【技术实现步骤摘要】
本申请涉及神经网络学习，具体而言，涉及一种特色农作物产量预测方法、装置及存储介质。
技术介绍
1、特色农作物是指在特定地区或特定环境下生长、具有一定特色或品质优异的农作物，例如茶叶、葡萄和草莓等。对特色农作物的产量进行预测可以帮助用户提高特色农作物的品质和收益，降低生产成本和生产风险，优化农业资源的配置和利用，促进农业的可持续发展，因此特色农作物的产量预测是至关重要的。但特色农作物产量低，种植范围小，因此特色农作物生长数据的数据量较小，使得特色农作物的产量预测较为困难。
2、因此，如何对特色农作物的产量进行预测成为业界亟待解决的技术问题。
技术实现思路
1、本申请提供一种特色农作物产量预测方法、装置及存储介质，用以解决现有技术中如何对特色农作物的产量进行预测的技术问题。
2、第一方面，本申请提供了一种特色农作物产量预测方法，包括：
3、获取农作物的生长数据，所述生长数据包括第一农作物的第一生长数据和第二农作物的第二生长数据；所述第一农作物的产量大于所述第二农作物的产量，和/或所述第一农作物的种植范围大于所述第二农作物的产量；
4、基于所述第一生长数据对创建的初始产量预测模型进行训练，得到产量预测基础模型；
5、基于所述第二生长数据和设定的自适应学习机制对所述产量预测基础模型的模型参数进行调整，得到产量预测模型；
6、基于待预测第二农作物的生长数据和所述产量预测模型，得到所述待预测第二农作物的产量预测结果。>
7、在一些实施例中，所述基于所述第一生长数据对创建的初始产量预测模型进行训练，包括：
8、基于所述生长数据的类别标签，确定各类生长数据对应的特征提取规则；
9、基于任一生长数据对应的特征提取规则，提取所述任一生长数据的特征向量；
10、将提取的各类生长数据中第一生长数据的特征向量进行拼接，得到所述第一生长数据的总特征向量；
11、将所述总特征向量作为样本数据对所述初始产量预测模型进行训练。
12、在一些实施例中，所述各类生长数据包括：
13、土壤养分数据和所述土壤养分数据对应的农作物产量；气象数据和所述气象数据对应的农作物产量；土壤类型和所述土壤类型对应的农作物产量，以及植物生长阶段影像和所述植物生长阶段影像对应的农作物产量。
14、在一些实施例中，所述产量预测基础模型包括：
15、特征融合层，用于将所述总特征向量中的各类特征向量进行融合处理，得到各类第一特征向量；各类第一特征向量的向量维度相同；
16、注意力层，用于基于各类特征向量与农作物产量之间的关联关系以及自注意力机制对各类第一特征向量赋予不同的权重，得到第二特征向量；
17、残差层，基于多个残差块接收的所述第二特征向量和所述残差块输出的第三特征向量之间的差值对所述初始产量预测模型的模型参数进行优化；
18、输出层，用于基于优化后的初始产量预测模型生成所述第一农作物的产量预测结果。
19、在一些实施例中，所述得到产量预测基础模型，包括：
20、基于设定的样本集数据量将所述第一生长数据划分为多个训练样本集；
21、分别将各个训练样本集中的训练样本输入至当前初始产量预测模型，得到所述当前初始产量预测模型输出的当前产量预测结果；
22、基于预设的损失函数将所述当前产量预测结果与所述训练样本中的真实农作物产量进行比较，得到当前损失值；
23、基于所述当前损失值对所述当前初始产量预测模型进行模型优化，得到新的初始产量预测模型；
24、基于所述新的初始产量预测模型对所述当前初始产量预测模型进行更新，直至所述当前损失值符合设定终止条件或当前训练迭代次数大于或等于预设迭代次数，得到所述产量预测基础模型。
25、在一些实施例中，所述基于所述第二生长数据和设定的自适应学习机制对所述产量预测基础模型的模型参数进行调整，包括：
26、将所述第二生长数据进行数据增强处理，以增加所述第二生长数据的数据量；
27、基于处理后的第二生长数据对所述产量预测基础模型的模型参数进行调整；
28、其中，所述数据增强处理包括数据旋转处理、数据缩放处理、数据裁剪处理、数据翻转处理和数据添加噪声中的至少一种。
29、在一些实施例中，所述基于所述第二生长数据和设定的自适应学习机制对所述产量预测基础模型的模型参数进行调整，包括：
30、基于元学习器设置自适应学习机制；
31、基于所述第二生长数据的数据特征和所述自适应学习机制对所述产量预测基础模型的模型参数进行调整。
32、在一些实施例中，所述基于待预测第二农作物的生长数据和所述产量预测模型，得到所述待预测第二农作物的产量预测结果，包括：
33、创建所述第二农作物的产量预测界面；
34、在所述产量预测界面上选择所述待预测第二农作物的生长数据对应的选择项，或在所述产量预测界面的输入区域输入所述待预测第二农作物的生长数据；
35、将所述产量预测模型输出的所述待预测第二农作物的产量预测结果以图形的方式展示在所述产量预测界面上。
36、第二方面，本申请提供了一种特色农作物产量预测装置，包括：
37、获取模块，用于获取农作物的生长数据，所述生长数据包括第一农作物的第一生长数据和第二农作物的第二生长数据；所述第一农作物的产量大于所述第二农作物的产量，和/或所述第一农作物的种植范围大于所述第二农作物的产量；
38、预训练模块，用于基于所述第一生长数据对创建的初始产量预测模型进行训练，得到产量预测基础模型；
39、训练模块，用于基于所述第二生长数据和设定的自适应学习机制对所述产量预测基础模型的模型参数进行调整，得到产量预测模型；
40、预测模块，用于基于待预测第二农作物的生长数据和所述产量预测模型，得到所述待预测第二农作物的产量预测结果。
41、第三方面，本申请提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的方法。
42、本申请提供的特色农作物产量预测方法、装置及存储介质，通过第一农作物的第一生长数据对初始产量预测模型进行预训练，得到产量预测基础模型，再以产量预测基础模型为基础，通过第二农作物的第二生长数据和设定的自适应学习机制对产量预测基础模型进行进一步的训练，得到产量预测模型，使得最终得到的产量预测模型适用于第二农作物的产量预测，即使第二生长数据的数据量较少，也可准确预测第二农作物的产量，提高了第二农作物的产量预测准确性和预测稳定性。
本文档来自技高网...【技术保护点】
1.一种特色农作物产量预测方法，其特征在于，包括：
2.根据权利要求1所述的特色农作物产量预测方法，其特征在于，所述基于所述第一生长数据对创建的初始产量预测模型进行训练，包括：
3.根据权利要求2所述的特色农作物产量预测方法，其特征在于，所述各类生长数据包括：
4.根据权利要求2所述的特色农作物产量预测方法，其特征在于，所述产量预测基础模型包括：
5.根据权利要求1所述的特色农作物产量预测方法，其特征在于，所述得到产量预测基础模型，包括：
6.根据权利要求1所述的特色农作物产量预测方法，其特征在于，所述基于所述第二生长数据和设定的自适应学习机制对所述产量预测基础模型的模型参数进行调整，包括：
7.根据权利要求1所述的特色农作物产量预测方法，其特征在于，所述基于所述第二生长数据和设定的自适应学习机制对所述产量预测基础模型的模型参数进行调整，包括：
8.根据权利要求1所述的特色农作物产量预测方法，其特征在于，所述基于待预测第二农作物的生长数据和所述产量预测模型，得到所述待预测第二农作物的产量预测结果，
9.一种特色农作物产量预测装置，其特征在于，包括：
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的特色农作物产量预测方法。
...【技术特征摘要】
1.一种特色农作物产量预测方法，其特征在于，包括：
2.根据权利要求1所述的特色农作物产量预测方法，其特征在于，所述基于所述第一生长数据对创建的初始产量预测模型进行训练，包括：
3.根据权利要求2所述的特色农作物产量预测方法，其特征在于，所述各类生长数据包括：
4.根据权利要求2所述的特色农作物产量预测方法，其特征在于，所述产量预测基础模型包括：
5.根据权利要求1所述的特色农作物产量预测方法，其特征在于，所述得到产量预测基础模型，包括：
6.根据权利要求1所述的特色农作物产量预测方法，其特征在于，所述基于所述第二生长数据和设定的自适应学习机制对所述...
【专利技术属性】
技术研发人员：郑文刚，张钟莉莉，杨林楠，于景鑫，郜鲁涛，单飞飞，
申请(专利权)人：北京市农林科学院智能装备技术研究中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。