CN117557397A - 基于仓库害虫智能化ai监测的消杀控制方法及系统 - Google Patents
基于仓库害虫智能化ai监测的消杀控制方法及系统 Download PDFInfo
- Publication number
- CN117557397A CN117557397A CN202311677200.6A CN202311677200A CN117557397A CN 117557397 A CN117557397 A CN 117557397A CN 202311677200 A CN202311677200 A CN 202311677200A CN 117557397 A CN117557397 A CN 117557397A
- Authority
- CN
- China
- Prior art keywords
- pest
- killing
- knowledge
- warehouse
- data
- 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
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 277
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 238000004659 sterilization and disinfection Methods 0.000 title claims description 46
- 230000002147 killing effect Effects 0.000 claims abstract description 165
- 230000000694 effects Effects 0.000 claims abstract description 85
- 230000008569 process Effects 0.000 claims abstract description 39
- 238000003745 diagnosis Methods 0.000 claims abstract description 33
- 239000013598 vector Substances 0.000 claims description 39
- 230000007613 environmental effect Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 25
- 230000006399 behavior Effects 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 14
- 230000001954 sterilising effect Effects 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 241000002026 Apamea apamiformis Species 0.000 description 31
- 235000013339 cereals Nutrition 0.000 description 13
- 235000012054 meals Nutrition 0.000 description 8
- 241001340903 Pyralis farinalis Species 0.000 description 6
- 238000005286 illumination Methods 0.000 description 6
- 241000209094 Oryza Species 0.000 description 5
- 235000007164 Oryza sativa Nutrition 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 5
- 239000002917 insecticide Substances 0.000 description 5
- 235000009566 rice Nutrition 0.000 description 5
- 241000238631 Hexapoda Species 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 241000353522 Earias insulana Species 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 208000012260 Accidental injury Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000361 pesticidal effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241000426497 Chilo suppressalis Species 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- ZNOLGFHPUIJIMJ-UHFFFAOYSA-N fenitrothion Chemical compound COP(=S)(OC)OC1=CC=C([N+]([O-])=O)C(C)=C1 ZNOLGFHPUIJIMJ-UHFFFAOYSA-N 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
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
- G06F18/24—Classification techniques
-
- 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
-
- 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
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Catching Or Destruction (AREA)
Abstract
本申请实施例提供一种基于仓库害虫智能化AI监测的消杀控制方法及系统，通过获取目标仓库害虫的消杀控制依据数据，包括历史害虫特征数据和环境特征数据，以及基于害虫与仓库环境活动强度的害虫特征标签，更准确地理解和预测害虫行为，并基于AI诊断网络能够独立处理不同种类的害虫问题，通过嵌入单元提取消杀知识特征，估计单元通过特征选择分支、注意力分支和全连接分支进行复杂的决策过程，生成具体的消杀知识点决策数据，反映了针对目标仓库害虫在目标仓库环境中实施的害虫行为活动所对应的消杀控制数据，并在符合消杀控制实施要求时对目标仓库环境的消杀设备进行控制操作。由此，能够实现对仓库害虫的智能化、精确化控制，显著提高消杀效果。
Description
技术领域
本申请涉及人工智能技术领域，具体而言，涉及一种基于仓库害虫智能化AI监测的消杀控制方法及系统。
背景技术
在粮食储存领域，如何有效地控制仓库害虫一直是一个重要而又具有挑战性的问题。传统的害虫消杀控制方法通常依赖人工进行数据收集和决策制定，这不仅耗时费力，而且由于环境条件和害虫种类的多样性，常常难以实现精确的消杀效果。
近年来，随着人工智能技术的发展，尤其是深度学习和机器学习技术的应用，使得对复杂数据进行处理和分析成为可能。然而，如何将这些先进的技术应用于害虫消杀领域，从而提高消杀的精准度和效率，仍是一个待解决的问题。
发明内容
为了至少克服现有技术中的上述不足，本申请的目的在于提供一种基于仓库害虫智能化AI监测的消杀控制方法及系统。
第一方面，本申请提供一种基于仓库害虫智能化AI监测的消杀控制方法，应用于智能化AI系统，所述方法包括：
获取目标仓库害虫的消杀控制依据数据，所述消杀控制依据数据包括所述目标仓库害虫的历史害虫特征数据以及目标仓库环境的环境特征数据；
获取所述目标仓库害虫的害虫特征标签，所述害虫特征标签是依据仓库害虫与仓库环境的活动强度对所述仓库害虫进行特征区分的标签；
将所述消杀控制依据数据加载至AI诊断网络；所述AI诊断网络包含嵌入单元和多个估计单元；所述多个估计单元与多个害虫特征标签分别存在唯一映射关系；所述嵌入单元用于从所述AI诊断网络的消杀控制依据加载数据中提取消杀知识特征；所述估计单元包含特征选择分支、注意力分支以及全连接分支，所述特征选择分支用于从所述消杀知识特征中提取组合消杀知识字段特征，所述注意力分支用于依据所述消杀知识特征分配注意力参数，所述注意力参数对应所述组合消杀知识字段特征中各个消杀知识字段的知识矢量的影响因子，所述全连接分支用于依据所述组合消杀知识字段特征以及所述注意力参数输出消杀知识点决策数据；所述消杀知识点决策数据反映决策的针对所述目标仓库害虫对所述目标仓库环境实施的害虫行为活动所对应的消杀控制数据；
如果所述AI诊断网络中的第一估计单元的所述消杀知识点决策数据符合消杀控制实施要求，对所述目标仓库环境的消杀设备进行第一控制操作；所述第一估计单元是与所述目标仓库害虫的害虫特征标签所映射的所述估计单元。
在第一方面的一种可能的实施方式中，所述AI诊断网络是依据多个模板仓库害虫的样例模型学习数据进行知识学习生成的神经网络，所述多个模板仓库害虫中包含多个害虫特征标签的仓库害虫；所述样例模型学习数据包括所述模板仓库害虫的历史害虫特征数据以及模板仓库环境的环境特征数据。
在第一方面的一种可能的实施方式中，所述历史害虫特征数据中包含害虫活动特征信息，所述害虫活动特征信息反映仓库害虫与仓库环境的活动强度；
所述特征选择分支包含多个特征选择子分支，所述组合消杀知识字段特征由所述多个特征选择子分支生成的消杀知识字段特征进行组合获得；
所述消杀知识特征中包含与所述目标仓库害虫的害虫活动特征信息所映射的第一知识矢量，以及，与所述历史害虫特征数据中除了所述害虫活动特征信息以外的其它特征信息所映射的第二知识矢量；
所述注意力分支包括第一领域注意力子分支和第二领域注意力子分支；所述注意力参数包括所述多个特征选择子分支对应的第一注意力参数，以及，所述组合消杀知识字段特征中的每个消杀知识字段的消杀知识字段特征对应的第二注意力参数；
所述第一领域注意力子分支，用于基于所述第一知识矢量分配所述第一注意力参数；
所述第二领域注意力子分支，关于基于所述第二知识矢量分配所述第二注意力参数；
所述全连接分支，用于依据所述第一注意力参数对所述多个特征选择子分支分别生成的消杀知识字段特征进行权重因子分配，以及，依据所述第二注意力参数对所述组合消杀知识字段特征中的每个消杀知识字段的消杀知识字段特征进行权重因子分配，生成融合权重后的组合消杀知识字段特征，依据所述融合权重后的组合消杀知识字段特征输出消杀知识点决策数据。
在第一方面的一种可能的实施方式中，所述消杀知识点决策数据中包含K个消杀决策进程分别对应的子决策数据；K为不小于2的整数；
所述全连接分支中包含K个全连接单位分支，所述K个全连接单位分支与所述K个消杀决策进程分别存在唯一映射关系；
所述注意力分支包括K个所述第一领域注意力子分支，以及K个所述第二领域注意力子分支；K个所述第一领域注意力子分支与所述K个消杀决策进程分别存在唯一映射关系，K个所述第二领域注意力子分支与所述K个消杀决策进程分别存在唯一映射关系；
所述全连接单位分支，用于依据对应的所述第一领域注意力子分支生成的所述第一注意力参数对所述多个特征选择子分支分别生成的消杀知识字段特征进行权重因子分配，以及，依据对应的所述第二领域注意力子分支生成的所述第二注意力参数对所述组合消杀知识字段特征中的每个消杀知识字段的消杀知识字段特征进行权重因子分配，生成所述融合权重后的组合消杀知识字段特征，依据所述融合权重后的组合消杀知识字段特征输出对应的消杀决策进程的所述子决策数据。
在第一方面的一种可能的实施方式中，所述估计单元中还包含与K个所述第二领域注意力子分支，以及所述多个特征选择子分支分别对应的分配子分支；
所述分配子分支，用于对所述第二知识矢量中的各个消杀知识字段的知识矢量进行权重因子分配，并将权重因子分配后的知识矢量输入对应的所述第二领域注意力子分支或者所述特征选择子分支；
所述第二领域注意力子分支，用于基于对应的所述分配子分支生成的所述权重因子分配后的知识矢量，生成所述第二注意力参数；
所述特征选择子分支，用于基于对应的所述分配子分支生成的所述权重因子分配后的知识矢量，生成所述消杀知识字段特征。
在第一方面的一种可能的实施方式中，所述K个消杀决策进程包括以下进程中的至少两个进程：
决策所述目标仓库害虫有效位于所述目标仓库环境中每个环境位置的置信度；
决策所述目标仓库害虫有效位于所述目标仓库环境的持续时间；
以及，决策所述目标仓库害虫对所述目标仓库环境执行有效害虫活动的置信度。
在第一方面的一种可能的实施方式中，所述多个害虫特征标签对应各自的害虫活动程度；
所述如果所述AI诊断网络中的第一估计单元的所述消杀知识点决策数据符合消杀控制实施要求，对所述目标仓库环境的消杀设备进行第一控制操作，包括：
获取所述AI诊断网络中的第二估计单元的所述消杀知识点决策数据；所述第二估计单元是依据害虫活动程度进行排列的所述多个害虫特征标签中，与所述目标仓库害虫的害虫特征标签关联的害虫特征标签对应的所述估计单元；
对所述第一估计单元的所述消杀知识点决策数据，与所述第二估计单元的所述消杀知识点决策数据进行权重因子分配，生成更新后的消杀知识点决策数据；
如果所述更新后的消杀知识点决策数据符合所述消杀控制实施要求，对所述目标仓库环境的消杀设备进行第一控制操作。
在第一方面的一种可能的实施方式中，所述AI诊断网络中还包含控制分支，所述控制分支位于所述嵌入单元和所述多个估计单元之间；
所述方法还包括：
将所述目标仓库害虫的害虫特征标签加载至所述控制分支；
所述控制分支，用于基于所述目标仓库害虫的害虫特征标签，将所述嵌入单元提取出的所述消杀知识特征，加载至与所述目标仓库害虫的害虫特征标签相关联的所述估计单元。
在第一方面的一种可能的实施方式中，所述将所述消杀控制依据数据加载至AI诊断网络之前，还包括：
将第一样例模型学习数据加载至所述AI诊断网络；
获取所述AI诊断网络中的第三估计单元的训练消杀知识点数据；所述第三估计单元是第一模板仓库害虫的害虫特征标签对应的所述估计单元；所述第一模板仓库害虫是所述多个模板仓库害虫中的任意一个仓库害虫，所述第一样例模型学习数据是所述多个模板仓库害虫的所述样例模型学习数据中，与所述第一模板仓库害虫对应的所述样例模型学习数据；所述训练消杀知识点数据反映决策的所述第一模板仓库害虫对所述第一样例模型学习数据中的所述模板仓库环境实施的害虫行为活动所对应的消杀控制数据；
依据所述训练消杀知识点数据，以及在先进行专家知识确定的所述第一模板仓库害虫对所述第一样例模型学习数据中的所述模板仓库环境实施的害虫行为活动所对应的消杀控制数据，获取训练代价参数；
依据所述训练代价参数，对所述AI诊断网络进行训练。
第二方面，本申请实施例还提供一种智能化AI系统，所述智能化AI系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有计算机程序，所述计算机程序依据该处理器加载并执行以实现以上第一方面的基于仓库害虫智能化AI监测的消杀控制方法。
依据以上任意方面的技术方案，通过获取目标仓库害虫的消杀控制依据数据，包括历史害虫特征数据和环境特征数据，以及基于害虫与仓库环境活动强度的害虫特征标签，可以更准确地理解和预测害虫行为。AI诊断网络包含嵌入单元和多个估计单元，每个估计单元与一个特定的害虫特征标签有唯一映射关系，这使得网络能够独立处理不同种类的害虫问题。嵌入单元提取消杀知识特征，而估计单元通过特征选择分支、注意力分支和全连接分支进行复杂的决策过程，生成具体的消杀知识点决策数据，反映了针对目标仓库害虫在目标仓库环境中实施的害虫行为活动所对应的消杀控制数据。如果这些消杀知识点决策数据符合消杀控制实施要求，那么就会对目标仓库环境的消杀设备进行控制操作。这个过程可以自动进行，大大提高了害虫消杀的效率和精确度。由此，本申请通过引入AI诊断网络，并结合历史害虫特征数据和环境特征数据，能够实现对仓库害虫的智能化、精确化控制，显著提高了消杀效果，减少了误伤和资源浪费。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要启用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，针对本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以依据这些附图获得其它相关的附图。
图1为本申请实施例提供的基于仓库害虫智能化AI监测的消杀控制方法的流程示意图；
图2为本申请实施例提供的用于实现上述的基于仓库害虫智能化AI监测的消杀控制方法的智能化AI系统的功能结构示意框图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和依据本申请，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围时，本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此，本申请并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。
参见图1所示，本申请提供一种基于仓库害虫智能化AI监测的消杀控制方法，包括以下步骤。
步骤S110，获取目标仓库害虫的消杀控制依据数据，所述消杀控制依据数据包括所述目标仓库害虫的历史害虫特征数据以及目标仓库环境的环境特征数据。
例如，对于某个粮食储存仓库而言，假设过去几个月检测到了有不同类型的害虫（如米虫、粉螟等）出现在该粮食储存仓库里，为了更有效地消除这些仓库害虫，可以收集关于这些目标仓库害虫的历史害虫特征数据（例如，何时出现、数量、偏好的粮食类型等）和目标仓库环境的环境特征数据（例如，目标仓库环境的湿度、温度、光照情况等）。这些目标仓库害虫的历史害虫特征数据以及目标仓库环境的环境特征数据将作为消杀控制的依据。
示例性的，对于历史害虫特征数据而言，可能意味着需要收集过去一段时间内关于粉螟和米虫等害虫的信息。例如，它们首次出现的日期、出现的频率、数量增长速度、对哪种类型的粮食偏好、是否存在季节性活动模式等。这些数据可以通过人工观察记录或者安装有害虫监测设备来收集。
对于仓库环境特征数据而言，在这个粮食储存仓库中，需要了解该粮食储存仓库的环境特点，如温度、湿度、光照情况、通风状况等。例如，仓库平均温度、湿度变化范围、仓库平均温度、湿度变化范围影响粉螟和米虫的活动和繁殖的状态特征，这些环境特征数据可以通过安装温湿度传感器等设备来收集。这些历史害虫特征数据和仓库环境特征数据将一同成为消杀控制的依据。例如，如果发现在温度较高、湿度较低的环境下，粉螟的活动强度大、繁殖速度快，那么在接下来的消杀控制中，就需要考虑如何调整仓库的环境（降低温度、提高湿度），或者针对性地使用对付粉螟的杀虫剂。
步骤S120，获取所述目标仓库害虫的害虫特征标签，所述害虫特征标签是依据仓库害虫与仓库环境的活动强度对所述仓库害虫进行特征区分的标签。
例如，如果发现粉螟主要在温度较高、湿度较低的环境下活动强度大。因此，那么可以给粉螟打上“高温、低湿度、活动强度大”的特征标签。
步骤S130，将所述消杀控制依据数据加载至AI诊断网络。所述AI诊断网络包含嵌入单元和多个估计单元。所述多个估计单元与多个害虫特征标签分别存在唯一映射关系。所述嵌入单元用于从所述AI诊断网络的消杀控制依据加载数据中提取消杀知识特征。所述估计单元包含特征选择分支、注意力分支以及全连接分支，所述特征选择分支用于从所述消杀知识特征中提取组合消杀知识字段特征，所述注意力分支用于依据所述消杀知识特征分配注意力参数，所述注意力参数对应所述组合消杀知识字段特征中各个消杀知识字段的知识矢量的影响因子，所述全连接分支用于依据所述组合消杀知识字段特征以及所述注意力参数输出消杀知识点决策数据。所述消杀知识点决策数据反映决策的针对所述目标仓库害虫对所述目标仓库环境实施的害虫行为活动所对应的消杀控制数据。
例如，可以使用一个AI诊断网络来帮助管理粮食仓库的害虫问题。本实施例中，可以将收集的历史害虫特征数据和仓库环境特征数据加载到这个AI诊断网络中。这个AI诊断网络包括嵌入单元（用于从数据中提取消杀知识特征）和多个估计单元（每个害虫特征标签都有一个与之唯一映射的估计单元）。每个估计单元包含特征选择分支（用于从消杀知识特征中提取组合消杀知识字段特征）、注意力分支（用于根据消杀知识特征分配注意力参数，这些参数影响各个消杀知识字段的知识矢量）和全连接分支（用于输出消杀知识点决策数据，反映目标仓库害虫对仓库环境实施的害虫行为活动所对应的消杀控制数据）。
示例性的，所述嵌入单元负责从提供的消杀控制依据数据（包括历史害虫特征数据和仓库环境特征数据）中提取出消杀知识特征。这可以理解为把原始数据转化为AI可以理解和处理的形式。例如，"高湿度、低光照、活动强度大"、首次出现的日期、出现的频率、数量增长速度、对哪种类型的粮食偏好、是否存在季节性活动模式，这些特征被转化为一种数值化的表达，方便后续处理。每一个估计单元都对应一个害虫特征标签，并且包含三个分支，分别是特征选择分支、注意力分支以及全连接分支。特征选择分支的作用是从消杀知识特征中提取组合消杀知识字段特征。比如，通过比较和权重分配，确定“湿度”和“光照”对于米虫活动的影响大于其它因素，因此，选择它们作为组合消杀知识字段特征。注意力分支的任务是依据消杀知识特征分配注意力参数，这些注意力参数影响各个消杀知识字段的权重。例如，如果显示湿度对米虫活动影响更大，那么“湿度”这一字段就会被分配更高的注意力参数。全连接分支可以利用上述的组合消杀知识字段特征以及注意力参数，生成最后的消杀知识点决策数据。例如，根据上述因素，全连接分支可能得出结论：当前仓库环境下，米虫活动强度将会增加，需要采取措施进行控制。以上三个分支协同工作，共同生成了反映米虫在当前仓库环境中可能行为的决策数据，为接下来的害虫消杀提供依据。
步骤S140，如果所述AI诊断网络中的第一估计单元的所述消杀知识点决策数据符合消杀控制实施要求，对所述目标仓库环境的消杀设备进行第一控制操作。所述第一估计单元是与所述目标仓库害虫的害虫特征标签所映射的所述估计单元。
例如，AI诊断网络经过计算后发现，当前目标仓库环境的环境条件下，粉螟可能会大量繁殖。因此，推荐调高温度、增加湿度，以抑制粉螟的活动。如果这个消杀知识点决策数据符合的消杀控制实施要求，就会对目标仓库环境的环境调节设备（如加湿器、空调等）进行操作，实施推荐的控制策略。
基于以上步骤，通过获取目标仓库害虫的消杀控制依据数据，包括历史害虫特征数据和环境特征数据，以及基于害虫与仓库环境活动强度的害虫特征标签，可以更准确地理解和预测害虫行为。AI诊断网络包含嵌入单元和多个估计单元，每个估计单元与一个特定的害虫特征标签有唯一映射关系，这使得网络能够独立处理不同种类的害虫问题。嵌入单元提取消杀知识特征，而估计单元通过特征选择分支、注意力分支和全连接分支进行复杂的决策过程，生成具体的消杀知识点决策数据，反映了针对目标仓库害虫在目标仓库环境中实施的害虫行为活动所对应的消杀控制数据。如果这些消杀知识点决策数据符合消杀控制实施要求，那么就会对目标仓库环境的消杀设备进行控制操作。这个过程可以自动进行，大大提高了害虫消杀的效率和精确度。由此，本申请通过引入AI诊断网络，并结合历史害虫特征数据和环境特征数据，能够实现对仓库害虫的智能化、精确化控制，显著提高了消杀效果，减少了误伤和资源浪费。
在一种可能的实施方式中，所述AI诊断网络是依据多个模板仓库害虫的样例模型学习数据进行知识学习生成的神经网络，所述多个模板仓库害虫中包含多个害虫特征标签的仓库害虫。所述样例模型学习数据包括所述模板仓库害虫的历史害虫特征数据以及模板仓库环境的环境特征数据。
例如，首先，有多个模板仓库环境，这些模板仓库环境中存在各种不同的模板仓库害虫，比如米虫、粉螟等。每种模板仓库害虫都有其害虫特征标签，如“高温、低湿度、活动强度大”对应粉螟，“中温、中湿度、活动强度中”对应米虫。然后，可以基于这些模板仓库环境收集样例模型学习数据，这包括模板仓库害虫的历史害虫特征数据和模板仓库环境的环境特征数据。以粮食仓库为例，历史害虫特征数据可能包括米虫和粉螟在过去几个月内的数量变化、繁殖能力、活动规律等。环境特征数据可能包括仓库的平均温度、湿度变化范围、光照情况等。接着，这些样例模型学习数据被用于训练AI诊断网络。神经网络通过学习这些样例模型学习数据，理解并记住了各种害虫在不同环境条件下的行为模式、繁殖规律等，以及不同环境条件对害虫行为的影响。例如，AI诊断网络可能学到在高温、低湿度条件下，粉螟的活动强度会增大，繁殖速度会加快。最后，经过训练的AI诊断网络就可以用于诊断和控制实际仓库中的害虫问题。例如，当将新的仓库环境数据和害虫特征数据输入到AI诊断网络中时，可以根据之前的学习，预测接下来害虫的活动情况，并给出相应的消杀控制建议。
在一种可能的实施方式中，所述历史害虫特征数据中包含害虫活动特征信息，所述害虫活动特征信息反映仓库害虫与仓库环境的活动强度。
所述特征选择分支包含多个特征选择子分支，所述组合消杀知识字段特征由所述多个特征选择子分支生成的消杀知识字段特征进行组合获得。
例如，历史害虫特征数据中的害虫活动特征信息可能包括米虫和粉螟在不同温度、湿度、光照强度下的活动情况。比如，在高湿度、低光照条件下，米虫的活动强度大。
在AI诊断网络中，特征选择分支可以进一步细分为多个子分支，每个子分支负责提取一种或几种特定的消杀知识字段特征。例如，一个子分支专门处理关于温度的特征，另一个子分支处理关于湿度的特征。
所述消杀知识特征中包含与所述目标仓库害虫的害虫活动特征信息所映射的第一知识矢量，以及，与所述历史害虫特征数据中除了所述害虫活动特征信息以外的其它特征信息所映射的第二知识矢量。
所述注意力分支包括第一领域注意力子分支和第二领域注意力子分支。所述注意力参数包括所述多个特征选择子分支对应的第一注意力参数，以及，所述组合消杀知识字段特征中的每个消杀知识字段的消杀知识字段特征对应的第二注意力参数。
所述第一领域注意力子分支，用于基于所述第一知识矢量分配所述第一注意力参数。
所述第二领域注意力子分支，关于基于所述第二知识矢量分配所述第二注意力参数。
所述全连接分支，用于依据所述第一注意力参数对所述多个特征选择子分支分别生成的消杀知识字段特征进行权重因子分配，以及，依据所述第二注意力参数对所述组合消杀知识字段特征中的每个消杀知识字段的消杀知识字段特征进行权重因子分配，生成融合权重后的组合消杀知识字段特征，依据所述融合权重后的组合消杀知识字段特征输出消杀知识点决策数据。
例如，米虫在高湿度、低光照条件下的活动强度大，这些信息被转化为第一知识矢量。第一领域注意力子分支基于第一知识矢量（关于害虫活动特征的信息）分配第一注意力参数，而第二领域注意力子分支基于第二知识矢量（除了害虫活动特征信息以外的其它特征信息）分配第二注意力参数。比如，第一注意力参数可能表明需要更关注湿度对米虫活动的影响，而第二注意力参数可能表明需要关注光照强度对米虫活动的影响。
全连接分支会根据上述的注意力参数对每个消杀知识字段特征进行权重分配，生成融合权重后的组合消杀知识字段特征，并依据这个特征输出消杀知识点决策数据。例如，如果第一注意力参数指示湿度的影响较大，那么在生成的决策数据中，与湿度相关的消杀知识字段特征将有更高的权重。
这样，AI诊断网络就可以根据历史害虫特征数据和环境特征数据，通过复杂的计算过程，生成出具体的、针对性的害虫消杀控制策略。
在一种可能的实施方式中，所述消杀知识点决策数据中包含K个消杀决策进程分别对应的子决策数据。K为不小于2的整数。
所述全连接分支中包含K个全连接单位分支，所述K个全连接单位分支与所述K个消杀决策进程分别存在唯一映射关系。
所述注意力分支包括K个所述第一领域注意力子分支，以及K个所述第二领域注意力子分支。K个所述第一领域注意力子分支与所述K个消杀决策进程分别存在唯一映射关系，K个所述第二领域注意力子分支与所述K个消杀决策进程分别存在唯一映射关系。
所述全连接单位分支，用于依据对应的所述第一领域注意力子分支生成的所述第一注意力参数对所述多个特征选择子分支分别生成的消杀知识字段特征进行权重因子分配，以及，依据对应的所述第二领域注意力子分支生成的所述第二注意力参数对所述组合消杀知识字段特征中的每个消杀知识字段的消杀知识字段特征进行权重因子分配，生成所述融合权重后的组合消杀知识字段特征，依据所述融合权重后的组合消杀知识字段特征输出对应的消杀决策进程的所述子决策数据。
例如，假设在前述粮食仓库的例子中，需要制定一个包含K个步骤（K为一个不小于2的整数）的消杀决策进程，例如：K=3，对应的三个步骤可能是1）调整环境湿度；2）调整环境温度；3）使用特定种类的杀虫剂。
那么，在AI诊断网络中：
全连接分支：它会包含K个全连接单位分支，每个单位分支对应消杀决策进程中的一个步骤。比如，第一个全连接单位分支负责生成调整环境湿度的决策数据，第二个全连接单位分支负责生成调整环境温度的决策数据，第三个全连接单位分支负责生成使用特定种类杀虫剂的决策数据。
注意力分支：它包含K个第一领域注意力子分支和K个第二领域注意力子分支，同样也是每个子分支对应消杀决策进程中的一个步骤。第一领域注意力子分支主要负责根据消杀知识特征分配注意力参数，而第二领域注意力子分支则是根据组合消杀知识字段特征进行权重因子分配。
在每个全连接单位分支中：首先，根据对应的第一领域注意力子分支生成的第一注意力参数，对从特征选择子分支生成的消杀知识字段特征进行权重因子分配。然后，根据对应的第二领域注意力子分支生成的第二注意力参数，对组合消杀知识字段特征中的每个消杀知识字段的消杀知识字段特征进行权重因子分配。最后，将经过融合权重后的组合消杀知识字段特征作为输入，输出对应的消杀决策进程的子决策数据。
通过以上步骤，可以得到一个完整的消杀知识点决策数据，它包含了对应每个消杀决策进程步骤的具体子决策数据，比如何时调整湿度，调整到什么程度；何时调整温度，调整到什么程度；使用何种杀虫剂，使用多少等。
在一种可能的实施方式中，所述估计单元中还包含与K个所述第二领域注意力子分支，以及所述多个特征选择子分支分别对应的分配子分支。
所述分配子分支，用于对所述第二知识矢量中的各个消杀知识字段的知识矢量进行权重因子分配，并将权重因子分配后的知识矢量输入对应的所述第二领域注意力子分支或者所述特征选择子分支。
所述第二领域注意力子分支，用于基于对应的所述分配子分支生成的所述权重因子分配后的知识矢量，生成所述第二注意力参数。
所述特征选择子分支，用于基于对应的所述分配子分支生成的所述权重因子分配后的知识矢量，生成所述消杀知识字段特征。
例如，在每一个估计单元中，除了前面提到的特征选择子分支和注意力子分支外，还包括与它们对应的分配子分支。这些分配子分支负责对第二知识矢量（即与害虫活动特征信息无关的其它特征信息）中的各个消杀知识字段的知识矢量进行权重因子分配。例如，如果的第二知识矢量包含了温度、湿度和光照等环境特征，那么分配子分支就会根据这些特征的重要性进行权重分配。
每一个第二领域注意力子分支都会接收到对应的分配子分支生成的权重因子分配后的知识矢量，并基于这些信息生成第二注意力参数。比如，如果分配子分支判断温度对米虫活动影响较大，那么相应的第二领域注意力子分支就会给予温度更高的注意力参数。
同样，每一个特征选择子分支也会接收到对应的分配子分支生成的权重因子分配后的知识矢量，并基于这些信息生成消杀知识字段特征。例如，如果分配子分支判断湿度对米虫活动影响较大，那么相应的特征选择子分支就会从湿度方面提取更多的消杀知识字段特征。
通过这种方式，AI诊断网络能够根据不同害虫和环境特征的重要性，自动调整注意力参数和特征选择，使得最终的消杀决策更加精准和有效。
在一种可能的实施方式中，所述K个消杀决策进程包括以下进程中的至少两个进程：
1、决策所述目标仓库害虫有效位于所述目标仓库环境中每个环境位置的置信度。
例如，在粮食仓库例子中，这一决策进程可以被理解为确定害虫（比如米虫）存在于仓库各个部分的概率。例如，根据历史数据和当前环境参数，AI诊断网络可能会判断仓库的北部区域湿度较高，因此米虫在那里的活动置信度更高。
2、决策所述目标仓库害虫有效位于所述目标仓库环境的持续时间。 ：这个决策进程是对害虫在仓库内持续存在的时间进行预测。例如，AI诊断网络可能会预测，在当前的环境条件下，米虫可能会在仓库内持续存在3个月。
3、决策所述目标仓库害虫对所述目标仓库环境执行有效害虫活动的置信度。
这个决策进程主要是评估害虫对仓库造成损害的可能性。例如，如果AI诊断网络判断当前环境条件对米虫非常适宜，那么它可能会预测米虫的活动置信度很高，即米虫有很大概率对仓库中的粮食造成损害。
综上，这些消杀决策进程可以帮助更准确地理解和预测害虫在仓库中的行为，从而做出更有效的消杀措施，例如何时调整湿度，调整到什么程度；何时调整温度，调整到什么程度；使用何种杀虫剂，使用多少等。
在一种可能的实施方式中，所述多个害虫特征标签对应各自的害虫活动程度。
步骤S140可以包括：
步骤S141，获取所述AI诊断网络中的第二估计单元的所述消杀知识点决策数据。所述第二估计单元是依据害虫活动程度进行排列的所述多个害虫特征标签中，与所述目标仓库害虫的害虫特征标签关联的害虫特征标签对应的所述估计单元。
步骤S142，对所述第一估计单元的所述消杀知识点决策数据，与所述第二估计单元的所述消杀知识点决策数据进行权重因子分配，生成更新后的消杀知识点决策数据。
步骤S143，如果所述更新后的消杀知识点决策数据符合所述消杀控制实施要求，对所述目标仓库环境的消杀设备进行第一控制操作。
例如，假设有多种害虫，包括米虫、粉螟等，每种害虫都有对应的特征标签，这些特征标签对应各自的害虫活动程度。比如，米虫的活动程度可能标记为高，而粉螟的活动程度标记为中。
如果AI诊断网络中的目标估计单元（例如，针对米虫的估计单元）生成的消杀知识点决策数据符合消杀控制实施要求（例如，达到一定的阈值），那么就会对仓库环境的消杀设备进行第一控制操作，比如开启消杀设备。
接着，获取第二估计单元（例如，针对粉螟的估计单元）的消杀知识点决策数据。这个第二估计单元是依据害虫活动程度进行排列的多个害虫特征标签中，与目标仓库害虫的害虫特征标签关联的害虫特征标签对应的估计单元。然后，对第一估计单元（米虫）的消杀知识点决策数据，与第二估计单元（粉螟）的消杀知识点决策数据进行权重因子分配，生成更新后的消杀知识点决策数据。这样可以确保消杀操作既能有效对付目标害虫（米虫），也能考虑到其它可能存在的害虫（粉螟）。
最后，如果更新后的消杀知识点决策数据仍然符合消杀控制实施要求，那么就会继续对仓库环境的消杀设备进行第一控制操作。这个过程会持续进行，直到所有的害虫都得到有效控制。
在一种可能的实施方式中，所述AI诊断网络中还包含控制分支，所述控制分支位于所述嵌入单元和所述多个估计单元之间。
所述方法还包括：
将所述目标仓库害虫的害虫特征标签加载至所述控制分支。
所述控制分支，用于基于所述目标仓库害虫的害虫特征标签，将所述嵌入单元提取出的所述消杀知识特征，加载至与所述目标仓库害虫的害虫特征标签相关联的所述估计单元。
例如，“害虫特征标签”实际上是对害虫在特定环境条件下活动强度的描述，比如“高温、低湿度、活动强度大”对应粉螟，“中温、中湿度、活动强度中”对应米虫。
控制分支位于嵌入单元和多个估计单元之间，在AI诊断网络中起到了一个门控组件的作用。这个门控组件的工作是基于目标仓库害虫的特征标签（比如"高温、低湿度、活动强度大"），将嵌入单元提取出的消杀知识特征，加载至与目标仓库害虫的特征标签相关联的估计单元（比如处理粉螟的估计单元）。
首先，需要将目标仓库害虫的特征标签加载到控制分支中。这就像告诉门控组件，想要发送到哪个地址的信息。控制分支会基于目标仓库害虫的特征标签，将嵌入单元提取出的消杀知识特征，正确地加载至与这个特征标签相关联的估计单元。例如，如果当前的目标是粉螟，那么控制分支就会把消杀知识特征传送到处理“高温、低湿度、活动强度大”这类环境下害虫问题的估计单元。
在一种可能的实施方式中，所述将所述消杀控制依据数据加载至AI诊断网络之前，还包括：
步骤S101，将第一样例模型学习数据加载至所述AI诊断网络。
步骤S102，获取所述AI诊断网络中的第三估计单元的训练消杀知识点数据。所述第三估计单元是第一模板仓库害虫的害虫特征标签对应的所述估计单元。所述第一模板仓库害虫是所述多个模板仓库害虫中的任意一个仓库害虫，所述第一样例模型学习数据是所述多个模板仓库害虫的所述样例模型学习数据中，与所述第一模板仓库害虫对应的所述样例模型学习数据。所述训练消杀知识点数据反映决策的所述第一模板仓库害虫对所述第一样例模型学习数据中的所述模板仓库环境实施的害虫行为活动所对应的消杀控制数据。
步骤S103，依据所述训练消杀知识点数据，以及在先进行专家知识确定的所述第一模板仓库害虫对所述第一样例模型学习数据中的所述模板仓库环境实施的害虫行为活动所对应的消杀控制数据，获取训练代价参数。
步骤S104，依据所述训练代价参数，对所述AI诊断网络进行训练。
例如，在开始训练之前，首先需要加载一些样例模型学习数据到AI诊断网络。比如，可能已经收集了一些关于米虫在特定环境条件下行为活动的数据，这些数据就可以作为第一样例模型学习数据。然后，从AI诊断网络中获取第三估计单元（即针对米虫的估计单元）的训练消杀知识点数据。这些数据反映了决策的米虫对样例模型学习数据中的仓库环境实施的害虫行为活动所对应的消杀控制数据。接着，根据这些训练消杀知识点数据，以及先前由专家确定的米虫对样例模型学习数据中的仓库环境实施的害虫行为活动所对应的消杀控制数据，来获取训练代价参数，也就损失函数值。最后，根据获取的训练代价参数，对AI诊断网络进行训练。这个训练过程可能包括了各种机器学习或深度学习的方法，目的是让AI诊断网络能够准确地预测和决策害虫消杀操作。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的智能化AI系统100。
对于一个实施例，图2示出了智能化AI系统100，该智能化AI系统100具有多个处理器102、被耦合到(多个)处理器102中的一个或多个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的多个输入/输出设备110，和被耦合到控制模块104的网络接口112。
处理器102可包括多个单核或多核处理器，处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一些可替代的实施方式中，智能化AI系统100能够作为本申请实施例中所述网关等服务器设备。
一些可替代的实施方式中，智能化AI系统100可包括具有指令114的多个计算机可读介质(例如，存储器106或NVM/存储设备108)和与该多个计算机可读介质相合并被配置为执行指令114以实现模块从而执行本公开中所述的动作的多个处理器102。
对于一个实施例，控制模块104可包括任意适当的接口控制器，以向(多个)处理器102中的一个或多个和/或与控制模块104通信的任意适当的管理端或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块，以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为智能化AI系统100加载和存储数据和/或指令114。对于一个实施例，存储器106可包括任意适当的易失性存储器，例如，适当的DRAM。一些可替代的实施方式中，存储器106可包括双倍数据速率类型四同步动态随机存取存储器。
对于一个实施例，控制模块104可包括多个输入/输出控制器，以向NVM/存储设备108及(多个)输入/输出设备110提供接口。
例如，NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(多个)非易失性存储设备。
NVM/存储设备108可包括在物理上作为智能化AI系统100被安装在其上的管理端的一部分的存储资源，或者其可被该设备访问可不必作为该笔记本电脑的一部分。例如，NVM/存储设备108可依据网络经由(多个)输入/输出设备110进行访问。
(多个)输入/输出设备110可为智能化AI系统100提供接口以与任意其它适当的管理端通信，输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为智能化AI系统100提供接口以依据多个网络通信，智能化AI系统100可依据多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的多个组件进行无线通信，例如接入依据通信标准的无线网络，如WiFi、2G、3G、4G、5G等，或它们的组合进行无线通信。
对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器(例如，存储器控制器模块)的逻辑封装在一起。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑封装在一起以形成系统级封装。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在相同的一个模具上。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在相同的一个模具上以形成片上系统。
在各个实施例中，智能化AI系统100可以但不限于是：台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中，智能化AI系统100可具有更多或更少的组件和/或不同的架构。例如，一些可替代的实施方式中，智能化AI系统100包括多个摄像机、键盘、液晶显示器屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路和扬声器。
以上对本申请进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于仓库害虫智能化AI监测的消杀控制方法，其特征在于，应用于智能化AI系统，所述方法包括：
获取目标仓库害虫的消杀控制依据数据，所述消杀控制依据数据包括所述目标仓库害虫的历史害虫特征数据以及目标仓库环境的环境特征数据；
获取所述目标仓库害虫的害虫特征标签，所述害虫特征标签是依据仓库害虫与仓库环境的活动强度对所述仓库害虫进行特征区分的标签；
将所述消杀控制依据数据加载至AI诊断网络；所述AI诊断网络包含嵌入单元和多个估计单元；所述多个估计单元与多个害虫特征标签分别存在唯一映射关系；所述嵌入单元用于从所述AI诊断网络的消杀控制依据加载数据中提取消杀知识特征；所述估计单元包含特征选择分支、注意力分支以及全连接分支，所述特征选择分支用于从所述消杀知识特征中提取组合消杀知识字段特征，所述注意力分支用于依据所述消杀知识特征分配注意力参数，所述注意力参数对应所述组合消杀知识字段特征中各个消杀知识字段的知识矢量的影响因子，所述全连接分支用于依据所述组合消杀知识字段特征以及所述注意力参数输出消杀知识点决策数据；所述消杀知识点决策数据反映决策的针对所述目标仓库害虫对所述目标仓库环境实施的害虫行为活动所对应的消杀控制数据；
如果所述AI诊断网络中的第一估计单元的所述消杀知识点决策数据符合消杀控制实施要求，对所述目标仓库环境的消杀设备进行第一控制操作；所述第一估计单元是与所述目标仓库害虫的害虫特征标签所映射的所述估计单元。
2.根据权利要求1所述的基于仓库害虫智能化AI监测的消杀控制方法，其特征在于，所述AI诊断网络是依据多个模板仓库害虫的样例模型学习数据进行知识学习生成的神经网络，所述多个模板仓库害虫中包含多个害虫特征标签的仓库害虫；所述样例模型学习数据包括所述模板仓库害虫的历史害虫特征数据以及模板仓库环境的环境特征数据。
3.根据权利要求1或2所述的基于仓库害虫智能化AI监测的消杀控制方法，其特征在于，所述历史害虫特征数据中包含害虫活动特征信息，所述害虫活动特征信息反映仓库害虫与仓库环境的活动强度；
所述特征选择分支包含多个特征选择子分支，所述组合消杀知识字段特征由所述多个特征选择子分支生成的消杀知识字段特征进行组合获得；
所述消杀知识特征中包含与所述目标仓库害虫的害虫活动特征信息所映射的第一知识矢量，以及，与所述历史害虫特征数据中除了所述害虫活动特征信息以外的其它特征信息所映射的第二知识矢量；
所述注意力分支包括第一领域注意力子分支和第二领域注意力子分支；所述注意力参数包括所述多个特征选择子分支对应的第一注意力参数，以及，所述组合消杀知识字段特征中的每个消杀知识字段的消杀知识字段特征对应的第二注意力参数；
所述第一领域注意力子分支，用于基于所述第一知识矢量分配所述第一注意力参数；
所述第二领域注意力子分支，关于基于所述第二知识矢量分配所述第二注意力参数；
所述全连接分支，用于依据所述第一注意力参数对所述多个特征选择子分支分别生成的消杀知识字段特征进行权重因子分配，以及，依据所述第二注意力参数对所述组合消杀知识字段特征中的每个消杀知识字段的消杀知识字段特征进行权重因子分配，生成融合权重后的组合消杀知识字段特征，依据所述融合权重后的组合消杀知识字段特征输出消杀知识点决策数据。
4.根据权利要求3所述的基于仓库害虫智能化AI监测的消杀控制方法，其特征在于，所述消杀知识点决策数据中包含K个消杀决策进程分别对应的子决策数据；K为不小于2的整数；
所述全连接分支中包含K个全连接单位分支，所述K个全连接单位分支与所述K个消杀决策进程分别存在唯一映射关系；
所述注意力分支包括K个所述第一领域注意力子分支，以及K个所述第二领域注意力子分支；K个所述第一领域注意力子分支与所述K个消杀决策进程分别存在唯一映射关系，K个所述第二领域注意力子分支与所述K个消杀决策进程分别存在唯一映射关系；
所述全连接单位分支，用于依据对应的所述第一领域注意力子分支生成的所述第一注意力参数对所述多个特征选择子分支分别生成的消杀知识字段特征进行权重因子分配，以及，依据对应的所述第二领域注意力子分支生成的所述第二注意力参数对所述组合消杀知识字段特征中的每个消杀知识字段的消杀知识字段特征进行权重因子分配，生成所述融合权重后的组合消杀知识字段特征，依据所述融合权重后的组合消杀知识字段特征输出对应的消杀决策进程的所述子决策数据。
5.根据权利要求4所述的基于仓库害虫智能化AI监测的消杀控制方法，其特征在于，所述估计单元中还包含与K个所述第二领域注意力子分支，以及所述多个特征选择子分支分别对应的分配子分支；
所述分配子分支，用于对所述第二知识矢量中的各个消杀知识字段的知识矢量进行权重因子分配，并将权重因子分配后的知识矢量输入对应的所述第二领域注意力子分支或者所述特征选择子分支；
所述第二领域注意力子分支，用于基于对应的所述分配子分支生成的所述权重因子分配后的知识矢量，生成所述第二注意力参数；
所述特征选择子分支，用于基于对应的所述分配子分支生成的所述权重因子分配后的知识矢量，生成所述消杀知识字段特征。
6.根据权利要求4所述的基于仓库害虫智能化AI监测的消杀控制方法，其特征在于，所述K个消杀决策进程包括以下进程中的至少两个进程：
决策所述目标仓库害虫有效位于所述目标仓库环境中每个环境位置的置信度；
决策所述目标仓库害虫有效位于所述目标仓库环境的持续时间；
以及，决策所述目标仓库害虫对所述目标仓库环境执行有效害虫活动的置信度。
7.根据权利要求1或2所述的基于仓库害虫智能化AI监测的消杀控制方法，其特征在于，所述多个害虫特征标签对应各自的害虫活动程度；
所述如果所述AI诊断网络中的第一估计单元的所述消杀知识点决策数据符合消杀控制实施要求，对所述目标仓库环境的消杀设备进行第一控制操作，包括：
获取所述AI诊断网络中的第二估计单元的所述消杀知识点决策数据；所述第二估计单元是依据害虫活动程度进行排列的所述多个害虫特征标签中，与所述目标仓库害虫的害虫特征标签关联的害虫特征标签对应的所述估计单元；
对所述第一估计单元的所述消杀知识点决策数据，与所述第二估计单元的所述消杀知识点决策数据进行权重因子分配，生成更新后的消杀知识点决策数据；
如果所述更新后的消杀知识点决策数据符合所述消杀控制实施要求，对所述目标仓库环境的消杀设备进行第一控制操作。
8.根据权利要求1或2所述的基于仓库害虫智能化AI监测的消杀控制方法，其特征在于，所述AI诊断网络中还包含控制分支，所述控制分支位于所述嵌入单元和所述多个估计单元之间；
所述方法还包括：
将所述目标仓库害虫的害虫特征标签加载至所述控制分支；
所述控制分支，用于基于所述目标仓库害虫的害虫特征标签，将所述嵌入单元提取出的所述消杀知识特征，加载至与所述目标仓库害虫的害虫特征标签相关联的所述估计单元。
9.根据权利要求2所述的基于仓库害虫智能化AI监测的消杀控制方法，其特征在于，所述将所述消杀控制依据数据加载至AI诊断网络之前，还包括：
将第一样例模型学习数据加载至所述AI诊断网络；
获取所述AI诊断网络中的第三估计单元的训练消杀知识点数据；所述第三估计单元是第一模板仓库害虫的害虫特征标签对应的所述估计单元；所述第一模板仓库害虫是所述多个模板仓库害虫中的任意一个仓库害虫，所述第一样例模型学习数据是所述多个模板仓库害虫的所述样例模型学习数据中，与所述第一模板仓库害虫对应的所述样例模型学习数据；所述训练消杀知识点数据反映决策的所述第一模板仓库害虫对所述第一样例模型学习数据中的所述模板仓库环境实施的害虫行为活动所对应的消杀控制数据；
依据所述训练消杀知识点数据，以及在先进行专家知识确定的所述第一模板仓库害虫对所述第一样例模型学习数据中的所述模板仓库环境实施的害虫行为活动所对应的消杀控制数据，获取训练代价参数；
依据所述训练代价参数，对所述AI诊断网络进行训练。
10.一种智能化AI系统，其特征在于，所述智能化AI系统包括处理器和机器可读存储介质，该机器可读存储介质中存储有机器可执行指令，该机器可执行指令由该处理器加载并执行以实现权利要求1-9中任意一项所述的基于仓库害虫智能化AI监测的消杀控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311677200.6A CN117557397A (zh) | 2023-12-08 | 2023-12-08 | 基于仓库害虫智能化ai监测的消杀控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311677200.6A CN117557397A (zh) | 2023-12-08 | 2023-12-08 | 基于仓库害虫智能化ai监测的消杀控制方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117557397A true CN117557397A (zh) | 2024-02-13 |
Family
ID=89820480
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311677200.6A Pending CN117557397A (zh) | 2023-12-08 | 2023-12-08 | 基于仓库害虫智能化ai监测的消杀控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117557397A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106292437A (zh) * | 2016-08-24 | 2017-01-04 | 桂林信通科技有限公司 | 一种远距离控制仓库的系统 |
| CN108873697A (zh) * | 2018-06-23 | 2018-11-23 | 四川工大创兴大数据有限公司 | 一种基于人工智能的仓储方法及系统 |
| CN112021293A (zh) * | 2020-09-03 | 2020-12-04 | 常德鑫芙蓉环保有限公司 | 智能化的烟叶仓库熏蒸杀虫方法 |
| CN112203059A (zh) * | 2020-10-15 | 2021-01-08 | 石家庄粮保科技有限公司 | 一种基于ai图像识别技术的测虫方法 |
| CN114546006A (zh) * | 2022-02-15 | 2022-05-27 | 中国热带农业科学院热带作物品种资源研究所 | 一种腰果仓储环境的智能控制方法及系统 |
| CN114677606A (zh) * | 2022-04-28 | 2022-06-28 | 电子科技大学 | 基于注意力机制和双分支网络的柑橘细粒度病害识别方法 |
| CN114897149A (zh) * | 2022-06-21 | 2022-08-12 | 山西清众科技股份有限公司 | 一种多任务多分支注意力网络结构 |
| CN115222987A (zh) * | 2022-07-13 | 2022-10-21 | 吉林大学 | 一种基于多尺度注意力网络和心冲击图的疾病分类方法 |
-
2023
- 2023-12-08 CN CN202311677200.6A patent/CN117557397A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106292437A (zh) * | 2016-08-24 | 2017-01-04 | 桂林信通科技有限公司 | 一种远距离控制仓库的系统 |
| CN108873697A (zh) * | 2018-06-23 | 2018-11-23 | 四川工大创兴大数据有限公司 | 一种基于人工智能的仓储方法及系统 |
| CN112021293A (zh) * | 2020-09-03 | 2020-12-04 | 常德鑫芙蓉环保有限公司 | 智能化的烟叶仓库熏蒸杀虫方法 |
| CN112203059A (zh) * | 2020-10-15 | 2021-01-08 | 石家庄粮保科技有限公司 | 一种基于ai图像识别技术的测虫方法 |
| CN114546006A (zh) * | 2022-02-15 | 2022-05-27 | 中国热带农业科学院热带作物品种资源研究所 | 一种腰果仓储环境的智能控制方法及系统 |
| CN114677606A (zh) * | 2022-04-28 | 2022-06-28 | 电子科技大学 | 基于注意力机制和双分支网络的柑橘细粒度病害识别方法 |
| CN114897149A (zh) * | 2022-06-21 | 2022-08-12 | 山西清众科技股份有限公司 | 一种多任务多分支注意力网络结构 |
| CN115222987A (zh) * | 2022-07-13 | 2022-10-21 | 吉林大学 | 一种基于多尺度注意力网络和心冲击图的疾病分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20180356775A1 (en) | Heuristic method of automated and learning control, and building automation systems thereof | |
| CN110263979B (zh) | 基于强化学习模型预测样本标签的方法及装置 | |
| US20190057320A1 (en) | Data processing apparatus for accessing shared memory in processing structured data for modifying a parameter vector data structure | |
| US20190156205A1 (en) | Training first and second neural network models | |
| Hossain et al. | Identifying grey-box thermal models with Bayesian neural networks | |
| US11734388B2 (en) | Method and apparatus for predicting time-series data | |
| JP7342833B2 (ja) | 制御装置、コントローラ、制御システム、制御方法、および制御プログラム | |
| CN110134379A (zh) | 计算机系统、编程方法及非暂态计算机可读介质 | |
| US11536477B2 (en) | Electronic apparatus and operation method for predicting HVAC energy consumption | |
| CA3184500A1 (en) | Siamese neural network model | |
| Liu et al. | Identifying contaminant sources for water distribution systems using a hybrid method | |
| Mohapatra et al. | Test case reduction using ant colony optimization for object oriented program | |
| NL2028971B1 (en) | System and method for recognizing dynamic anomalies of multiple livestock equipment in smart farm system | |
| CN116627770B (zh) | 网卡温度预测方法、装置、计算机设备及存储介质 | |
| CN117557397A (zh) | 基于仓库害虫智能化ai监测的消杀控制方法及系统 | |
| Spieck et al. | Scenario-based soft real-time hybrid application mapping for MPSoCs | |
| CN111090707B (zh) | 数据处理方法及装置、电子设备及存储介质 | |
| Puha et al. | Batch mode active learning for individual treatment effect estimation | |
| CN113434690A (zh) | 基于聚类算法的用电预测评估方法、装置、系统及介质 | |
| JP2023537766A (ja) | 自動化されたデータサイエンスプロセスのためのシステム及び方法 | |
| KR102613227B1 (ko) | 빅데이터 및 머신 러닝에 기반한 농업용 저수지 이수 안전도 평가를 위한 전자 장치 및 전자 장치의 제어 방법 | |
| US12008070B2 (en) | Method and apparatus for predicting time-series data | |
| CN116528270B (zh) | 一种基站节能潜力评估方法、装置、设备及存储介质 | |
| US20240028794A1 (en) | Event processing and prediction updating at a digital twin | |
| CN114384945B (zh) | 处理器温度控制方法、装置、存储介质和电子设备 |
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 |