大棚蔬菜种植管理系统及其方法技术方案

本申请涉及智能管理领域，其具体地公开了一种大棚蔬菜种植管理系统及其方法，其采用基于深度神经网络模型的人工智能技术，获取预定时间段内多个预定时间点的土壤的湿度值和EC值，排列为向量后进行关联编码，然后通过卷积神经网络得到特征矩阵，进一步通过空间注意力机制模块进行特征增强，以得到用于表示当前时间点的水肥比例是否需要调整的分类结果。通过这样的方式，能够实时监测大棚蔬菜的水分和肥料含量，及时调整土壤的水肥状况，确保大棚蔬菜种植状况。菜种植状况。菜种植状况。

【技术实现步骤摘要】
大棚蔬菜种植管理系统及其方法


[0001]本申请涉及智能管理领域，且更为具体地，涉及一种大棚蔬菜种植管理系统及其方法。

技术介绍

[0002]大棚蔬菜种植过程中，水肥是关键。肥料是手段，水是整个管理的灵魂。但施肥并不是越多越好，过多会提高生产成本和对周围环境的破坏，过少蔬菜会得不到营养导致减产。浇水的量也要适合，过多会引起蔬菜根部腐烂，过少会导致蔬菜生长缓慢甚至枯死。因此，如果水肥比例不合适，会影响蔬菜的生长和发育，导致蔬菜生长缓慢、产量低下、品质差等问题。现有的技术不能对大棚蔬菜种植的水肥比例进行精准的控制。
[0003]因此，期待一种优化的大棚蔬菜种植管理方案。

技术实现思路

[0004]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大棚蔬菜种植管理系统及其方法，其采用基于深度神经网络模型的人工智能技术，获取预定时间段内多个预定时间点的土壤的湿度值和EC值，排列为向量后进行关联编码，然后通过卷积神经网络得到特征矩阵，进一步通过空间注意力机制模块进行特征增强，以得到用于表示当前时间点的水肥比例是否需要调整的分类结果。通过这样的方式，能够实时监测大棚蔬菜的水分和肥料含量，及时调整土壤的水肥状况，确保大棚蔬菜种植状况。
[0005]根据本申请的一个方面，提供了一种大棚蔬菜种植管理系统，其包括：数据获取模块，用于获取预定时间段内多个预定时间点的土壤的湿度值和EC值；时序排列模块，用于将所述多个预定时间点的土壤的湿度值和EC值分别按照时间维度排列为湿度时序输入向量和EC时序输入向量；关联编码模块，用于对所述湿度时序输入向量和所述EC时序输入向量进行关联编码以得到水肥关联矩阵；水肥特征提取模块，用于将所述水肥关联矩阵通过具有块结构的卷积神经网络以得到水肥特征矩阵；注意力提取模块，用于将所述水肥特征矩阵通过空间注意力机制模块以得到分类特征向量；优化模块，用于对所述分类特征向量进行降维优化以得到优化分类特征向量；以及分类结果模块，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水肥比例是否需要调整。在上述大棚蔬菜种植管理系统中，所述关联编码模块，用于：以如下关联公式对所述湿度时序输入向量和所述EC时序输入向量进行关联编码以得到水肥关联矩阵；其中，所述关联公式为：其中 表示所述湿度时序输入向量，表示所述时序输入向量，表示所述水肥关联矩阵，表示矩阵相乘。
[0006]在上述大棚蔬菜种植管理系统中，所述水肥特征提取模块，用于：所述包含块结构特征提取模块的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行基于第一二维卷积核的卷积处理、池化处理和非线性处理以得到第一激活特
征图；以及，对所述第一激活特征图进行基于第二二维卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一二维卷积核和所述第二二维卷积核互为转置；其中，所述包含块结构特征提取模块的卷积神经网络模型的第一层的输入为所述水肥关联矩阵，所述包含块结构特征提取模块的卷积神经网络模型的最后一层的输出为所述水肥特征矩阵。
[0007]在上述大棚蔬菜种植管理系统中，所述注意力提取模块，包括：深度卷积编码单元，用于使用所述空间注意力机制模块的卷积编码部分对所述水肥特征矩阵进行深度卷积编码以得到检测卷积特征图；空间注意力单元，用于将所述检测卷积特征图输入所述空间注意力机制模块的空间注意力部分以得到空间注意力图；激活单元，用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；计算单元，用于计算所述空间注意力特征图和所述检测卷积特征图的按位置点乘以得到融合特征图；以及，池化单元，用于对所述融合特征图进行沿通道维度的各个特征矩阵的池化处理以得到分类特征向量。
[0008]在上述大棚蔬菜种植管理系统中，所述优化模块，包括：概率化单元，用于将所述分类特征向量输入Sigmoid激活函数进行激活以得到概率化分类特征向量；归零处理单元，用于针对于所述概率化分类特征向量中各个位置的特征值，将所述各个位置的特征值进行归零处理以得到多个概率化掩码分类特征向量；散度计算单元，用于分别计算所述概率化分类特征向量与所述各个概率化掩码分类特征向量之间的KL散度以得到多个KL散度；以及，优化单元，用于基于所述KL散度与预定阈值之间的比较，确定是否剔除所述概率化分类特征向量中各个位置的特征值以得到优化分类特征向量。
[0009]在上述大棚蔬菜种植管理系统中，所述分类结果模块，包括：全连接编码单元，用于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，分类结果单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
[0010]根据本申请的另一方面，提供了一种大棚蔬菜种植管理方法，其包括：获取预定时间段内多个预定时间点的土壤的湿度值和EC值；将所述多个预定时间点的土壤的湿度值和EC值分别按照时间维度排列为湿度时序输入向量和EC时序输入向量；对所述湿度时序输入向量和所述EC时序输入向量进行关联编码以得到水肥关联矩阵；将所述水肥关联矩阵通过具有块结构的卷积神经网络以得到水肥特征矩阵；将所述水肥特征矩阵通过空间注意力机制模块以得到分类特征向量；对所述分类特征向量进行降维优化以得到优化分类特征向量；以及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水肥比例是否需要调整。
[0011]与现有技术相比，本申请提供的一种大棚蔬菜种植管理系统及其方法，其采用基于深度神经网络模型的人工智能技术，获取预定时间段内多个预定时间点的土壤的湿度值和EC值，排列为向量后进行关联编码，然后通过卷积神经网络得到特征矩阵，进一步通过空间注意力机制模块进行特征增强，以得到用于表示当前时间点的水肥比例是否需要调整的分类结果。通过这样的方式，能够实时监测大棚蔬菜的水分和肥料含量，及时调整土壤的水肥状况，确保大棚蔬菜种植状况。
附图说明
[0012]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。
[0013]图1为根据本申请实施例的大棚蔬菜种植管理系统的框图。
[0014]图2为根据本申请实施例的大棚蔬菜种植管理系统的架构示意图。
[0015]图3为根据本申请实施例的大棚蔬菜种植管理系统中注意力提取模块的框图。
[0016]图4为根据本申请实施例的大棚蔬菜种植管理方法的流程图。
[0017]图5为根据本申请实施例的电子设备的框图。
具体实施方式
[0018]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大棚蔬菜种植管理系统，其特征在于，包括：数据获取模块，用于获取预定时间段内多个预定时间点的土壤的湿度值和EC值；时序排列模块，用于将所述多个预定时间点的土壤的湿度值和EC值分别按照时间维度排列为湿度时序输入向量和EC时序输入向量；关联编码模块，用于对所述湿度时序输入向量和所述EC时序输入向量进行关联编码以得到水肥关联矩阵；水肥特征提取模块，用于将所述水肥关联矩阵通过具有块结构的卷积神经网络以得到水肥特征矩阵；注意力提取模块，用于将所述水肥特征矩阵通过空间注意力机制模块以得到分类特征向量；优化模块，用于对所述分类特征向量进行降维优化以得到优化分类特征向量；以及分类结果模块，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水肥比例是否需要调整。2.根据权利要求1所述的大棚蔬菜种植管理系统，其特征在于，所述关联编码模块，用于：以如下关联公式对所述湿度时序输入向量和所述EC时序输入向量进行关联编码以得到水肥关联矩阵；其中，所述关联公式为：其中 表示所述湿度时序输入向量，表示所述时序输入向量，表示所述水肥关联矩阵，表示矩阵相乘。3.根据权利要求2所述的大棚蔬菜种植管理系统，其特征在于，所述水肥特征提取模块，用于：所述包含块结构特征提取模块的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行基于第一二维卷积核的卷积处理、池化处理和非线性处理以得到第一激活特征图；以及对所述第一激活特征图进行基于第二二维卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一二维卷积核和所述第二二维卷积核互为转置；其中，所述包含块结构特征提取模块的卷积神经网络模型的第一层的输入为所述水肥关联矩阵，所述包含块结构特征提取模块的卷积神经网络模型的最后一层的输出为所述水肥特征矩阵。4.根据权利要求3所述的大棚蔬菜种植管理系统，其特征在于，所述注意力提取模块，包括：深度卷积编码单元，用于使用所述空间注意力机制模块的卷积编码部分对所述水肥特征矩阵进行深度卷积编码以得到检测卷积特征图；空间注意力单元，用于将所述检测卷积特征图输入所述空间注意力机制模块的空间注意力部分以得到空间注意力图；激活单元，用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；计算单元，用于计算所述空间注意力特征图和所述检测卷积特征图的按位置点乘以得到融合特征图；以及池化单元，用于对所述融合特征图进行沿通道维度的各个特征矩阵的池化处理以得到分类特征向量。5.根据权利要求4所述的大棚蔬菜种植管理系统，其特征在于，所述优化模块，包括：概率化单元，用于将所述分类特征向量输入Sigmoid激活函数进行激活以得到概率化分类特征向量；归零处理单元，用于针对于所述概率化分类特征向量中各个位置的特征值，将所述各个位置的特征值进行归零处理以得到多个概率化掩码分类特征向量；散度计算单元，用于分别计算所述概率化分类特征向量与所述各个概率化掩码分类特征向量之间的KL散度以得到多个KL散度；以及优化单元，用...

【专利技术属性】
技术研发人员：高增，
申请(专利权)人：宁波新蜂链农果业发展有限公司，
类型：发明
国别省市：