分类是一种常见的机器学习任务。通过训练一个分类器，可以将输入的分类特征向量映射到不同的类别或标签，从而实现对环境因子数据的分类。分类器可以根据输入的特征向量学习到不同类别之间的区分特征，然后将新的特征向量映射到最相关的类别。遮荫、灌溉、通风、降温等防护措施是针对环境因子的特定处理方法，用于保护植物、动物或其他目标物体免受不良环境条件的影响。将分类结果用于表示这些防护措施的分类标签意味着将环境因子数据分为不同的类别，每个类别对应于一种特定的防护措施。这样可以帮助决策者或系统根据环境因子数据的分类结果选择适当的防护措施。将分类结果用于表示防护措施的分类标签可以提供实用性和可解释性。通过将环境因子数据分类为不同的防护措施，可以使决策者或系统更容易理解和应用分类结果。这样的分类标签可以指导决策者采取相应的行动，例如在特定的环境条件下选择适当的防护措施，以保护植物、动物或其他目标物体的健康和生存。
具体地，所述所述大棚防护分类模块，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做出对应遮荫、灌溉、通风、降温等防护措施的分类标签。进一步用于：使用所述分类器以如下分类公式对所述分类特征向量进行处理以得到所述分类结果；
其中，所述分类公式为：softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为分类特征向量，softmax表示softmax函数，O表示所述分类结果。
本申请实施例还提供了一种系统架构图，具体如图3所示。图3为根据本申请实施例的基于农业环境数据的农业生产管理系统的架构示意图，在该系统架构中，首先，采集大棚室内实时环境因子数据，包括光照强度、温度、湿度、气压以及二氧化碳浓度数据。然后，将所述实时环境因子数据转化为环境因子数据嵌入向量后通过基于转换器的上下文编码器以得到多个环境因子数据特征向量。再然后，将所述多个环境因子数据特征向量进行级联以得到环境因子数据全局语义特征向量。接着，将所述多个环境因子数据特征向量进行二维排列为环境因子数据特征矩阵后通过基于第一卷积神经网络模型的环境因子特征提取器以得到环境因子数据局部关联特征向量。紧接着，融合所述环境因子数据全局语义特征向量和所述环境因子数据局部关联特征向量以得到分类特征向量。最后，基于所述分类特征向量，以得到防护措施的分类标签，所述分类标签，包括：遮荫、灌溉、通风、降温。
综上，基于本申请实施例的所述基于农业环境数据的农业生产管理系统，其通过采集大棚室内实时环境因子数据，如光照强度、温度、湿度、气压和二氧化碳浓度，将这些数据转化为特征向量，并提取全局语义特征向量和局部关联特征向量，然后，通过融合这些特征向量得到分类特征向量，用于对遮荫、灌溉、通风、降温等防护措施进行分类标签，并自动执行相应操作，利用物联网技术和数据分析方法，实现了对农业生产环境的实时监测和智能化管理，提高了农业生产的效率和质量。
如上所述，根据本申请实施例的所述基于农业环境数据的农业生产管理系统100可以实现在各种终端设备中，例如基于农业环境数据的农业生产管理系统的服务器等。在一个示例中，根据基于农业环境数据的农业生产管理系统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，该基于农业环境数据的农业生产管理系统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，该基于农业环境数据的农业生产管理系统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，该基于农业环境数据的农业生产管理系统100与该终端设备也可以是分立的设备，并且该基于农业环境数据的农业生产管理系统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。
图4为根据本申请实施例的基于农业环境数据的农业生产管理方法的流程图。如图4所示，根据本申请实施例的基于农业环境数据的农业生产管理方法，包括：S110，采集大棚室内实时环境因子数据，包括光照强度、温度、湿度、气压以及二氧化碳浓度数据；S120，将所述实时环境因子数据转化为向量后通过编码器以得到多个环境因子数据特征向量，并分别提取环境因子数据全局语义特征向量和环境因子数据局部关联特征向量；S130，融合所述环境因子数据全局语义特征向量和所述环境因子数据局部关联特征向量以得到分类特征向量；S140，基于所述分类特征向量，以得到防护措施的分类标签，所述分类标签，包括：遮荫、灌溉、通风、降温。
这里，本领域技术人员可以理解，上述基于农业环境数据的农业生产管理方法中的各个步骤的具体操作已经在上面参考图1到图3的基于农业环境数据的农业生产管理系统的描述中得到了详细介绍，并因此，将省略其重复描述。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开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公开为必须采用上述具体的细节来实现。
本公开中涉及的器件、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。
另外，如在此使用的，在以“至少一个”开始的项的列举中使用的“或”指示分离的列举，以便例如“A、B或C的至少一个”的列举意味着A或B或C，或AB或AC或BC，或ABC(即A和B和C)。此外，措辞“示例的”不意味着描述的例子是优选的或者比其他例子更好。
还需要指出的是，在本公开的系统和方法中，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公开的等效方案。
可以不脱离由所附权利要求定义的教导的技术而进行对在此所述的技术的各种改变、替换和更改。此外，本公开的权利要求的范围不限于以上所述的处理、机器、制造、事件的组成、手段、方法和动作的具体方面。可以利用与在此所述的相应方面进行基本相同的功能或者实现基本相同的结果的当前存在的或者稍后要开发的处理、机器、制造、事件的组成、手段、方法或动作。因而，所附权利要求包括在其范围内的这样的处理、机器、制造、事件的组成、手段、方法或动作。
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公开。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公开的范围。因此，本公开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，此描述不意图将本公开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)

1.一种基于农业环境数据的农业生产管理系统，其特征在于，包括：
大棚数据采集模块，用于采集大棚室内实时环境因子数据，包括光照强度、温度、湿度、气压以及二氧化碳浓度数据；
环境因子提取模块，用于将所述实时环境因子数据转化为向量后通过编码器以得到多个环境因子数据特征向量，并分别提取环境因子数据全局语义特征向量和环境因子数据局部关联特征向量；
环境因子融合模块，用于融合所述环境因子数据全局语义特征向量和所述环境因子数据局部关联特征向量以得到分类特征向量；
大棚防护分类模块，用于基于所述分类特征向量，以得到防护措施的分类标签，所述分类标签，包括：遮荫、灌溉、通风、降温。
2.根据权利要求1所述的基于农业环境数据的农业生产管理系统，其特征在于，所述环境因子提取模块，包括：
环境因子上下文编码单元，将所述实时环境因子数据转化为环境因子数据嵌入向量后通过基于转换器的上下文编码器以得到多个环境因子数据特征向量；
环境因子关联单元，用于将所述多个环境因子数据特征向量分别进行级联和卷积编码以得到环境因子数据全局语义特征向量和环境因子数据局部关联特征向量。
3.根据权利要求2所述的基于农业环境数据的农业生产管理系统，其特征在于，所述环境因子上下文编码单元，包括：
嵌入转化子单元，用于将所述实时环境因子数据通过嵌入层以将所述实时环境因子数据中各个实时环境因子数据转化为环境因子数据嵌入向量以得到环境因子数据嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个实时环境因子数据进行嵌入编码；
环境因子编码子单元，用于将所述环境因子数据嵌入向量的序列通过所述基于转换器的上下文编码器以得到所述多个环境因子数据特征向量。
4.根据权利要求3所述的基于农业环境数据的农业生产管理系统，其特征在于，所述环境因子关联单元，包括：
环境因子级联子单元，用于将所述多个环境因子数据特征向量进行级联以得到环境因子数据全局语义特征向量；
环境因子卷积编码子单元，用于将所述多个环境因子数据特征向量进行二维排列为环境因子数据特征矩阵后通过基于第一卷积神经网络模型的环境因子特征提取器以得到环境因子数据局部关联特征向量。
5.根据权利要求4所述的基于农业环境数据的农业生产管理系统，其特征在于，所述环境因子卷积编码子单元，包括：
卷积二级子单元，用于对输入数据进行卷积处理以得到卷积特征图；
池化二级子单元，用于对所述卷积特征图进行沿通道维度的各个特征矩阵的均值池化以得到池化特征图；
激活二级子单元，用于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，所述第一卷积神经网络模型的最后一层的输出为所述环境因子数据局部关联特征向量，所述第一卷积神经网络模型的第一层的输入为所述环境因子数据特征矩阵。
6.根据权利要求5所述的基于农业环境数据的农业生产管理系统，其特征在于，所述环境因子融合模块，包括：
拓扑信息匹配单元，用于对所述环境因子数据全局语义特征向量和所述环境因子数据局部关联特征向量进行特征节点间的拓扑信息匹配以得到拓扑语义匹配系数；
向量加权单元，用于以所述拓扑语义匹配系数作为权重，对所述环境因子数据全局语义特征向量进行加权以得到加权后环境因子数据全局语义特征向量；
融合所述加权后环境因子数据全局语义特征向量和所述环境因子数据局部关联特征向量以得到所述分类特征向量。
7.根据权利要求6所述的基于农业环境数据的农业生产管理系统，其特征在于，所述拓扑信息匹配单元，用于：以如下拓扑信息匹配公式对所述环境因子数据全局语义特征向量和所述环境因子数据局部关联特征向量进行特征节点间的拓扑信息匹配以得到拓扑语义匹配系数；
其中，所述拓扑信息匹配公式为：
其中，V1表示所述环境因子数据全局语义特征向量，V2表示所述环境因子数据局部关联特征向量，·F 2表示特征向量的Frobenius范数的平方，表示特征向量的按位置相减，⊙表示特征向量的按位置相乘，λ和α是超参数，log表示以2为底的对数函数值，w表示所述拓扑语义匹配系数。
8.根据权利要求7所述的基于农业环境数据的农业生产管理系统，其特征在于，所述大棚防护分类模块，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做出对应遮荫、灌溉、通风、降温等防护措施的分类标签。
9.根据权利要求8所述的基于农业环境数据的农业生产管理系统，其特征在于，所述大棚防护分类模块，用于：使用所述分类器以如下分类公式对所述分类特征向量进行处理以得到所述分类结果；
其中，所述分类公式为：softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为分类特征向量，softmax表示softmax函数，O表示所述分类结果。
10.一种基于农业环境数据的农业生产管理方法，其特征在于，包括：
采集大棚室内实时环境因子数据，包括光照强度、温度、湿度、气压以及二氧化碳浓度数据；
将所述实时环境因子数据转化为向量后通过编码器以得到多个环境因子数据特征向量，并分别提取环境因子数据全局语义特征向量和环境因子数据局部关联特征向量；
融合所述环境因子数据全局语义特征向量和所述环境因子数据局部关联特征向量以得到分类特征向量；
基于所述分类特征向量，以得到防护措施的分类标签，所述分类标签，包括：遮荫、灌溉、通风、降温。
CN202311809891.0A 2023-12-26 2023-12-26 一种基于农业环境数据的农业生产管理系统 Pending CN117541422A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311809891.0A CN117541422A (zh) 2023-12-26 2023-12-26 一种基于农业环境数据的农业生产管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311809891.0A CN117541422A (zh) 2023-12-26 2023-12-26 一种基于农业环境数据的农业生产管理系统

Publications (1)

Publication Number Publication Date
CN117541422A true CN117541422A (zh) 2024-02-09

Family

ID=89792197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311809891.0A Pending CN117541422A (zh) 2023-12-26 2023-12-26 一种基于农业环境数据的农业生产管理系统

Country Status (1)

Country Link
CN (1) CN117541422A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117829381A (zh) * 2024-03-05 2024-04-05 成都农业科技职业学院 基于物联网的农业大棚数据优化采集系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117829381A (zh) * 2024-03-05 2024-04-05 成都农业科技职业学院 基于物联网的农业大棚数据优化采集系统
CN117829381B (zh) * 2024-03-05 2024-05-14 成都农业科技职业学院 基于物联网的农业大棚数据优化采集系统

Similar Documents

Publication Publication Date Title
Fan et al. The future of Internet of Things in agriculture: Plant high-throughput phenotypic platform
Lin et al. The pest and disease identification in the growth of sweet peppers using faster R-CNN and mask R-CNN
CN107169621A (zh) 一种水体溶解氧预测方法及装置
CN117540908B (zh) 基于大数据的农业资源整合方法和系统
CN117541422A (zh) 一种基于农业环境数据的农业生产管理系统
CN117073768B (zh) 肉牛养殖管理系统及其方法
CN111127423A (zh) 一种基于cnn-bp神经网络算法水稻病虫害识别方法
CN115115830A (zh) 一种基于改进Transformer的家畜图像实例分割方法
CN117743975A (zh) 山坡耕地土壤环境改良方法
CN117455939A (zh) 遥感卫星图像的耕地边界提取方法
CN116977862A (zh) 一种植物生长阶段视频检测方法
Araneta et al. Controlled Environment for Spinach Cultured Plant with Health Analysis using Machine Learning
Dahiya et al. An effective detection of litchi disease using deep learning
Nayem et al. Detection and Identification of Rice Pests Using Memory Efficient Convolutional Neural Network
He et al. CMENet: A Cross-Modal Enhancement Network for Tobacco Leaf Grading
CN110210376A (zh) 一种基于深度学习的高分遥感影像西北地区农膜提取方法
CN115828181A (zh) 基于深度学习算法的马铃薯病害种类识别方法
Zhang Weed recognition method based on hybrid cnn-transformer model
Yang et al. Automatic detection of green litchi based on YOLOV3, YOLOV4, YOLOV5-S and YOLOV5-X deep learning algorithm
Khaparde et al. PLANT CHECK: POTATO LEAF DISEASE DETECTION USING CNN MODEL
Dong et al. Research on graded diagnosis of lettuce water-nitrogen stress and pest prevention based on deep learning
CN111144464B (zh) 基于CNN-Kmeans算法水果自动识别方法
Chang et al. Target-Aware Yield Prediction (TAYP) Model Used to Improve Agriculture Crop Productivity
Zhang et al. Detection of rice spikelet flowering for hybrid rice seed production using hyperspectral technique and machine learning
CN118072251B (zh) 一种烟草病虫害识别方法、介质及系统

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