CN117745148A - 基于多源数据的稻茬烤烟种植质量评价方法及系统 - Google Patents
基于多源数据的稻茬烤烟种植质量评价方法及系统 Download PDFInfo
- Publication number
- CN117745148A CN117745148A CN202410178679.7A CN202410178679A CN117745148A CN 117745148 A CN117745148 A CN 117745148A CN 202410178679 A CN202410178679 A CN 202410178679A CN 117745148 A CN117745148 A CN 117745148A
- Authority
- CN
- China
- Prior art keywords
- quality evaluation
- planting
- flue
- cured tobacco
- 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.)
- Granted
Links
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 253
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 210
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 127
- 235000009566 rice Nutrition 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 title claims abstract description 72
- 244000061176 Nicotiana tabacum Species 0.000 title claims description 34
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000208125 Nicotiana Species 0.000 claims abstract description 219
- 241000209094 Oryza Species 0.000 claims abstract description 126
- 230000012010 growth Effects 0.000 claims abstract description 89
- 230000001953 sensory effect Effects 0.000 claims abstract description 56
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 230000007613 environmental effect Effects 0.000 claims abstract description 27
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 239000002245 particle Substances 0.000 claims description 36
- 238000013210 evaluation model Methods 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 14
- 238000002922 simulated annealing Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 210000005036 nerve Anatomy 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 abstract description 2
- 230000008878 coupling Effects 0.000 abstract description 2
- 238000010168 coupling process Methods 0.000 abstract description 2
- 238000005859 coupling reaction Methods 0.000 abstract description 2
- 238000003860 storage Methods 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 5
- 239000002689 soil Substances 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 3
- 238000000137 annealing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002786 root growth Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于多源数据的稻茬烤烟种植质量评价方法及系统，包括：获取稻茬烤烟种植区域的生长历程，读取不同生长阶段对应的环境特征、生长状况特征及种植操作特征，获取空间融合后的特征数据集，通过特征选择对特征参数进行筛选生成评价指标；构建稻茬烤烟种植质量评价模型获取种植质量评价结果；获取稻茬烤烟烟叶的感官数据进行烟叶质量评价，获取种植质量评价结果与烟叶质量评价结果的相关性，根据相关性修正评价指标并获取稻茬烤烟种植的种植优化方向。本发明通过利用深度学习方法对稻茬烤烟的种植质量进行评价，充分挖掘指标参数间的耦合关系，更好地拟合环境、种植行为等指标与种植质量的非线性关系，提高了评价精度与性能。
Description
技术领域
本发明涉及种植质量评估技术领域，更具体的，涉及一种基于多源数据的稻茬烤烟种植质量评价方法及系统。
背景技术
稻茬烤烟(在一年内，烤烟收获后再种植水稻)是南方烟区烤烟栽培的主要方式。由于稻茬烤烟的前茬是水稻，种植烤烟的土壤熟化度低，土块颗粒大而硬，不利烤烟根系生长。稻作烟区的移栽期常处于低温阴雨寡照的季节里，气温和土温低，也不利于烤烟根系生长。土壤熟化度低、温度低、烟苗细弱等问题，导致稻茬烤烟还苗期长，缩短了烤烟大田有效生长期，还容易早花，严重影响稻作烟区烤烟生产的可持续性。在加上各烤烟种植户对种植知识或技术掌握的程度不一，其具体的种植操作往往具有很大的不确定性，影响着烤烟生产的质量，生长环境及种植水平的参差导致烤烟种植质量大打折扣，烟叶可用性下降。
现有的烤烟等农产品追溯系统都是从产后处理和流通环节开始进行追踪，无法辨识烤烟的生产质量。作为种植者，由于不能区分种植过程的优劣，只能以通货的价格销售给中间商，这同时也挫伤着种植者的质量意识，影响种植产业的健康发展。因此，对烤烟的种植质量进行评价定级，准确评价烤烟种植的生产质量是基础且必备环节。通过对烤烟的生长环境、种植工艺等多方面进行质量评价，实现烤烟种植质量的综合测定，保证了烤烟供应和质量保障。
发明内容
为了解决上述技术问题，本发明提出了一种基于多源数据的稻茬烤烟种植质量评价方法及系统。
本发明第一方面提供了一种基于多源数据的稻茬烤烟种植质量评价方法，包括：
获取稻茬烤烟种植区域的生长历程，根据所述生长历程划分不同的生长阶段，读取不同生长阶段对应的环境特征、生长状况特征及种植操作特征，将读取的不同类别特征进行空间融合；
获取空间融合后的特征数据集，在所述特征数据集中通过特征选择对特征参数进行筛选，基于筛选后的特征参数生成稻茬烤烟的种植质量评价指标；
利用深度学习方法构建稻茬烤烟种植质量评价模型，根据所述种植质量评价指标读取多源指标参数作为评价模型的输入，根据评价模型获取稻茬烤烟的种植质量评价结果；
获取稻茬烤烟烟叶的感官数据，通过所述感官数据进行烟叶质量评价，获取种植质量评价结果与烟叶质量评价结果的相关性，根据所述相关性修正评价指标，并根据烟叶质量评价结果获取稻茬烤烟种植的种植优化方向。
本方案中，读取不同生长阶段对应的环境特征、生长状况特征及种植操作特征，具体为：
获取目标稻茬烤烟种植区域中烤烟植株的历史生长状况，根据所述历史生长状况进行聚类处理，预设扫描半径与最小包含点数，在历史生长状况中随机抽取生长状况样本；
获取生长状况样本的邻域所包含的样本数，当所述样本数不小于所述最小包含点数时，建立新的类簇，并将其中所有样本加入候选集，检查候选集中的未归类样本的邻域，根据判断结果归于候选集或者新的类簇；
通过迭代聚类直到候选集为空，根据生长状况样本的分类情况获取聚类结果，根据所述聚类结果读取类簇数，根据所述类簇将烤烟植株的生长历程划分为不同的生长阶段；
基于所述环境特征、生长状况特征及种植操作特征构建检索标签，根据大数据方法获取不同检索标签所涉及的参数指标，并通过统计分析获取不同参数指标的使用频次，利用使用频次获取不同检索标签对应的参数指标子集；
根据所述参数指标子集读取烤烟植株对应的环境特征、生长状况特征及种植操作特征，并根据不同生长阶段设置特征数据的标签信息。
本方案中，获取空间融合后的特征数据集，在所述特征数据集中通过特征选择对特征参数进行筛选，具体为：
通过数据感知获取环境特征、生长状况特征及种植操作特征对应的特征数据，将所述特征数据利用卡尔曼滤波进行滤波处理，并进行数据清洗剔除异常特征数据；
利用自适应加权设置环境特征、生长状况特征及种植操作特征的类别权重，获取不同特征类别下预处理后的特征数据，获取提取特征数据之间的皮尔逊相关系数，标记皮尔逊相关系数大于预设阈值的特征数据；
根据所述皮尔逊相关系数为标记的特征数据设置关联权重，根据所述关联权重结合类别权重进行特征数据的空间融合，并进行归一化处理，生成特征数据集；
根据所述特征数据集构建无向图，将特征数据作为无向图的节点，并根据皮尔逊相关系数获取节点之间的关联生成无向图的边结构，获取不同节点之间的最大互信息系数，根据所述最大互信息系数构建邻接矩阵；
利用图神经网络对无向图进行学习，并引入多头注意力机制获取邻接矩阵中邻居节点的多头注意力系数，将邻居节点向量表示与多头注意力系数相乘并取平均得到节点的重要性得分；
根据所述重要性得分筛选预设数量的特征数据，根据所述特征数据对应的参数指标生成稻茬烤烟的种植质量评价指标。
本方案中，利用深度学习方法构建稻茬烤烟种植质量评价模型，具体为：
根据自编码器网络及神经网络构建稻茬烤烟种植质量评价模型，并根据优化后的粒子群算法进行评价模型的网络结构寻优，将所述自编码器网络作为评价模型的输入层；
初始化粒子群算法参数及粒子位置、速度信息，将评价模型的评价精度作为适应度，获取粒子个体极值及全局极值，引入模拟退火算法进行迭代寻优，利用模拟退火邻域搜索更新粒子的位置和速度；
当满足终止条件时停止迭代，根据最优位置获取自编码器网络的层数及神经网络权值、阈值，建立稻茬烤烟种植质量评价模型并进行训练；
将种植质量评价指标对应的多源指标参数导入输入层进行编码学习，获取多源指标参数的特征信息，将所述特征信息导入神经网络的隐藏层进行非线性拟合，并通过输出层获取稻茬烤烟种植质量等级。
本方案中，通过所述感官数据进行烟叶质量评价，获取种植质量评价结果与烟叶质量评价结果的相关性，根据所述相关性修正评价指标，具体为：
通过人工智能感官获取烤烟植株烟叶的感官数据，将所述感官数据进行预处理，获取优质烟叶的感官数据生成基准数据；
根据烤烟植株烟叶的感官数据及基准数据映射到低维空间，将感官数据向量与基准数据向量进行对比获取质量评估系数，获取质量评估系数与感官数据向量的乘积，利用所述乘积获取烟叶质量评价结果；
获取烤烟植株的种植质量评价结果，根据所述种植质量评价结果进行种植质量评价指标对应多源指标参数的主成分分析，获取主成分指标参数作为主成分方向；
获取主成分指标参数与烟叶质量评价结果的皮尔逊相关系数，当所述皮尔逊相关系数不符合预设标准时，则对种植质量评价指标进行替换修正。
本方案中，根据烟叶质量评价结果获取稻茬烤烟种植的种植优化方向，具体为：
获取烤烟植株烟叶质量评估结果，当烟叶质量评估结果小于预设等级阈值时，则证明稻茬烤烟种植需要优化；
将烤烟植株种植质量评价指标对应多源指标参数进行主成分分析，获取主成分指标参数作为主成分方向，获取根据所述主成分方向进行投影获取种植质量评价结果对应的特征散点图；
在所述特征散点图中计算各特征点与主成分中心点的距离，筛选小于距离阈值的特征点对应的种植质量评价指标，根据筛选的评价指标获取种植优化方向，并基于种植优化方向在相关知识图谱中获取实施措施。
本发明第二方面还提供了一种基于多源数据的稻茬烤烟种植质量评价系统，该系统包括：存储器、处理器，所述存储器中包括基于多源数据的稻茬烤烟种植质量评价方法程序，所述基于多源数据的稻茬烤烟种植质量评价方法程序被所述处理器执行时实现如下步骤：
获取稻茬烤烟种植区域的生长历程，根据所述生长历程划分不同的生长阶段，读取不同生长阶段对应的环境特征、生长状况特征及种植操作特征，将读取的不同类别特征进行空间融合；
获取空间融合后的特征数据集，在所述特征数据集中通过特征选择对特征参数进行筛选，基于筛选后的特征参数生成稻茬烤烟的种植质量评价指标；
利用深度学习方法构建稻茬烤烟种植质量评价模型，根据所述种植质量评价指标读取多源指标参数作为评价模型的输入，根据评价模型获取稻茬烤烟的种植质量评价结果；
获取稻茬烤烟烟叶的感官数据，通过所述感官数据进行烟叶质量评价，获取种植质量评价结果与烟叶质量评价结果的相关性，根据所述相关性修正评价指标，并根据烟叶质量评价结果获取稻茬烤烟种植的种植优化方向。
本发明公开了基于多源数据的稻茬烤烟种植质量评价方法及系统，包括：获取稻茬烤烟种植区域的生长历程，读取不同生长阶段对应的环境特征、生长状况特征及种植操作特征，获取空间融合后的特征数据集，通过特征选择对特征参数进行筛选生成评价指标；构建稻茬烤烟种植质量评价模型获取种植质量评价结果；获取稻茬烤烟烟叶的感官数据进行烟叶质量评价，获取种植质量评价结果与烟叶质量评价结果的相关性，根据相关性修正评价指标并获取稻茬烤烟种植的种植优化方向。本发明通过利用深度学习方法对稻茬烤烟的种植质量进行评价，充分挖掘指标参数间的耦合关系，更好地拟合环境、种植行为等指标与种植质量的非线性关系，提高了评价精度与性能。
附图说明
图1示出了本发明一种基于多源数据的稻茬烤烟种植质量评价方法的流程图；
图2示出了本发明过特征选择对特征参数进行筛选的方法流程图；
图3示出了本发明构建稻茬烤烟种植质量评价模型的方法流程图；
图4示出了本发明一种基于多源数据的稻茬烤烟种植质量评价系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于多源数据的稻茬烤烟种植质量评价方法的流程图。
如图1所示，本发明第一方面提供了一种基于多源数据的稻茬烤烟种植质量评价方法，包括：
S102，获取稻茬烤烟种植区域的生长历程，根据所述生长历程划分不同的生长阶段，读取不同生长阶段对应的环境特征、生长状况特征及种植操作特征，将读取的不同类别特征进行空间融合；
S104，获取空间融合后的特征数据集，在所述特征数据集中通过特征选择对特征参数进行筛选，基于筛选后的特征参数生成稻茬烤烟的种植质量评价指标；
S106，利用深度学习方法构建稻茬烤烟种植质量评价模型，根据所述种植质量评价指标读取多源指标参数作为评价模型的输入，根据评价模型获取稻茬烤烟的种植质量评价结果；
S108，获取稻茬烤烟烟叶的感官数据，通过所述感官数据进行烟叶质量评价，获取种植质量评价结果与烟叶质量评价结果的相关性，根据所述相关性修正评价指标，并根据烟叶质量评价结果获取稻茬烤烟种植的种植优化方向。
需要说明的是，获取目标稻茬烤烟种植区域中烤烟植株的历史生长状况，根据所述历史生长状况进行聚类处理，预设扫描半径与最小包含点数，在历史生长状况中随机抽取生长状况样本；
获取生长状况样本的邻域所包含的样本数，当所述样本数不小于所述最小包含点数时，建立新的类簇，并将其中所有样本加入候选集，检查候选集中的未归类样本的邻域，若包括对象不小于最小包含点数则归于候选集，若没有归入任何一个簇类则归入新的类簇；通过迭代聚类直到候选集为空，根据生长状况样本的分类情况获取聚类结果，并根据轮廓系数评价聚类结果，根据所述聚类结果读取类簇数，根据所述类簇将烤烟植株的生长历程划分为不同的生长阶段；基于所述环境特征、生长状况特征及种植操作特征构建检索标签，所述环境特征包括气候信息、温湿度信息及土壤理化性质等，所述生长状况特征包括植株形状、大小、颜色等特征及病虫害特征等，所述种植操作特征包括植株施肥用药及农事等人为种植干预。根据大数据方法获取不同检索标签所涉及的参数指标，并通过统计分析获取不同参数指标的使用频次，利用使用频次获取不同检索标签对应的参数指标子集；根据所述参数指标子集读取烤烟植株对应的环境特征、生长状况特征及种植操作特征，并根据不同生长阶段设置特征数据的标签信息。
图2示出了本发明过特征选择对特征参数进行筛选的方法流程图。
根据本发明实施例，获取空间融合后的特征数据集，在所述特征数据集中通过特征选择对特征参数进行筛选，具体为：
S202，通过数据感知获取环境特征、生长状况特征及种植操作特征对应的特征数据，将所述特征数据利用卡尔曼滤波进行滤波处理，并进行数据清洗剔除异常特征数据；
S204，利用自适应加权设置环境特征、生长状况特征及种植操作特征的类别权重，获取不同特征类别下预处理后的特征数据，获取提取特征数据之间的皮尔逊相关系数，标记皮尔逊相关系数大于预设阈值的特征数据；
S206，根据所述皮尔逊相关系数为标记的特征数据设置关联权重，根据所述关联权重结合类别权重进行特征数据的空间融合，并进行归一化处理，生成特征数据集；
S208，根据所述特征数据集构建无向图，将特征数据作为无向图的节点，并根据皮尔逊相关系数获取节点之间的关联生成无向图的边结构，获取不同节点之间的最大互信息系数，根据所述最大互信息系数构建邻接矩阵；
S210，利用图神经网络对无向图进行学习，并引入多头注意力机制获取邻接矩阵中邻居节点的多头注意力系数，将邻居节点向量表示与多头注意力系数相乘并取平均得到节点的重要性得分；
S212，根据所述重要性得分筛选预设数量的特征数据，根据所述特征数据对应的参数指标生成稻茬烤烟的种植质量评价指标。
需要说明的是，利用卡尔曼滤波进行滤波处理，有效抑制系统与环境噪声，减小随机误差的影响，并且通过关联权重结合类别权重进行数据空间融合，消除各特征数据的量纲与数值差异。根据最大互信息系数构建无向图中图结构的邻接矩阵，最大互信息系数通过对变量对的散点图进行分割，利用动态规划的方式计算并搜索不同分割方式下所能达到的最大互信息值，并对最大互信息值进行标准化处理。
图3示出了本发明构建稻茬烤烟种植质量评价模型的方法流程图。
根据本发明实施例，利用深度学习方法构建稻茬烤烟种植质量评价模型，具体为：
S302，根据自编码器网络及神经网络构建稻茬烤烟种植质量评价模型，并根据优化后的粒子群算法进行评价模型的网络结构寻优，将所述自编码器网络作为评价模型的输入层；
S304，初始化粒子群算法参数及粒子位置、速度信息，将评价模型的评价精度作为适应度，获取粒子个体极值及全局极值，引入模拟退火算法进行迭代寻优，利用模拟退火邻域搜索更新粒子的位置和速度；
S306，当满足终止条件时停止迭代，根据最优位置获取自编码器网络的层数及神经网络权值、阈值，建立稻茬烤烟种植质量评价模型并进行训练；
S308，将种植质量评价指标对应的多源指标参数导入输入层进行编码学习，获取多源指标参数的特征信息，将所述特征信息导入神经网络的隐藏层进行非线性拟合，并通过输出层获取稻茬烤烟种植质量等级。
需要说明的是，通过模拟退火算法优化后的粒子群算法对自编码器网络的层数及神经网络的权值、阈值进行寻优，在粒子群算法中初始化退火温度，经过迭代寻优后对粒子的个体极值进行模拟退火邻域搜索，更新粒子个体极值和全局极值，获取最优粒子位置及速度信息，确定自编码器网络的层数及神经网络的权值、阈值。在稻茬烤烟种植质量评价模型的输入层中，将多个相同结构的自编码器依次连接起来，通过逐层无监督方式对所述自编码器进行训练，利用种植质量评价指标对应的训练样本数据进行编码与重构，获取训练参数作为隐藏层特征进行保存，并输入下一隐藏层中进行逐层训练。
需要说明的是，通过人工智能感官获取烤烟植株烟叶的感官数据，将所述感官数据进行预处理，获取形色气味并通过模式识别来表征其质量，获取优质烟叶的感官数据生成基准数据； 根据烤烟植株烟叶的感官数据及基准数据映射到低维空间，将感官数据向量与基准数据向量进行对比获取质量评估系数，获取质量评估系数与感官数据向量的乘积，利用所述乘积获取烟叶质量评价结果，感官数据向量偏离基准数据代表的标准基准数据空间，二者的欧氏距离变大，导致质量评估系数增大，根据质量评估系数大小评价烟叶质量评价结果；获取烤烟植株的种植质量评价结果，根据所述种植质量评价结果进行种植质量评价指标对应多源指标参数的主成分分析，获取主成分指标参数作为主成分方向；获取主成分指标参数与烟叶质量评价结果的皮尔逊相关系数，根据相关性获取烟叶质量评价与种植质量评价是否一致，当所述皮尔逊相关系数不符合预设标准时，则对种植质量评价指标进行替换修正。
需要说明的是，获取烤烟植株烟叶质量评估结果，当烟叶质量评估结果小于预设等级阈值时，则证明稻茬烤烟种植需要优化；将烤烟植株种植质量评价指标对应多源指标参数进行主成分分析，获取主成分指标参数作为主成分方向，获取根据所述主成分方向进行投影获取种植质量评价结果对应的特征散点图；在所述特征散点图中计算各特征点与主成分中心点的距离，筛选小于距离阈值的特征点对应的种植质量评价指标，根据筛选的评价指标获取种植优化方向，并基于种植优化方向在相关知识图谱中获取实施措施。
根据本发明实施例，构建稻茬烤烟相关数据库，将烤烟植株不同生长阶段的历史种植质量评价结果及烟草质量评价结果存入数据库，并通过统计分析获取烤烟植株不同生长阶段的烟叶质量标准；根据预设时间内稻茬烤烟的种植质量评价结果及烟叶质量评价结果获取种植质量与烟叶质量的相关性，获取当前时间戳目标烤烟植株的种植质量评价结果，根据当前的种植质量评价结果基于所述相关性预测预设时间后的烟叶质量评价结果，从所述数据库中提取预设时间后的烟叶质量标准，判断预测的烟叶质量评价结果是否符合所述烟叶质量标准，当不符合时，则判断种植优化方向，基于大数据手段从相关知识图谱中获取种植优化措施。
图4示出了本发明一种基于多源数据的稻茬烤烟种植质量评价系统的框图。
本发明第二方面还提供了一种基于多源数据的稻茬烤烟种植质量评价系统4，该系统包括：存储器41、处理器42，所述存储器中包括基于多源数据的稻茬烤烟种植质量评价方法程序，所述基于多源数据的稻茬烤烟种植质量评价方法程序被所述处理器执行时实现如下步骤：
获取稻茬烤烟种植区域的生长历程，根据所述生长历程划分不同的生长阶段，读取不同生长阶段对应的环境特征、生长状况特征及种植操作特征，将读取的不同类别特征进行空间融合；
获取空间融合后的特征数据集，在所述特征数据集中通过特征选择对特征参数进行筛选，基于筛选后的特征参数生成稻茬烤烟的种植质量评价指标；
利用深度学习方法构建稻茬烤烟种植质量评价模型，根据所述种植质量评价指标读取多源指标参数作为评价模型的输入，根据评价模型获取稻茬烤烟的种植质量评价结果；
获取稻茬烤烟烟叶的感官数据，通过所述感官数据进行烟叶质量评价，获取种植质量评价结果与烟叶质量评价结果的相关性，根据所述相关性修正评价指标，并根据烟叶质量评价结果获取稻茬烤烟种植的种植优化方向。
根据本发明实施例，获取空间融合后的特征数据集，在所述特征数据集中通过特征选择对特征参数进行筛选，具体为：
通过数据感知获取环境特征、生长状况特征及种植操作特征对应的特征数据，将所述特征数据利用卡尔曼滤波进行滤波处理，并进行数据清洗剔除异常特征数据；
利用自适应加权设置环境特征、生长状况特征及种植操作特征的类别权重，获取不同特征类别下预处理后的特征数据，获取提取特征数据之间的皮尔逊相关系数，标记皮尔逊相关系数大于预设阈值的特征数据；
根据所述皮尔逊相关系数为标记的特征数据设置关联权重，根据所述关联权重结合类别权重进行特征数据的空间融合，并进行归一化处理，生成特征数据集；
根据所述特征数据集构建无向图，将特征数据作为无向图的节点，并根据皮尔逊相关系数获取节点之间的关联生成无向图的边结构，获取不同节点之间的最大互信息系数，根据所述最大互信息系数构建邻接矩阵；
利用图神经网络对无向图进行学习，并引入多头注意力机制获取邻接矩阵中邻居节点的多头注意力系数，将邻居节点向量表示与多头注意力系数相乘并取平均得到节点的重要性得分；
根据所述重要性得分筛选预设数量的特征数据，根据所述特征数据对应的参数指标生成稻茬烤烟的种植质量评价指标。
需要说明的是，利用卡尔曼滤波进行滤波处理，有效抑制系统与环境噪声，减小随机误差的影响，并且通过关联权重结合类别权重进行数据空间融合，消除各特征数据的量纲与数值差异。根据最大互信息系数构建无向图中图结构的邻接矩阵，最大互信息系数通过对变量对的散点图进行分割，利用动态规划的方式计算并搜索不同分割方式下所能达到的最大互信息值，并对最大互信息值进行标准化处理。
根据本发明实施例，利用深度学习方法构建稻茬烤烟种植质量评价模型，具体为：
根据自编码器网络及神经网络构建稻茬烤烟种植质量评价模型，并根据优化后的粒子群算法进行评价模型的网络结构寻优，将所述自编码器网络作为评价模型的输入层；
初始化粒子群算法参数及粒子位置、速度信息，将评价模型的评价精度作为适应度，获取粒子个体极值及全局极值，引入模拟退火算法进行迭代寻优，利用模拟退火邻域搜索更新粒子的位置和速度；
当满足终止条件时停止迭代，根据最优位置获取自编码器网络的层数及神经网络权值、阈值，建立稻茬烤烟种植质量评价模型并进行训练；
将种植质量评价指标对应的多源指标参数导入输入层进行编码学习，获取多源指标参数的特征信息，将所述特征信息导入神经网络的隐藏层进行非线性拟合，并通过输出层获取稻茬烤烟种植质量等级。
需要说明的是，通过模拟退火算法优化后的粒子群算法对自编码器网络的层数及神经网络的权值、阈值进行寻优，在粒子群算法中初始化退火温度，经过迭代寻优后对粒子的个体极值进行模拟退火邻域搜索，更新粒子个体极值和全局极值，获取最优粒子位置及速度信息，确定自编码器网络的层数及神经网络的权值、阈值。在稻茬烤烟种植质量评价模型的输入层中，将多个相同结构的自编码器依次连接起来，通过逐层无监督方式对所述自编码器进行训练，利用种植质量评价指标对应的训练样本数据进行编码与重构，获取训练参数作为隐藏层特征进行保存，并输入下一隐藏层中进行逐层训练。
需要说明的是，通过人工智能感官获取烤烟植株烟叶的感官数据，将所述感官数据进行预处理，获取形色气味并通过模式识别来表征其质量，获取优质烟叶的感官数据生成基准数据； 根据烤烟植株烟叶的感官数据及基准数据映射到低维空间，将感官数据向量与基准数据向量进行对比获取质量评估系数，获取质量评估系数与感官数据向量的乘积，利用所述乘积获取烟叶质量评价结果，感官数据向量偏离基准数据代表的标准基准数据空间，二者的欧氏距离变大，导致质量评估系数增大，根据质量评估系数大小评价烟叶质量评价结果；获取烤烟植株的种植质量评价结果，根据所述种植质量评价结果进行种植质量评价指标对应多源指标参数的主成分分析，获取主成分指标参数作为主成分方向；获取主成分指标参数与烟叶质量评价结果的皮尔逊相关系数，根据相关性获取烟叶质量评价与种植质量评价是否一致，当所述皮尔逊相关系数不符合预设标准时，则对种植质量评价指标进行替换修正。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于多源数据的稻茬烤烟种植质量评价方法程序，所述基于多源数据的稻茬烤烟种植质量评价方法程序被处理器执行时，实现如上述任一项所述的基于多源数据的稻茬烤烟种植质量评价方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于多源数据的稻茬烤烟种植质量评价方法，其特征在于，包括以下步骤：
获取稻茬烤烟种植区域的生长历程，根据所述生长历程划分不同的生长阶段，读取不同生长阶段对应的环境特征、生长状况特征及种植操作特征，将读取的不同类别特征进行空间融合；
获取空间融合后的特征数据集，在所述特征数据集中通过特征选择对特征参数进行筛选，基于筛选后的特征参数生成稻茬烤烟的种植质量评价指标；
利用深度学习方法构建稻茬烤烟种植质量评价模型，根据所述种植质量评价指标读取多源指标参数作为评价模型的输入，根据评价模型获取稻茬烤烟的种植质量评价结果；
获取稻茬烤烟烟叶的感官数据，通过所述感官数据进行烟叶质量评价，获取种植质量评价结果与烟叶质量评价结果的相关性，根据所述相关性修正评价指标，并根据烟叶质量评价结果获取稻茬烤烟种植的种植优化方向。
2.根据权利要求1所述的一种基于多源数据的稻茬烤烟种植质量评价方法，其特征在于，读取不同生长阶段对应的环境特征、生长状况特征及种植操作特征，具体为：
获取目标稻茬烤烟种植区域中烤烟植株的历史生长状况，根据所述历史生长状况进行聚类处理，预设扫描半径与最小包含点数，在历史生长状况中随机抽取生长状况样本；
获取生长状况样本的邻域所包含的样本数，当所述样本数不小于所述最小包含点数时，建立新的类簇，并将其中所有样本加入候选集，检查候选集中的未归类样本的邻域，根据判断结果归于候选集或者新的类簇；
通过迭代聚类直到候选集为空，根据生长状况样本的分类情况获取聚类结果，根据所述聚类结果读取类簇数，根据所述类簇将烤烟植株的生长历程划分为不同的生长阶段；
基于所述环境特征、生长状况特征及种植操作特征构建检索标签，根据大数据方法获取不同检索标签所涉及的参数指标，并通过统计分析获取不同参数指标的使用频次，利用使用频次获取不同检索标签对应的参数指标子集；
根据所述参数指标子集读取烤烟植株对应的环境特征、生长状况特征及种植操作特征，并根据不同生长阶段设置特征数据的标签信息。
3.根据权利要求1所述的一种基于多源数据的稻茬烤烟种植质量评价方法，其特征在于，获取空间融合后的特征数据集，在所述特征数据集中通过特征选择对特征参数进行筛选，具体为：
通过数据感知获取环境特征、生长状况特征及种植操作特征对应的特征数据，将所述特征数据利用卡尔曼滤波进行滤波处理，并进行数据清洗剔除异常特征数据；
利用自适应加权设置环境特征、生长状况特征及种植操作特征的类别权重，获取不同特征类别下预处理后的特征数据，获取提取特征数据之间的皮尔逊相关系数，标记皮尔逊相关系数大于预设阈值的特征数据；
根据所述皮尔逊相关系数为标记的特征数据设置关联权重，根据所述关联权重结合类别权重进行特征数据的空间融合，并进行归一化处理，生成特征数据集；
根据所述特征数据集构建无向图，将特征数据作为无向图的节点，并根据皮尔逊相关系数获取节点之间的关联生成无向图的边结构，获取不同节点之间的最大互信息系数，根据所述最大互信息系数构建邻接矩阵；
利用图神经网络对无向图进行学习，并引入多头注意力机制获取邻接矩阵中邻居节点的多头注意力系数，将邻居节点向量表示与多头注意力系数相乘并取平均得到节点的重要性得分；
根据所述重要性得分筛选预设数量的特征数据，根据所述特征数据对应的参数指标生成稻茬烤烟的种植质量评价指标。
4.根据权利要求1所述的一种基于多源数据的稻茬烤烟种植质量评价方法，其特征在于，利用深度学习方法构建稻茬烤烟种植质量评价模型，具体为：
根据自编码器网络及神经网络构建稻茬烤烟种植质量评价模型，并根据优化后的粒子群算法进行评价模型的网络结构寻优，将所述自编码器网络作为评价模型的输入层；
初始化粒子群算法参数及粒子位置、速度信息，将评价模型的评价精度作为适应度，获取粒子个体极值及全局极值，引入模拟退火算法进行迭代寻优，利用模拟退火邻域搜索更新粒子的位置和速度；
当满足终止条件时停止迭代，根据最优位置获取自编码器网络的层数及神经网络权值、阈值，建立稻茬烤烟种植质量评价模型并进行训练；
将种植质量评价指标对应的多源指标参数导入输入层进行编码学习，获取多源指标参数的特征信息，将所述特征信息导入神经网络的隐藏层进行非线性拟合，并通过输出层获取稻茬烤烟种植质量等级。
5.根据权利要求1所述的一种基于多源数据的稻茬烤烟种植质量评价方法，其特征在于，通过所述感官数据进行烟叶质量评价，获取种植质量评价结果与烟叶质量评价结果的相关性，根据所述相关性修正评价指标，具体为：
通过人工智能感官获取烤烟植株烟叶的感官数据，将所述感官数据进行预处理，获取优质烟叶的感官数据生成基准数据；
根据烤烟植株烟叶的感官数据及基准数据映射到低维空间，将感官数据向量与基准数据向量进行对比获取质量评估系数，获取质量评估系数与感官数据向量的乘积，利用所述乘积获取烟叶质量评价结果；
获取烤烟植株的种植质量评价结果，根据所述种植质量评价结果进行种植质量评价指标对应多源指标参数的主成分分析，获取主成分指标参数作为主成分方向；
获取主成分指标参数与烟叶质量评价结果的皮尔逊相关系数，当所述皮尔逊相关系数不符合预设标准时，则对种植质量评价指标进行替换修正。
6.根据权利要求1所述的一种基于多源数据的稻茬烤烟种植质量评价方法，其特征在于，根据烟叶质量评价结果获取稻茬烤烟种植的种植优化方向，具体为：
获取烤烟植株烟叶质量评估结果，当烟叶质量评估结果小于预设等级阈值时，则证明稻茬烤烟种植需要优化；
将烤烟植株种植质量评价指标对应多源指标参数进行主成分分析，获取主成分指标参数作为主成分方向，获取根据所述主成分方向进行投影获取种植质量评价结果对应的特征散点图；
在所述特征散点图中计算各特征点与主成分中心点的距离，筛选小于距离阈值的特征点对应的种植质量评价指标，根据筛选的评价指标获取种植优化方向，并基于种植优化方向在相关知识图谱中获取实施措施。
7.一种基于多源数据的稻茬烤烟种植质量评价系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于多源数据的稻茬烤烟种植质量评价方法程序，所述基于多源数据的稻茬烤烟种植质量评价方法程序被所述处理器执行时实现如下步骤：
获取稻茬烤烟种植区域的生长历程，根据所述生长历程划分不同的生长阶段，读取不同生长阶段对应的环境特征、生长状况特征及种植操作特征，将读取的不同类别特征进行空间融合；
获取空间融合后的特征数据集，在所述特征数据集中通过特征选择对特征参数进行筛选，基于筛选后的特征参数生成稻茬烤烟的种植质量评价指标；
利用深度学习方法构建稻茬烤烟种植质量评价模型，根据所述种植质量评价指标读取多源指标参数作为评价模型的输入，根据评价模型获取稻茬烤烟的种植质量评价结果；
获取稻茬烤烟烟叶的感官数据，通过所述感官数据进行烟叶质量评价，获取种植质量评价结果与烟叶质量评价结果的相关性，根据所述相关性修正评价指标，并根据烟叶质量评价结果获取稻茬烤烟种植的种植优化方向。
8.根据权利要求7所述的一种基于多源数据的稻茬烤烟种植质量评价系统，其特征在于，获取空间融合后的特征数据集，在所述特征数据集中通过特征选择对特征参数进行筛选，具体为：
通过数据感知获取环境特征、生长状况特征及种植操作特征对应的特征数据，将所述特征数据利用卡尔曼滤波进行滤波处理，并进行数据清洗剔除异常特征数据；
利用自适应加权设置环境特征、生长状况特征及种植操作特征的类别权重，获取不同特征类别下预处理后的特征数据，获取提取特征数据之间的皮尔逊相关系数，标记皮尔逊相关系数大于预设阈值的特征数据；
根据所述皮尔逊相关系数为标记的特征数据设置关联权重，根据所述关联权重结合类别权重进行特征数据的空间融合，并进行归一化处理，生成特征数据集；
根据所述特征数据集构建无向图，将特征数据作为无向图的节点，并根据皮尔逊相关系数获取节点之间的关联生成无向图的边结构，获取不同节点之间的最大互信息系数，根据所述最大互信息系数构建邻接矩阵；
利用图神经网络对无向图进行学习，并引入多头注意力机制获取邻接矩阵中邻居节点的多头注意力系数，将邻居节点向量表示与多头注意力系数相乘并取平均得到节点的重要性得分；
根据所述重要性得分筛选预设数量的特征数据，根据所述特征数据对应的参数指标生成稻茬烤烟的种植质量评价指标。
9.根据权利要求7所述的一种基于多源数据的稻茬烤烟种植质量评价系统，其特征在于，利用深度学习方法构建稻茬烤烟种植质量评价模型，具体为：
根据自编码器网络及神经网络构建稻茬烤烟种植质量评价模型，并根据优化后的粒子群算法进行评价模型的网络结构寻优，将所述自编码器网络作为评价模型的输入层；
初始化粒子群算法参数及粒子位置、速度信息，将评价模型的评价精度作为适应度，获取粒子个体极值及全局极值，引入模拟退火算法进行迭代寻优，利用模拟退火邻域搜索更新粒子的位置和速度；
当满足终止条件时停止迭代，根据最优位置获取自编码器网络的层数及神经网络权值、阈值，建立稻茬烤烟种植质量评价模型并进行训练；
将种植质量评价指标对应的多源指标参数导入输入层进行编码学习，获取多源指标参数的特征信息，将所述特征信息导入神经网络的隐藏层进行非线性拟合，并通过输出层获取稻茬烤烟种植质量等级。
10.根据权利要求7所述的一种基于多源数据的稻茬烤烟种植质量评价系统，其特征在于，通过所述感官数据进行烟叶质量评价，获取种植质量评价结果与烟叶质量评价结果的相关性，根据所述相关性修正评价指标，具体为：
通过人工智能感官获取烤烟植株烟叶的感官数据，将所述感官数据进行预处理，获取优质烟叶的感官数据生成基准数据；
根据烤烟植株烟叶的感官数据及基准数据映射到低维空间，将感官数据向量与基准数据向量进行对比获取质量评估系数，获取质量评估系数与感官数据向量的乘积，利用所述乘积获取烟叶质量评价结果；
获取烤烟植株的种植质量评价结果，根据所述种植质量评价结果进行种植质量评价指标对应多源指标参数的主成分分析，获取主成分指标参数作为主成分方向；
获取主成分指标参数与烟叶质量评价结果的皮尔逊相关系数，当所述皮尔逊相关系数不符合预设标准时，则对种植质量评价指标进行替换修正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410178679.7A CN117745148B (zh) | 2024-02-10 | 2024-02-10 | 基于多源数据的稻茬烤烟种植质量评价方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410178679.7A CN117745148B (zh) | 2024-02-10 | 2024-02-10 | 基于多源数据的稻茬烤烟种植质量评价方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117745148A true CN117745148A (zh) | 2024-03-22 |
| CN117745148B CN117745148B (zh) | 2024-05-10 |
Family
ID=90253009
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410178679.7A Active CN117745148B (zh) | 2024-02-10 | 2024-02-10 | 基于多源数据的稻茬烤烟种植质量评价方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117745148B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004057941A2 (en) * | 2002-12-17 | 2004-07-15 | Cornell Research Foundation, Inc. | RECESSIVE PLANT VIRAL RESISTANCE RESULTS FROM MUTATIONS IN TRANSLATION INITIATION FACTOR eIF4E |
| CN104063599A (zh) * | 2014-06-26 | 2014-09-24 | 江苏中烟工业有限责任公司 | 一种用于评价烟叶质量的指标筛选及处理方法 |
| US20140301607A1 (en) * | 2013-04-05 | 2014-10-09 | Pioneer Hi Bred International Inc | Field and Crop Evaluation Tool and Methods of Use |
| CN108416489A (zh) * | 2018-01-10 | 2018-08-17 | 浙江中烟工业有限责任公司 | 一种烟叶制品感官评吸数据的处理方法和处理系统 |
| CN109298139A (zh) * | 2018-10-29 | 2019-02-01 | 中国农业大学 | 烟叶质量评价方法及装置 |
| CN111160425A (zh) * | 2019-12-17 | 2020-05-15 | 湖北中烟工业有限责任公司 | 一种基于神经网络的烤烟舒适性分类评价方法 |
| US20210189414A1 (en) * | 2019-12-20 | 2021-06-24 | Pairwise Plants Services, Inc. | Mutation of growth regulating factor family transcription factors for enhanced plant growth |
| CN114299393A (zh) * | 2021-12-30 | 2022-04-08 | 福州大学 | 一种基于光学和雷达时序数据的烟稻种植模式识别方法 |
| US20230100004A1 (en) * | 2021-09-30 | 2023-03-30 | Monsanto Technology Llc | Methods and systems for use in processing images related to crops |
| WO2023122224A2 (en) * | 2021-12-21 | 2023-06-29 | Pow Genetic Solutions, Inc. | Methods and systems for optimizing culture conditions in a culture process |
| CN117036370A (zh) * | 2023-06-14 | 2023-11-10 | 中国农业大学 | 一种基于注意力机制和图卷积的植物器官点云分割方法 |
-
2024
- 2024-02-10 CN CN202410178679.7A patent/CN117745148B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004057941A2 (en) * | 2002-12-17 | 2004-07-15 | Cornell Research Foundation, Inc. | RECESSIVE PLANT VIRAL RESISTANCE RESULTS FROM MUTATIONS IN TRANSLATION INITIATION FACTOR eIF4E |
| US20140301607A1 (en) * | 2013-04-05 | 2014-10-09 | Pioneer Hi Bred International Inc | Field and Crop Evaluation Tool and Methods of Use |
| CN104063599A (zh) * | 2014-06-26 | 2014-09-24 | 江苏中烟工业有限责任公司 | 一种用于评价烟叶质量的指标筛选及处理方法 |
| CN108416489A (zh) * | 2018-01-10 | 2018-08-17 | 浙江中烟工业有限责任公司 | 一种烟叶制品感官评吸数据的处理方法和处理系统 |
| CN109298139A (zh) * | 2018-10-29 | 2019-02-01 | 中国农业大学 | 烟叶质量评价方法及装置 |
| CN111160425A (zh) * | 2019-12-17 | 2020-05-15 | 湖北中烟工业有限责任公司 | 一种基于神经网络的烤烟舒适性分类评价方法 |
| US20210189414A1 (en) * | 2019-12-20 | 2021-06-24 | Pairwise Plants Services, Inc. | Mutation of growth regulating factor family transcription factors for enhanced plant growth |
| US20230100004A1 (en) * | 2021-09-30 | 2023-03-30 | Monsanto Technology Llc | Methods and systems for use in processing images related to crops |
| WO2023122224A2 (en) * | 2021-12-21 | 2023-06-29 | Pow Genetic Solutions, Inc. | Methods and systems for optimizing culture conditions in a culture process |
| CN114299393A (zh) * | 2021-12-30 | 2022-04-08 | 福州大学 | 一种基于光学和雷达时序数据的烟稻种植模式识别方法 |
| CN117036370A (zh) * | 2023-06-14 | 2023-11-10 | 中国农业大学 | 一种基于注意力机制和图卷积的植物器官点云分割方法 |
Non-Patent Citations (5)
| Title |
|---|
| 刘加红;张拯研;李强;张永安;解燕;黄夸克;郭常德;张瑞勤;: "宣威烟区不同土壤类型烤烟化学成分的差异及其综合评价", 湖南农业科学, no. 23, 15 December 2011 (2011-12-15) * |
| 常寿荣;吴涛;罗华元;王玉;王绍坤;侯英;: "烤烟品种、部位及生态环境对烟叶致香物质的影响", 云南农业大学学报, no. 01, 15 January 2010 (2010-01-15) * |
| 王勇;刘红恩;杨超;王红锋;马浩;李正;赵俊杰;李沛;王爽7;叶协锋;: "重庆市烤烟质量空间变异特征及其与作物茬口关系研究", 江西农业学报, no. 09, 15 September 2011 (2011-09-15) * |
| 陈检锋;陈华;尹梅;王志远;洪丽芳;苏帆;李国宏;付利波;: "玉溪烤烟适产养分临界值施肥体系研究", 中国农学通报, no. 11, 15 April 2020 (2020-04-15) * |
| 齐永杰;徐文兵;邓小华;杨丽丽;卢健;罗建钦;吴峰;李宏光;李伟;肖艳松;: "根区施用不同生物有机肥对稻茬烤烟生长和产质量的影响", 烟草科技, no. 05, 7 June 2018 (2018-06-07) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117745148B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112906298B (zh) | 一种基于机器学习的蓝莓产量预测方法 | |
| WO2022175970A1 (en) | System and method for determining one or more agri-measures | |
| Arumugam | A predictive modeling approach for improving paddy crop productivity using data mining techniques | |
| CN115829162B (zh) | 作物产量预测方法、装置、电子设备及介质 | |
| Campos | Banana production in Venezuela: Novel solutions to productivity and plant health | |
| CN115618021A (zh) | 农作物品种适宜种植区域推荐方法及装置 | |
| CN115860581B (zh) | 农作物品种适宜性评价方法、装置、设备及存储介质 | |
| CN113435707A (zh) | 基于深度学习和计权型多因子评价的测土配方施肥方法 | |
| CN115660291A (zh) | 一种植物病害发生与潜在发生的识别评估方法及系统 | |
| Nishizono et al. | Geographical variation in age–height relationships for dominant trees in Japanese cedar (Cryptomeria japonica D. Don) forests in Japan | |
| Setiadi et al. | Implementation of naïve bayes method in food crops planting recommendation | |
| Samuel et al. | Crop price prediction system using machine learning algorithms | |
| Modi et al. | Crop recommendation using machine learning algorithm | |
| Pravallika et al. | Deep neural network model for proficient crop yield prediction | |
| CN113379188A (zh) | 基于物联网的烟草轮作种植方法和系统 | |
| Monica et al. | Soil NPK prediction using enhanced genetic algorithm | |
| CN117745148B (zh) | 基于多源数据的稻茬烤烟种植质量评价方法及系统 | |
| Dupuis et al. | Performances of a Seq2Seq-LSTM methodology to predict crop rotations in Québec | |
| Singh et al. | Precision agriculture and machine learning | |
| Aishwarya et al. | Data mining analysis for precision agriculture: A comprehensive survey | |
| Manjula et al. | Efficient prediction of recommended crop variety through soil nutrients using deep learning algorithm | |
| Gong et al. | Studies of evolutionary algorithms for the reduced Tomgro model calibration for modelling tomato yields | |
| Manivasagam et al. | An efficient crop yield prediction using machine learning | |
| CN114004389A (zh) | 一种对农作物产量预测的混合方法 | |
| Witten et al. | Practical machine learning and its application to problems in agriculture |
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 |