菌种智能筛选设备及其筛选方法与流程

1.本技术涉及智能设备技术领域，且更为具体地，涉及一种菌种智能筛选设备及其筛选方法。


背景技术：

2.与普通肥料相比，生物肥料的生产技术含量相对较高，除实现定向腐熟、除臭等目的外，在产品中还需加入具有特定功能的微生物，以提升产品的作用效果。
3.但是，有相当一部分企业生产条件较简陋，生产工艺落后，这些企业不具备生产微生物菌剂的能力而是通过购买菌剂进行复配来生产生物有机肥。由于缺少相关的检测条件和技术人员，无法对产品的质量进行把关，也就不能保证产品的应用效果。
4.在生物肥料的生产过程中，最重要的前序工作是对功能菌种的筛选，目前菌种筛选主要靠人工筛选，不仅效率低下，且成本高昂。
5.因此，期待一种优化的菌种筛选方案。
6.近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
7.深度学习以及神经网络的发展为菌种智能筛选提供了新的解决思路和方案。


技术实现要素：

8.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种菌种智能筛选设备其通过上下文编码器对待筛选生物肥料中的菌种画像数据进行上下文语义编码以得到菌种全局特征向量，同时，通过卷积神经网络模型对植物生长的第一监控视频和生物土壤的第二监控视频进行高维关联特征提取和降维处理，然后，对所述菌种全局特征向量和所述土壤变化特征向量进行关联编码以得到关联特征向量，最后，计算所述生长特征向量相对于所述关联特征向量的响应性估计以得到分类特征矩阵，并通过分类器以得到生物肥料中菌种的筛选结果，通过这样的方式，从而提高菌种筛选的精准度，以保证所筛选的菌种对于植物生长的效用。
9.根据本技术的一个方面，提供了一种一种菌种智能筛选设备，其包括：菌种数据采集模块，用于获取待筛选生物肥料中的菌种画像数据，所述菌种画像数据包括菌种类型和各个菌种的含量；菌种类型编码模块，用于将所述菌种画像数据中的菌种类型通过包含嵌入层的上下文编码器以得到多个菌种类型特征向量；菌种组合特征生成模块，用于基于所述菌种画像数据中各个菌种的含量，对所述多个菌种类型特征向量中各个菌种类型特征向量进行加权以得到多个加权后菌种类型特征向量，并将所述多个加权后菌种类型特征向量进行级联以得到菌种全局特征向量；监控模块，用于获取由摄像头采集的预定时间段内植物生长的第一监控视频和生物土壤的第二监控视频；监控视频编码模块，用于将所述第一监控视频和所述第二监控视频分别通过三维卷积神经网络以得到生成特征图和土壤变化
特征图；降维变化模块，用于将所述生长特征图和所述土壤变化特征图进行降维处理以得到生成特征向量和土壤变化特征向量；关联编码模块，用于对所述菌种全局特征向量和所述土壤变化特征向量进行关联编码以得到关联特征向量；响应性估计模块，用于计算所述生长特征向量相对于所述关联特征向量的响应性估计以得到分类特征矩阵；以及筛选结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待筛选生物肥料中菌种组合是否满足预定要求。
10.根据本技术的另一方面，提供了一种菌种智能筛选方法，其包括：获取待筛选生物肥料中的菌种画像数据，所述菌种画像数据包括菌种类型和各个菌种的含量；将所述菌种画像数据中的菌种类型通过包含嵌入层的上下文编码器以得到多个菌种类型特征向量；基于所述菌种画像数据中各个菌种的含量，对所述多个菌种类型特征向量中各个菌种类型特征向量进行加权以得到多个加权后菌种类型特征向量，并将所述多个加权后菌种类型特征向量进行级联以得到菌种全局特征向量；获取由摄像头采集的预定时间段内植物生长的第一监控视频和生物土壤的第二监控视频；将所述第一监控视频和所述第二监控视频分别通过三维卷积神经网络以得到生成特征图和土壤变化特征图；将所述生长特征图和所述土壤变化特征图进行降维处理以得到生成特征向量和土壤变化特征向量；对所述菌种全局特征向量和所述土壤变化特征向量进行关联编码以得到关联特征向量；计算所述生长特征向量相对于所述关联特征向量的响应性估计以得到分类特征矩阵；以及将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待筛选生物肥料中菌种组合是否满足预定要求。
11.根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的菌种智能筛选方法。
12.根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的菌种智能筛选方法。
13.与现有技术相比，本技术提供的一种菌种智能筛选设备及其筛选方法其通过上下文编码器对待筛选生物肥料中的菌种画像数据进行上下文语义编码以得到菌种全局特征向量，同时，通过卷积神经网络模型对植物生长的第一监控视频和生物土壤的第二监控视频进行高维关联特征提取和降维处理，然后，对所述菌种全局特征向量和所述土壤变化特征向量进行关联编码以得到关联特征向量，最后，计算所述生长特征向量相对于所述关联特征向量的响应性估计以得到分类特征矩阵，并通过分类器以得到生物肥料中菌种的筛选结果，通过这样的方式，从而提高菌种筛选的精准度，以保证所筛选的菌种对于植物生长的效用。
附图说明
14.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
15.图1图示了根据本技术实施例的菌种智能筛选设备的应用场景图。
16.图2图示了根据本技术实施例的菌种智能筛选设备的框图示意图。
17.图3图示了根据本技术实施例的菌种智能筛选设备中菌种类型编码模块的框图。
18.图4图示了根据本技术实施例的菌种智能筛选设备中菌种组合特征生成模块的框图。
19.图5图示了根据本技术实施例的菌种智能筛选方法的流程图。
20.图6图示了根据本技术实施例的菌种智能筛选方法的系统架构的示意图。
21.图7图示了根据本技术实施例的电子设备的框图。
具体实施方式
22.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
23.场景概述：在菌种筛选过程中，不仅要关注生物化肥对于植物生长的促进情况，还需要结合土壤变化来佐证具有特定菌种组合的生物化肥对促进植物生成的效用。结合上述两者，能够提高菌种筛选的精准度，以使得所筛选的菌种对于植物生长的效用能够得到保证。
24.近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
25.深度学习以及神经网络的发展，为菌种智能筛选提供了新的解决思路和方案。
26.具体地，在本技术的技术方案中，首先获取待筛选生物肥料中的菌种画像数据，所述菌种画像数据包括菌种类型和各个菌种的含量。为了更为精准地描述菌种组合，在本技术的技术方案中，将所述菌种画像数据中的菌种类型视为文本数据（即，菌种类型组合为文本序列）并使用包含嵌入层的上下文编码器对由菌种类型组合形成的文本序列进行基于全局的上下文语义编码以得到多个菌种类型特征向量。这里，一个菌种类型特征向量对应于一个菌种类型文本描述。
27.考虑到在菌种组合中各种菌种的含量不同，如果直接将所述多个菌种类型特征向量进行级联以得到用于表示菌种类型组合的高维语义特征表示，则会忽略各个菌种对应的特征向量对于菌种类型组合的全局表征的效用分数。相应地，在本技术的技术方案中，基于所述菌种画像数据中各个菌种的含量，对所述多个菌种类型特征向量中各个菌种类型特征向量进行加权以得到多个加权后菌种类型特征向量，并将所述多个加权后菌种类型特征向量进行级联以得到菌种全局特征向量。在一个具体的示例中，计算所述菌种画像数据中各个菌种的含量与所述菌种画像数据中所有菌种类型的含量之和的比值，并以所述比值作为权重分别对各个所述菌种类型特征向量进行加权。
28.进一步地，在本技术的技术方案中，通过摄像头采集预定时间段内植物生长的第一监控视频和生物土壤的第二监控视频。应可以理解，所述第一监控视频表示植物生长变化，所述第二监控视频表示土壤状态变化。更具体地，在本技术的技术方案中，以具有三维卷积核的三维卷积神经网络模型作为特征提取器对所述第一监控视频和所述第二监控视
频进行编码以得到生成特征图和土壤变化特征图。接着，将所述生长特征图和所述土壤变化特征图进行降维处理以得到生成特征向量和土壤变化特征向量，例如，对所述第一监控视频和所述第二监控视频得到的所述生成特征图和土壤变化特征图直接进行图像维度上的特征矩阵的全局池化以得到所述生成特征向量和所述土壤变化特征向量。
29.接着，先对所述菌种全局特征向量和所述土壤变化特征向量进行关联编码以得到关联特征向量。也就是，将菌种组合高维特征和土壤变化特征进行信息融合以得到关联特征向量。对应到本技术的技术方案中，土壤变化是因菌种组合在植物生长时发生作用，因此，融合菌种组合信息和土壤变化特征信息能够将两者作为一个协同的整体来评估菌种组合对于植物生长的促进功效，以提高菌种筛选的准确度。
30.接着，计算所述生长特征向量相对于所述关联特征向量的响应性估计以得到分类特征矩阵。在本技术一个具体的示例中，计算所述生长特征向量相对于所述关联特征向量的响应性估计的过程，包括计算所述生长特征向量相对于所述关联特征向量的转移矩阵作为所述分类特征矩阵。这里，所述转移矩阵表示以用于表示菌种组合信息和土壤变化特征信息作为一个协同的整体的关联特征向量相对于用于表示植物生长特征的生长特征向量的效用评估。然后，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待筛选生物肥料中菌种组合是否满足预定要求。
31.特别地，在本技术实施例中，在将所述第一监控视频和所述第二监控视频分别通过三维卷积神经网络以得到生成特征向量和土壤变化特征向量时，如果对所述第一监控视频和所述第二监控视频得到的所述生成特征图和土壤变化特征图直接进行图像维度上的特征矩阵的全局池化，则所获得的特征向量对特征图的表达能力可能不足。
32.基于此，对所述生成特征图和所述土壤变化特征图进行语义推理信息显式泛化以得到所述生成特征向量和所述土壤变化特征向量，即：得到所述生成特征向量和所述土壤变化特征向量，即：是所述生成特征图和所述土壤变化特征图的转换到概率空间的特征值。
33.通过将图像维度上的特征矩阵所对应的语义概念自下而上地显式泛化为沿通道方向上的组，可以对所述特征图进行基于通道的分组实例的信息解耦。这样，就可以通过对所述特征矩阵的特征语义的信息化推理，来达成所述特征向量所对应的高维流形在所述特征图的高维语义空间内的更高空间复杂度下的信息可塑性，从而提高了所述特征向量对所述特征图的表达能力。这样，提高菌种筛选的准确度。
34.基于此，本技术提供了一种菌种智能筛选设备，其包括：菌种数据采集模块，用于获取待筛选生物肥料中的菌种画像数据，所述菌种画像数据包括菌种类型和各个菌种的含量；菌种类型编码模块，用于将所述菌种画像数据中的菌种类型通过包含嵌入层的上下文编码器以得到多个菌种类型特征向量；菌种组合特征生成模块，用于基于所述菌种画像数据中各个菌种的含量，对所述多个菌种类型特征向量中各个菌种类型特征向量进行加权以得到多个加权后菌种类型特征向量，并将所述多个加权后菌种类型特征向量进行级联以得到菌种全局特征向量；监控模块，用于获取由摄像头采集的预定时间段内植物生长的第一
监控视频和生物土壤的第二监控视频；监控视频编码模块，用于将所述第一监控视频和所述第二监控视频分别通过三维卷积神经网络以得到生成特征图和土壤变化特征图；降维变化模块，用于将所述生长特征图和所述土壤变化特征图进行降维处理以得到生成特征向量和土壤变化特征向量；关联编码模块，用于对所述菌种全局特征向量和所述土壤变化特征向量进行关联编码以得到关联特征向量；响应性估计模块，用于计算所述生长特征向量相对于所述关联特征向量的响应性估计以得到分类特征矩阵；以及，筛选结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待筛选生物肥料中菌种组合是否满足预定要求。
35.图1图示了根据本技术实施例的菌种智能筛选设备的应用场景图。如图1所示，在该应用场景中，首先，通过显微观察装置（例如，图1中所示意的m）采集待筛选生物肥料中的菌种画像数据，再通过部署于植物培养设备（例如，图1中所示意的p）旁的第一摄像头（例如，图1中所示意的c1）和第二摄像头（例如，图1中所示意的c2）采集预定时间段内植物生长的第一监控视频和生物土壤的第二监控视频。然后，将采集的所述菌种画像数据、所述第一监控视频和所述第二监控视频输入至部署有菌种智能筛选算法的服务器中（例如，图1中所示意的s），其中，所述服务器能够使用所述菌种智能筛选算法对所述菌种画像数据、所述第一监控视频和所述第二监控视频进行处理以生成用于表示待筛选生物肥料中菌种组合是否满足预定要求的分类结果。
36.在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
37.示例性系统：图2图示了根据本技术实施例的菌种智能筛选设备的框图示意图。如图2所示，根据本技术实施例的所述菌种智能筛选设备100，包括：菌种数据采集模块110，用于获取待筛选生物肥料中的菌种画像数据，所述菌种画像数据包括菌种类型和各个菌种的含量；菌种类型编码模块120，用于将所述菌种画像数据中的菌种类型通过包含嵌入层的上下文编码器以得到多个菌种类型特征向量；菌种组合特征生成模块130，用于基于所述菌种画像数据中各个菌种的含量，对所述多个菌种类型特征向量中各个菌种类型特征向量进行加权以得到多个加权后菌种类型特征向量，并将所述多个加权后菌种类型特征向量进行级联以得到菌种全局特征向量；监控模块140，用于获取由摄像头采集的预定时间段内植物生长的第一监控视频和生物土壤的第二监控视频；监控视频编码模块150，用于将所述第一监控视频和所述第二监控视频分别通过三维卷积神经网络以得到生成特征图和土壤变化特征图；降维变化模块160，用于将所述生长特征图和所述土壤变化特征图进行降维处理以得到生成特征向量和土壤变化特征向量；关联编码模块170，用于对所述菌种全局特征向量和所述土壤变化特征向量进行关联编码以得到关联特征向量；响应性估计模块180，用于计算所述生长特征向量相对于所述关联特征向量的响应性估计以得到分类特征矩阵；以及,筛选结果生成模块190，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待筛选生物肥料中菌种组合是否满足预定要求。
38.在本技术实施例中，所述菌种数据采集模块110，用于获取待筛选生物肥料中的菌种画像数据，所述菌种画像数据包括菌种类型和各个菌种的含量。应可以理解，考虑到在待筛选生物肥料中存在多种菌种，如枯草芽孢杆菌、光合菌、固氮菌和链霉菌等，各个菌种所起到的功能不同，其对植物生长的影响不同。同时，菌种类型的不同和各个菌种的含量都会
影响到植物生长的结果，因此，在本技术的技术方案中，需要获取待筛选生物肥料中包括菌种类型和各个菌种的含量的菌种画像数据。
39.在本技术一个具体的实施例中，通过显微观察装置获取待筛选生物肥料中的菌种画像数据。
40.在本技术实施例中，所述菌种类型编码模块120，用于将所述菌种画像数据中的菌种类型通过包含嵌入层的上下文编码器以得到多个菌种类型特征向量。应可以理解，为了更为精准地描述菌种组合，在本技术的技术方案中，将所述菌种画像数据中的菌种类型视为文本数据（即，菌种类型组合为文本序列）并使用包含嵌入层的上下文编码器对由菌种类型组合形成的文本序列进行基于全局的上下文语义编码以得到多个菌种类型特征向量。这里，一个菌种类型特征向量对应于一个菌种类型文本描述。
41.在本技术一个具体的实施例中，图3图示了根据本技术实施例的菌种智能筛选设备中菌种类型编码模块的框图。如图3所示，所述菌种类型编码模块120，包括：嵌入向量化子单元121和上下文编码子单元122。其中，所述嵌入向量化子单元121，用于使用所述上下文编码器的嵌入层分别将所述菌种画像数据中的菌种类型转化为嵌入向量以得到嵌入向量的序列；所述上下文编码子单元122，用于使用所述上下文编码器的基于转换器的bert模型对所述嵌入向量的序列进行基于全局的上下文语义编码以得到多个菌种类型特征向量。
42.在本技术实施例中，所述上下文编码器为基于转换器的bert模型，其中，所述bert模型能够基于所述转换器的内在掩码结构对输入序列中各个输入量进行基于输入序列全局的上下文语义编码。也就是，所述基于转换器的bert模型能够提取出输入序列中各个输入量的基于全局的特征表示。对应到本技术方案中，所述基于转化器的bert模型能够对所述菌种画像数据中的菌种类型进行基于全局的上下文语义编码以得到多个菌种类型特征向量，其中，所述多个菌种类型特征向量中一个特征向量对应于一个菌种类型。应可以理解，所述多个菌种类型特征向量中各个特征向量用于表示各个菌种类型基于菌种整体序列的全局上下文深层隐含特征。
43.在本技术实施例中，所述菌种组合特征生成模块130，用于基于所述菌种画像数据中各个菌种的含量，对所述多个菌种类型特征向量中各个菌种类型特征向量进行加权以得到多个加权后菌种类型特征向量，并将所述多个加权后菌种类型特征向量进行级联以得到菌种全局特征向量。应可以理解，考虑到在菌种组合中各种菌种的含量不同，如果直接将所述多个菌种类型特征向量进行级联以得到用于表示菌种类型组合的高维语义特征表示，则会忽略各个菌种对应的特征向量对于菌种类型组合的全局表征的效用分数。相应地，在本技术的技术方案中，基于所述菌种画像数据中各个菌种的含量，对所述多个菌种类型特征向量中各个菌种类型特征向量进行加权以得到多个加权后菌种类型特征向量，并将所述多个加权后菌种类型特征向量进行级联以得到菌种全局特征向量。
44.在本技术一个具体的实施例中，计算所述菌种画像数据中各个菌种的含量与所述菌种画像数据中所有菌种类型的含量之和的比值，并以所述比值作为权重分别对各个所述菌种类型特征向量进行加权。
45.在本技术一个具体的实施例中，图4图示了根据本技术实施例的菌种智能筛选设备中菌种组合特征生成模块的框图。如图4所示，所述菌种组合特征生成模块130，包括：权重计算单元131和加权单元132。其中，所述权重计算单元131，用于计算所述菌种画像数据
中各个菌种的含量与所述菌种画像数据中所有菌种的含量之和之间的比值作为所述菌种画像数据中各个菌种的加权权重；所述加权单元132，用于基于所述菌种画像数据中各个菌种的加权权重对所述多个菌种类型特征向量中各个菌种类型特征向量进行加权以得到多个加权后菌种类型特征向量。
46.在本技术实施例中，所述监控模块140，用于获取由摄像头采集的预定时间段内植物生长的第一监控视频和生物土壤的第二监控视频。应可以理解，在菌种筛选过程中，不仅要关注生物化肥对于植物生长的促进情况，还需要结合土壤变化来佐证具有特定菌种组合的生物化肥对促进植物生成的效用。结合上述两者，能够提高菌种筛选的精准度，以使得所筛选的菌种对于植物生长的效用能够得到保证。
47.在本技术一个具体的实施例中，通过部署于植物培养设备旁的第一摄像头和第二摄像头采集所述预定时间段内植物生长的第一监控视频和生物土壤的第二监控视频。
48.在本技术实施例中，所述监控视频编码模块150，用于将所述第一监控视频和所述第二监控视频分别通过三维卷积神经网络以得到生成特征图和土壤变化特征图。应可以理解，考虑到卷积神经网络模型在处理图像上具有优异表现，因此，使用卷积神经网络模型分别对所述第一监控视频和所述第二监控视频进行卷积编码以提取所述植物生长和生物土壤在图像层面的沿时序维度的变化特征，从而获得生成特征图和土壤变化特征图。
49.在本技术一个具体的实施例中，所述监控视频编码模块150，进一步用于，所述三维卷积神经网络的各层在层的正向传递中分别对输入数据进行：基于三维卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行均值池化处理以生成池化特征图；以及，对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征增图；其中，所述三维卷积神经网络的最后一层的输出分别为所述生成特征图和所述土壤变化特征图。
50.在本技术实施例中，所述降维变化模块160，用于将所述生长特征图和所述土壤变化特征图进行降维处理以得到生成特征向量和土壤变化特征向量。应可以理解，考虑到所述生长特征图和所述土壤变化特征图与菌种全局特征向量的维度不同，在本技术的技术方案中，在融合前需对上述三者进行维度统一，也就是对所述生长特征图和所述土壤变化特征图进行降维处理。但如果对所述第一监控视频和所述第二监控视频得到的所述生成特征图和土壤变化特征图直接进行图像维度上的特征矩阵的全局池化，则所获得的特征向量对特征图的表达能力可能不足。基于此，对所述生成特征图和所述土壤变化特征图进行语义推理信息显式泛化以得到所述生成特征向量和所述土壤变化特征向量。
51.在本技术一个具体的实施例中，所述降维变化模块160，包括：计算所述生长特征图中各个特征矩阵的全局池化均值以得到所述生成特征向量；以及，计算所述土壤变化特征图中各个特征矩阵的全局池化均值以得到所述土壤变化特征向量。
52.在本技术一个具体的实施例中，所述降维变化模块160，进一步用于：以如下公式对所述生长特征图和所述土壤变化特征图进行降维处理以得到生成特征向量和土壤变化特征向量；其中，所述公式为：
是所述生成特征图和所述土壤变化特征图的转换到概率空间的特征值，是所述生成特征向量和所述土壤变化特征向量。
53.通过将图像维度上的特征矩阵所对应的语义概念自下而上地显式泛化为沿通道方向上的组，可以对所述特征图进行基于通道的分组实例的信息解耦。这样，就可以通过对所述特征矩阵的特征语义的信息化推理，来达成所述特征向量所对应的高维流形在所述特征图的高维语义空间内的更高空间复杂度下的信息可塑性，从而提高了所述特征向量对所述特征图的表达能力。这样，提高菌种筛选的准确度。
54.在本技术实施例中，所述关联编码模块170，用于对所述菌种全局特征向量和所述土壤变化特征向量进行关联编码以得到关联特征向量。应可以理解，考虑到植物的生长是肥料中的菌种和植物生长土壤的共同作用的效果，因此，需要所述菌种全局特征向量和所述土壤变化特征向量进行按位置的加权融合以得到包含有菌种全局特征信息和土壤变化信息的关联特征向量。
55.在本技术一个具体的实施例中，所述关联编码模块170，进一步用于以如下公式对所述菌种全局特征向量和所述土壤变化特征向量进行关联编码以得到关联特征向量；其中，所述公式为： 其中，为所述关联特征向量，为所述菌种全局特征向量，为所述土壤变化特征向量，
“”
表示所述菌种全局特征向量和所述土壤变化特征向量相对应位置处的元素相加，和为用于控制所述关联特征向量中所述菌种全局特征向量和所述土壤变化特征向量之间的平衡的加权参数。
56.在本技术实施例中，所述响应性估计模块180，用于计算所述生长特征向量相对于所述关联特征向量的响应性估计以得到分类特征矩阵。应可以理解，考虑到不同菌种的组合和土壤的变化与植物生长的好坏存在响应性关系，因此，在本技术的技术方案，进一步地计算所述生长特征向量相对于所述关联特征向量的响应性估计以得到用于表示不同菌种组合对植物生长地影响的分类特征矩阵。
57.在本技术一个具体的实施例中，所述响应性估计模块180，进一步用于以如下公式计算所述生长特征向量相对于所述关联特征向量的响应性估计以得到分类特征矩阵；其中，所述公式为：f=t*r，其中f表示所述关联特征向量，t表示所述分类特征矩阵，r表示所述生长特征向量。
58.在本技术实施例中，所述筛选结果生成模块190，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待筛选生物肥料中菌种组合是否满足预定要求。
59.在本技术一个具体的实施例中，所述筛选结果生成模块190，进一步用于所述分类器以如下公式对所述分类特征矩阵进行处理以得到所述分类结果，其中，所述公式为：，其中表示将所述分类特征矩阵投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置矩阵。
60.综上，基于本技术实施例的所述菌种智能筛选设备其通过上下文编码器对待筛选
生物肥料中的菌种画像数据进行上下文语义编码以得到菌种全局特征向量，同时，通过卷积神经网络模型对植物生长的第一监控视频和生物土壤的第二监控视频进行高维关联特征提取和降维处理，然后，对所述菌种全局特征向量和所述土壤变化特征向量进行关联编码以得到关联特征向量，最后，计算所述生长特征向量相对于所述关联特征向量的响应性估计以得到分类特征矩阵，并通过分类器以得到生物肥料中菌种的筛选结果，通过这样的方式，从而提高菌种筛选的精准度，以保证所筛选的菌种对于植物生长的效用。
61.如上所述，根据本技术实施例的所述菌种智能筛选设备100可以实现在各种终端设备中，例如部署有菌种智能筛选算法的服务器等。在一个示例中，根据菌种智能筛选设备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，该菌种智能筛选设备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，该菌种智能筛选设备100同样可以是该终端设备的众多硬件模块之一。
62.替换地，在另一示例中，该菌种智能筛选设备100与该终端设备也可以是分立的设备，并且菌种智能筛选设备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。
63.示例性方法：图5图示了根据本技术实施例的菌种智能筛选方法的流程图。如图5所示，根据本技术实施例的所述菌种智能筛选方法，包括：s110，获取待筛选生物肥料中的菌种画像数据，所述菌种画像数据包括菌种类型和各个菌种的含量；s120，将所述菌种画像数据中的菌种类型通过包含嵌入层的上下文编码器以得到多个菌种类型特征向量；s130，基于所述菌种画像数据中各个菌种的含量，对所述多个菌种类型特征向量中各个菌种类型特征向量进行加权以得到多个加权后菌种类型特征向量，并将所述多个加权后菌种类型特征向量进行级联以得到菌种全局特征向量；s140，获取由摄像头采集的预定时间段内植物生长的第一监控视频和生物土壤的第二监控视频；s150，将所述第一监控视频和所述第二监控视频分别通过三维卷积神经网络以得到生成特征图和土壤变化特征图；s160，将所述生长特征图和所述土壤变化特征图进行降维处理以得到生成特征向量和土壤变化特征向量；s170，对所述菌种全局特征向量和所述土壤变化特征向量进行关联编码以得到关联特征向量；s180，计算所述生长特征向量相对于所述关联特征向量的响应性估计以得到分类特征矩阵；以及,s190，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待筛选生物肥料中菌种组合是否满足预定要求。
64.图6图示了根据本技术实施例的菌种智能筛选方法的系统架构的示意图。如图6所示，在本技术实施例的所述菌种智能筛选方法的系统架构，首先，获取待筛选生物肥料中的菌种画像数据，并将所述菌种画像数据中的菌种类型通过包含嵌入层的上下文编码器以得到多个菌种类型特征向量。然后，基于所述菌种画像数据中各个菌种的含量，对所述多个菌种类型特征向量中各个菌种类型特征向量进行加权以得到多个加权后菌种类型特征向量，并将所述多个加权后菌种类型特征向量进行级联以得到菌种全局特征向量。同时，获取由摄像头采集的预定时间段内植物生长的第一监控视频和生物土壤的第二监控视频，并将所述第一监控视频和所述第二监控视频分别通过三维卷积神经网络以得到生成特征图和土壤变化特征图。然后，将所述生长特征图和所述土壤变化特征图进行降维处理以得到生成特征向量和土壤变化特征向量，并对所述菌种全局特征向量和所述土壤变化特征向量进行
关联编码以得到关联特征向量。接着，计算所述生长特征向量相对于所述关联特征向量的响应性估计以得到分类特征矩阵。最后，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待筛选生物肥料中菌种组合是否满足预定要求。
65.在本技术一个具体的实施例中，在步骤s120中，将所述菌种画像数据中的菌种类型通过包含嵌入层的上下文编码器以得到多个菌种类型特征向量，包括：使用所述上下文编码器的嵌入层分别将所述菌种画像数据中的菌种类型转化为嵌入向量以得到嵌入向量的序列；使用所述上下文编码器的基于转换器的bert模型对所述嵌入向量的序列进行基于全局的上下文语义编码以得到多个菌种类型特征向量。
66.在本技术一个具体的实施例中，在步骤s150中，将所述第一监控视频和所述第二监控视频分别通过三维卷积神经网络以得到生成特征图和土壤变化特征图，包括：计算所述菌种画像数据中各个菌种的含量与所述菌种画像数据中所有菌种的含量之和之间的比值作为所述菌种画像数据中各个菌种的加权权重；基于所述菌种画像数据中各个菌种的加权权重对所述多个菌种类型特征向量中各个菌种类型特征向量进行加权以得到多个加权后菌种类型特征向量。
67.在本技术一个具体的实施例中，在步骤s150中，将所述第一监控视频和所述第二监控视频分别通过三维卷积神经网络以得到生成特征图和土壤变化特征图，包括：所述三维卷积神经网络的各层在层的正向传递中分别对输入数据进行：基于三维卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行均值池化处理以生成池化特征图；以及，对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征增图；其中，所述三维卷积神经网络的最后一层的输出分别为所述生成特征图和所述土壤变化特征图。
68.在本技术一个具体的实施例中，在步骤s160中，将所述生长特征图和所述土壤变化特征图进行降维处理以得到生成特征向量和土壤变化特征向量，包括：计算所述生长特征图中各个特征矩阵的全局池化均值以得到所述生成特征向量；以及，计算所述土壤变化特征图中各个特征矩阵的全局池化均值以得到所述土壤变化特征向量。
69.在本技术一个具体的实施例中，在步骤s160中，将所述生长特征图和所述土壤变化特征图进行降维处理以得到生成特征向量和土壤变化特征向量，包括：以如下公式对所述生长特征图和所述土壤变化特征图进行降维处理以得到生成特征向量和土壤变化特征向量；其中，所述公式为：向量；其中，所述公式为：是所述生成特征图和所述土壤变化特征图的转换到概率空间的特征值，是所述生成特征向量和所述土壤变化特征向量。
70.在本技术一个具体的实施例中，在步骤s170中，对所述菌种全局特征向量和所述土壤变化特征向量进行关联编码以得到关联特征向量，包括：以如下公式对所述菌种全局特征向量和所述土壤变化特征向量进行关联编码以得到关联特征向量；其中，所述公式为：
其中，为所述关联特征向量，为所述菌种全局特征向量，为所述土壤变化特征向量，
“”
表示所述菌种全局特征向量和所述土壤变化特征向量相对应位置处的元素相加，和为用于控制所述关联特征向量中所述菌种全局特征向量和所述土壤变化特征向量之间的平衡的加权参数。
71.在本技术一个具体的实施例中，在步骤s180中，计算所述生长特征向量相对于所述关联特征向量的响应性估计以得到分类特征矩阵，包括：以如下公式计算所述生长特征向量相对于所述关联特征向量的响应性估计以得到分类特征矩阵；其中，所述公式为：f=t*r，其中f表示所述关联特征向量，t表示所述分类特征矩阵，r表示所述生长特征向量。
72.在本技术一个具体的实施例中，在步骤s190中，将所述分类特征矩阵通过分类器以得到分类结果，包括：所述分类器以如下公式对所述分类特征矩阵进行处理以得到所述分类结果，其中，所述公式为：，其中表示将所述分类特征矩阵投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置矩阵。
73.这里，本领域技术人员可以理解，上述菌种智能筛选方法中的各个步骤的具体操作已经在上面参考图1到图4的菌种智能筛选设备的描述中得到了详细介绍，并因此，将省略其重复描述。
74.示例性电子设备：下面，参考图7来描述根据本技术实施例的电子设备。
75.图7图示了根据本技术实施例的电子设备的框图。
76.如图7所示，电子设备10包括一个或多个处理器11和存储器12。
77.处理器11可以是中央处理单元（cpu）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
78.存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（ram）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（rom）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的菌种智能筛选以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如待筛选生物肥料中的菌种画像数据、预定时间段内植物生长的第一监控视频、预定时间段内生物土壤的第二监控视频等各种内容。
79.在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
80.该输入装置13可以包括例如键盘、鼠标等等。
81.该输出装置14可以向外部输出各种信息，包括筛选结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
82.示例性计算机程序产品和计算机可读存储介质：除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的菌种智能筛选方法的步骤。
83.所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
84.此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的菌种智能筛选方法的步骤。
85.所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（ram）、只读存储器（rom）、可擦式可编程只读存储器（eprom或闪存）、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
86.以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术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技术为必须采用上述具体的细节来实现。
87.本技术中涉及的器件、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。
88.还需要指出的是，在本技术的装置、设备和方法中，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技术的等效方案。
89.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技术。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技术的范围。因此，本技术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。
90.为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术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。