一种含有氨基酸态氮促进油茶生长的有机肥及其制备方法技术

公开了一种含有氨基酸态氮促进油茶生长的有机肥及其制备方法。其首先对状态监控图像进行图像分块处理后通过作为过滤器的卷积神经网络模型以得到多个局部状态特征向量，接着，将计算所述多个局部状态特征向量之间的余弦相似度得到的相似度拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到相似度拓扑特征矩阵，然后，所述多个局部状态特征向量进行二维排列后和所述相似度拓扑特征矩阵通过图神经网络模型以得到分类特征矩阵，接着，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵，最后，将所述优化分类特征矩阵通过分类器以得到用于表示是否需要加水的分类结果。这样，可以提高发酵效率和质量。可以提高发酵效率和质量。可以提高发酵效率和质量。

【技术实现步骤摘要】
一种含有氨基酸态氮促进油茶生长的有机肥及其制备方法


[0001]本申请涉及智能制备领域，且更为具体地，涉及一种含有氨基酸态氮促进油茶生长的有机肥及其制备方法。

技术介绍

[0002]油茶是一种常绿灌木或乔木，属于山茶科，主要分布在亚洲的温带和热带地区。油茶的果实可以榨油，油茶的叶子可以泡茶，油茶的花可以食用或制作香料，油茶具有很高的经济价值和生态价值。由于地理环境、气候条件、土壤肥力等环境因素和管理不规范、采收不当等人为因素，造成油茶低产和品质下降。
[0003]考虑到氨基酸态氮可以直接被油茶的根系吸收，增强油茶的抗逆性和抗病性，提高油茶的果实含油率和油质。因此，期待一种含有氨基酸态氮促进油茶生长的有机肥及其制备方案。

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含有氨基酸态氮促进油茶生长的有机肥及其制备方法。其首先对状态监控图像进行图像分块处理后通过作为过滤器的卷积神经网络模型以得到多个局部状态特征向量，接着，将计算所述多个局部状态特征向量之间的余弦相似度得到的相似度拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到相似度拓扑特征矩阵，然后，所述多个局部状态特征向量进行二维排列后和所述相似度拓扑特征矩阵通过图神经网络模型以得到分类特征矩阵，接着，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵，最后，将所述优化分类特征矩阵通过分类器以得到用于表示是否需要加水的分类结果。这样，可以提高发酵效率和质量。
[0005]根据本申请的一个方面，提供了一种含有氨基酸态氮促进油茶生长的有机肥的制备方法，其包括：
[0006]获取待发酵混合料的状态监控图像；
[0007]对所述状态监控图像进行图像分块处理以得到状态监控局部图像块的序列；
[0008]将所述状态监控局部图像块的序列中的各个状态监控局部图像块通过作为过滤器的卷积神经网络模型以得到多个局部状态特征向量；
[0009]计算所述多个局部状态特征向量之间的余弦相似度以得到由多个余弦相似度排列而成的相似度拓扑矩阵；
[0010]将所述相似度拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到相似度拓扑特征矩阵；
[0011]将所述多个局部状态特征向量进行二维排列以得到全局状态特征矩阵；
[0012]将所述全局状态特征矩阵和所述相似度拓扑特征矩阵通过图神经网络模型以得到分类特征矩阵；
[0013]对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及
[0014]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是否需要加水。
[0015]在上述的含有氨基酸态氮促进油茶生长的有机肥的制备方法中，对所述状态监控图像进行图像分块处理以得到状态监控局部图像块的序列，包括：
[0016]对所述状态监控图像进行均匀的图像分块处理以得到状态监控局部图像块的序列。
[0017]在上述的含有氨基酸态氮促进油茶生长的有机肥的制备方法中，将所述状态监控局部图像块的序列中的各个状态监控局部图像块通过作为过滤器的卷积神经网络模型以得到多个局部状态特征向量，包括：
[0018]使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述多个局部状态特征向量，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述状态监控局部图像块的序列中的各个状态监控局部图像块。
[0019]在上述的含有氨基酸态氮促进油茶生长的有机肥的制备方法中，计算所述多个局部状态特征向量之间的余弦相似度以得到由多个余弦相似度排列而成的相似度拓扑矩阵，包括：
[0020]以如下余弦相似度计算公式计算所述多个局部状态特征向量之间的余弦相似度以得到所述多个余弦相似度；
[0021]其中，所述余弦相似度计算公式为：
[0022][0023]其中，V
i
和V
j
表示所述多个局部状态特征向量中任意两个局部状态特征向量，和分别表示所述多个局部状态特征向量中任意两个局部状态特征向量中各个位置的特征值，d(V
i
,V
j
)表示所述多个局部状态特征向量中任意两个局部状态特征向量之间的余弦距离；
[0024]将所述多个相似度进行二维排列以得到所述相似度拓扑矩阵。
[0025]在上述的含有氨基酸态氮促进油茶生长的有机肥的制备方法中，将所述相似度拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到相似度拓扑特征矩阵，包括：
[0026]使用作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述相似度拓扑特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述相似度拓扑矩阵。
[0027]在上述的含有氨基酸态氮促进油茶生长的有机肥的制备方法中，将所述全局状态特征矩阵和所述相似度拓扑特征矩阵通过图神经网络模型以得到分类特征矩阵，包括：
[0028]使用所述图神经网络模型以可学习的神经网络参数对所述全局状态特征矩阵和所述相似度拓扑特征矩阵进行处理以得到所述分类特征矩阵。
[0029]在上述的含有氨基酸态氮促进油茶生长的有机肥的制备方法中，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵，包括：
[0030]分别计算所述分类特征矩阵的每个行特征向量的高斯回归不确定性因数以得到多个高斯回归不确定性因数；
[0031]基于所述多个高斯回归不确定性因数对所述分类特征矩阵的各个行特征向量进行加权以得到多个加权后行特征向量；以及
[0032]将多个加权后行特征向量进行二维排列以得到所述优化分类特征矩阵。
[0033]在上述的含有氨基酸态氮促进油茶生长的有机肥的制备方法中，分别计算所述分类特征矩阵的每个行特征向量的高斯回归不确定性因数以得到多个高斯回归不确定性因数，包括：
[0034]以如下因数计算公式分别计算所述分类特征矩阵的每个行特征向量的高斯回归不确定性因数以得到多个高斯回归不确定性因数；
[0035]其中，所述因数计算公式为：
[0036][0037]其中，v
ij
是所述分类特征矩阵的第i个行特征向量的第j个位置的特征值，L是行特征向量的长度，μ
i
和σ
i2
分别是所述分类特征矩阵的第i个行特征向量的均值和方差，且log为以2为底的对数，w
i
表示所述分类特征矩阵的第i个行特征向量的高斯回归不确定性因数。
[0038]在上述的含有氨基酸态氮促进油茶生长的有机肥的制备方法中，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是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种含有氨基酸态氮促进油茶生长的有机肥的制备方法，其特征在于，包括：获取待发酵混合料的状态监控图像；对所述状态监控图像进行图像分块处理以得到状态监控局部图像块的序列；将所述状态监控局部图像块的序列中的各个状态监控局部图像块通过作为过滤器的卷积神经网络模型以得到多个局部状态特征向量；计算所述多个局部状态特征向量之间的余弦相似度以得到由多个余弦相似度排列而成的相似度拓扑矩阵；将所述相似度拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到相似度拓扑特征矩阵；将所述多个局部状态特征向量进行二维排列以得到全局状态特征矩阵；将所述全局状态特征矩阵和所述相似度拓扑特征矩阵通过图神经网络模型以得到分类特征矩阵；对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及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是否需要加水。2.根据权利要求1所述的含有氨基酸态氮促进油茶生长的有机肥的制备方法，其特征在于，对所述状态监控图像进行图像分块处理以得到状态监控局部图像块的序列，包括：对所述状态监控图像进行均匀的图像分块处理以得到状态监控局部图像块的序列。3.根据权利要求2所述的含有氨基酸态氮促进油茶生长的有机肥的制备方法，其特征在于，将所述状态监控局部图像块的序列中的各个状态监控局部图像块通过作为过滤器的卷积神经网络模型以得到多个局部状态特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述多个局部状态特征向量，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述状态监控局部图像块的序列中的各个状态监控局部图像块。4.根据权利要求3所述的含有氨基酸态氮促进油茶生长的有机肥的制备方法，其特征在于，计算所述多个局部状态特征向量之间的余弦相似度以得到由多个余弦相似度排列而成的相似度拓扑矩阵，包括：以如下余弦相似度计算公式计算所述多个局部状态特征向量之间的余弦相似度以得到所述多个余弦相似度；其中，所述余弦相似度计算公式为：其中，V
i
和V
j
表示所述多个局部状态特征向量中任意两个局部状态特征向量，和分别表示所述多个局部状态特征向量中任意两个局部状态特征向量中各个位置的特征值，d(V
i
,V
j
)表示所述多个局部状态特征向量中任意两个局部状态特征向量之间的余弦距离；
将所述多个相似度进行二维排列以得到所述相似度拓扑矩阵。5.根据权利要求4所述的含有氨基酸态氮促进油茶生长的有机肥的制备方法，其特征在于，将所述相似度拓扑矩阵通过...

【专利技术属性】
技术研发人员：雷小林，方新栋，曾凡新，叶友青，王召滢，朱广垒，付宇新，曹冰，黄建军，
申请(专利权)人：江西省林业科学院，
类型：发明
国别省市：