本技术涉及智能管理领域,且更为具体的涉及一种桔柚种植管理系统及方法。
背景技术:
1、在桔柚种植管理时,养分管理非常重要。养分管理是根据桔柚的养分需求,合理施肥。传统的施肥方法主要包括:1、基肥施用:在植物生长的初期或整个生长季节前,将肥料直接施加到土壤中。常用的基肥包括有机肥料(如腐熟的堆肥、禽畜粪便等)和无机肥料(如复合肥、尿素等)。基肥的施用可以提供植物所需的养分,满足其生长的初期需求。2、追肥施用:在植物生长季节中,根据植物的生长状态和养分需求,适时施加肥料。追肥可以补充植物在生长过程中消耗的养分,保持养分供应的平衡。3、叶面喷施:将肥料溶液喷洒在植物的叶片表面,通过叶片吸收来提供养分。叶面喷施可以快速提供养分,适用于植物急需补充养分的情况。然而,传统施肥方法中需要专业人员来判断需要施加的肥料的种类,对人工的依赖度较高,耗费了人力成本。
2、因此,期待一种优化的桔柚种植管理方案。
技术实现思路
1、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桔柚种植管理系统及方法,其使用基于深度神经网络模型的人工智能技术来对土壤中的养分含量和植株的营养状态数据进行特征编码和提取,以得到用于表示需要施加的肥料的种类的分类标签。这样,通过构建桔柚种植管理方案,来分析土壤中的养分含量和叶片的营养状态,来提高了施肥质量,减少人力成本。
2、根据本技术的一个方面,提供了一种桔柚种植管理系统,其包括:
3、数据获取模块,用于获取土壤中养分含量数据和植株的营养状态数据;
4、第一语义编码模块,用于将所述土壤中的养分含量数据通过第一语义编码模块以得到土壤输入向量;
5、第二语义编码模块,用于将所述植株的营养状态数据通过第二语义编码模块以得到植株输入向量;
6、融合模块,用于使用联合编码器对所述土壤输入向量和所述植株输入向量进行联合编码以得到融合特征矩阵;
7、双向注意力模块,用于将所述融合特征矩阵通过双向注意力机制以得到分类特征矩阵;
8、优化模块,用于对所述分类特征矩阵进行低维掩码稀疏化以得到优化分类特征矩阵;
9、结果生成模块,用于将所述优化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需要施加的肥料的种类。
10、在上述的桔柚种植管理系统中,所述第一语义编码模块,包括:
11、第一嵌入转化单元,用于将所述土壤中的养分含量数据分别通过嵌入层以将所述土壤中的养分含量数据中各个维度数据转化为土壤嵌入向量以得到土壤嵌入向量的序列,其中,所述嵌入层使用可学习的嵌入矩阵对所述各个维度数据进行嵌入编码;
12、第一编码单元,用于将所述土壤嵌入向量的序列输入所述基于转换器的上下文编码器以得到所述多个土壤上下文语义特征向量;
13、第一级联单元,用于将所述多个土壤上下文语义特征向量进行级联以得到所述土壤输入向量。
14、在上述的桔柚种植管理系统中,所述第一编码单元,包括:
15、使用所述上下文编码器的基于转换器的bert模型对所述土壤嵌入向量的序列中各个土壤嵌入向量进行基于时序全局的上下文语义编码以得到基于时序全局的所述多个土壤上下文语义特征向量。
16、在上述的桔柚种植管理系统中,所述第二语义编码模块,包括:
17、第二嵌入转化单元,用于将所述植株的营养状态数据分别通过嵌入层以将所述植株的营养状态数据中各个维度数据转化为植株嵌入向量以得到植株嵌入向量的序列,其中,所述嵌入层使用可学习的嵌入矩阵对所述各个维度数据进行嵌入编码;
18、第二编码单元,用于将所述植株嵌入向量的序列输入所述基于转换器的上下文编码器以得到所述多个植株上下文语义特征向量;
19、第二级联单元,用于将所述多个植株上下文语义特征向量进行级联以得到所述植株输入向量。
20、在上述的桔柚种植管理系统中,所述第二编码单元,包括:
21、使用所述上下文编码器的基于转换器的bert模型对所述植株嵌入向量的序列中各个植株嵌入向量进行基于时序全局的上下文语义编码以得到基于时序全局的所述多个植株上下文语义特征向量。
22、在上述的桔柚种植管理系统中,所述融合模块,用于:
23、使用所述联合编码器以如下联合编码公式对所述土壤输入向量和所述植株输入向量进行联合编码以得到融合特征矩阵;
24、其中,所述联合编码公式为:
25、
26、其中表示向量相乘,m表示所述融合特征矩阵,f1表示所述土壤输入向量,f2表示所述植株输入向量,表示所述植株输入向量的转置。
27、在上述的桔柚种植管理系统中,所述双向注意力模块,包括:
28、池化单元,用于将所述融合特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量;
29、关联编码单元,用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵;
30、激活单元,用于将所述双向关联矩阵输入sigmoid激活函数以得到双向关联权重矩阵;
31、计算单元,用于计算所述双向关联权重矩阵和所述融合特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
32、在上述的桔柚种植管理系统中,所述优化模块,包括:
33、矩阵分解单元,用于对所述分类特征矩阵进行基于特征值的矩阵分解以得到多个特征值和与所述多个特征值对应的多个特征向量;
34、降序排列单元,用于对所述多个特征向量进行基于特征值大小的降序排列,并从所述多个特征向量中提取k个最大的特征值对应的特征向量以构成一个k维的仿射子空间;
35、矩阵映射单元,用于将所述分类特征矩阵映射到所述仿射子空间以得到仿射密度域矩阵;
36、概率化仿射单元,用于将所述仿射密度域矩阵输入softmax激活函数以得到概率化仿射密度域矩阵;
37、掩码化单元,用于基于所述概率化仿射密度域矩阵中各个位置的特征值与预定阈值之间的比较,对所述概率化仿射密度域矩阵进行掩码化以得到掩码化概率化仿射密度域矩阵;
38、优化单元,用于计算所述掩码化概率化仿射密度域矩阵与所述分类特征矩阵之间的按位置点乘以得到所述优化分类特征矩阵。
39、根据本技术的另一方面,还提供了一种桔柚种植管理方法,其包括:
40、获取土壤中养分含量数据和植株的营养状态数据;
41、将所述土壤中的养分含量数据通过第一语义编码模块以得到土壤输入向量;
42、将所述植株的营养状态数据通过第二语义编码模块以得到植株输入向量;
43、使用联合编码器对所述土壤输入向量和所述植株输入向量进行联合编码以得到融合特征矩阵;
44、将所述融合特征矩阵通过双向注意力机制以得到分类特征矩阵;
45、对所述分类特征矩阵进行低维掩码稀疏化以得到优化分类特征矩阵;
46、将所述优化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需要施加的肥料的种类。
47、与现有技术相比,本技术提供的桔柚种植管理系统及方法,其使用基于深度神经网络模型的人工智能技术来对土壤中的养分含量和植株的营养状态数据进行特征编码和提取,以得到用于表示需要施加的肥料的种类的分类标签。这样,通过构建桔柚种植管理方案,来分析土壤中的养分含量和叶片的营养状态,来提高了施肥质量,减少人力成本。