菌种智能筛选设备及其筛选方法技术

本申请涉及智能设备技术领域，其具体地公开了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。选的菌种对于植物生长的效用。选的菌种对于植物生长的效用。

【技术实现步骤摘要】
菌种智能筛选设备及其筛选方法


[0001]本申请涉及智能设备
，且更为具体地，涉及一种菌种智能筛选设备及其筛选方法。

技术介绍

[0002]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。
[0003]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。
[0004]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。
[0005]因此，期待一种优化的菌种筛选方案。
[0006]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。
[0007]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。

技术实现思路

[0008]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。
[0009]根据本申请的一个方面，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。
[0010]根据本申请的另一方面，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。
[0011]根据本申请的再一方面，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。
[0012]根据本申请的又一方面，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。
[0013]与现有技术相比，本申请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
[0014]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。
[0015]图1图示了根据本申请实施例的菌种智能筛选设备的应用场景图。
[0016]图2图示了根据本申请实施例的菌种智能筛选设备的框图示意图。
[0017]图3图示了根据本申请实施例的菌种智能筛选设备中菌种类型编码模块的框图。
[0018]图4图示了根据本申请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。
[0019]图5图示了根据本申请实施例的菌种智能筛选方法的流程图。
[0020]图6图示了根据本申请实施例的菌种智能筛选方法的系统架构的示意图。
[0021]图7图示了根据本申请实施例的电子设备的框图。
具体实施方式
[0022]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的示例实施例的限制。
[0023]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。结合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种菌种智能筛选设备，其特征在于，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。2.根据权利要求1所述的菌种智能筛选设备，其特征在于，所述菌种类型编码模块，包括：嵌入向量化子单元，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；上下文编码子单元，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。3.根据权利要求2所述的菌种智能筛选设备，其特征在于，所述菌种组合特征生成模块，包括：权重计算单元，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；加权单元，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。4.根据权利要求3所述的菌种智能筛选设备，其特征在于，所述监控视频编码模块，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。5.根据权利要求4所述的菌种智能筛选设备，其特征在于，所述降维变化模块，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...

【专利技术属性】
技术研发人员：闫士斌，赵鹏，
申请(专利权)人：江苏滋百农生态农业股份有限公司，
类型：发明
国别省市：