【技术实现步骤摘要】
所属的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。需要说明的是，上述实施例提供的系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本专利技术实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本专利技术实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本专利技术的不当限定。本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本专利技术的范围。术语″包括″或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/
技术介绍
1、随着生产规模的扩大和技术的飞速发展，传统农业在信息科技化的改革下将逐步转变为新型农业模式，这一历史趋势将极大地促进农业生产，保障世界的消费需求。新型农业模式的发展下，我们能够通过科学手段控制和管理农业生产的全过程。目前我国大部分种苗公司仍然处于人工管理阶段，根据管理员个人育苗经验给种苗灌溉、补光、加温。在这样传统的育苗管理模式下，不但缺乏严谨的科学理论依据，而且浪费了大量的人力资源。
2、在飞速发展的信息技术和农业现代化大力推动下，必然会研发出作物生长环境控制系统。农业环境参数主要包括光照强度、降雨量、土壤湿度、空气温湿度和各项微量元素含量等。育苗环境是影响育苗生产的重要因素之一，如何准确有效的控制育苗环境是育苗生产中的一个关键点。国内外对监控系统的主要研究方向是低成本、低功耗和多种影响因素的采集和分析，它有利于管理者全面了解作物环境信息。
3、植物育苗过程依赖合适的光环境，在其育苗周期内改变光环境参数可能对长势及最终结果造成影响。为了能够实现既定的育苗目标，首先需要知道植物在不同光环境变量组合中的生长相应，以此得出随光环境要素变化的育苗质量预测模型，并以此实现其所需光环境的精准调控。传统农业领域里，建立育苗质量预测模型需要对所有可影响其生长状况的光环境要素变量进行大量的对照实验，继而进行统计学分析并拟合数据，这会耗费大量的人力和时间成本。因此，通过对数据进行特征提取再利用算法来建立预测模型成为趋势。
4、近年来，图神经网络由于其较好的性能和可解释性逐渐成为研究热点，且已被应用于许多领域，如图像识别、点云分割、推荐系统、交通预测和化学结构研究等领域。在图域中，数据的几何结构可以提供额外的信息，不仅包括节点的值，还包括它们之间的关系。因此，与一般数据域相比，可以在图形域中提供更多数据间信息。然而图神经网络在育苗种植领域的应用还相对较少。本专利技术提出的基于图神经网络的人工光型植物育苗控制方法，对光照育苗数据进行深度挖掘，有效表达数据间的影响关系，在低标签率的情况下实现有效的信息融合，综合考虑植物育苗过程中光质、光强、光周期等光环境要素对育苗质量的影响，模型通过输入光强、光质等光环境控制参数，输出植物光合作用速率预测，从而判断植物优良，然后结合寻优算法寻找最佳育苗环境，为光照育苗提供合理的环境生产参数。
技术实现思路
1、本专利技术的目的是提供一种基于图神经网络的人工光型植物育苗控制方法，本专利技术通过对光照育苗数据进行深度挖掘，有效表达数据间的影响关系，在低标签率的情况下实现有效的信息融合，综合考虑植物育苗过程中光质、光强、光周期等光环境要素对育苗质量的影响，从而提高光照育苗优良率。
2、为了实现上述目的，本专利技术提供了如下的技术方案：
3、一种基于图神经网络的人工光型植物育苗控制方法，其特征在于，包括：
4、s1o 1：实时采集植物育苗过程中不同预设光照强度、光质以及光周期下植物的植物数据信息，所述植物数据信息包括壮苗指数、叶绿素含量、光合作用强度以及育苗周期，根据所述植物数据信息建立完备的植物育苗过程数据库d，以及样本数据集的植物光合速率y，并对所述样本数据集进行标准化操作；
5、s102：通过多层感知机获取所述样本数据集中样本的低阶特征变量矩阵x，并计算所述低阶特征变量矩阵x中每个样本特征向量之间的距离；其中，
6、对于每一个所述样本特征，选取最近的k个样本特征作为邻接样本，并构建初始邻接矩阵a；
7、s103：将所述初始邻接矩阵a输入到图自编码器中，并重构获得最终图的拓扑结构，所述最终图的拓扑结构为最终邻接矩阵
8、s104：根据所述样本数据集提取累计信息和变化率信息数据，形成子块数据集，并将所述子块数据集划分为训练集和测试集；
9、s105：根据所述子块数据集构建子块图卷积神经网络模型，并对所述子块图卷积神经网络模型进行训练；
10、s106：以所述植物幼苗的光合作用速率作为评价指标，基于训练后的所述子块图卷积神经网络模型，构建植物光合速率与生长环境要素之间的幼苗光合速率关系模型，并分析光环境要素对植物光合速率的影响程度；其中，
11、所述光环境要素包括所述光照强度、所述光质以及所述光周期；
12、s107：通过改进烟花算法，以所述幼苗光合速率关系模型作为适应度，对光合速率进行迭代寻优。
13、在本申请的一些实施例中，所述步骤s102中还包括：
14、通过所述多层感知机获取所述低阶特征变量矩阵x中原始变量的低阶特征后，使用k邻接算法计算欧氏距离或马氏距离构建所述初始邻接矩阵a，以将一维信号数据转换为图数据。
15、在本申请的一些实施例中，所述步骤s103中还包括：
16、通过所述图自编码器重构所述初始邻接矩阵a，并根据所述图自编码器深层挖掘数据之间的信息，使用潜在变量构建所述初始邻接矩阵a，以使本文档来自技高网...
【技术保护点】
1.一种基于图神经网络的人工光型植物育苗控制方法，其特征在于，包括：
2.根据权利要求1中所述的一种基于图神经网络的人工光型植物育苗控制方法，其特征在于，所述步骤S102中还包括：
3.根据权利要求2中所述的一种基于图神经网络的人工光型植物育苗控制方法，其特征在于，所述步骤S103中还包括：
4.根据权利要求3中所述的一种基于图神经网络的人工光型植物育苗控制方法，其特征在于，根据所述植物数据信息建立完备的植物育苗过程数据库D，包括：
5.根据权利要求4中所述的一种基于图神经网络的人工光型植物育苗控制方法，其特征在于，
6.根据权利要求5中所述的一种基于图神经网络的人工光型植物育苗控制方法，其特征在于，根据所述子块数据集构建子块图卷积神经网络模型，并对所述子块图卷积神经网络模型进行训练，包括：
7.根据权利要求6中所述的一种基于图神经网络的人工光型植物育苗控制方法，其特征在于，基于训练后的所述子块图卷积神经网络模型，构建植物光合速率与生长环境要素之间的幼苗光合速率关系模型，包括：
8.根据权利要求7
...【技术特征摘要】
1.一种基于图神经网络的人工光型植物育苗控制方法，其特征在于，包括：
2.根据权利要求1中所述的一种基于图神经网络的人工光型植物育苗控制方法，其特征在于，所述步骤s102中还包括：
3.根据权利要求2中所述的一种基于图神经网络的人工光型植物育苗控制方法，其特征在于，所述步骤s103中还包括：
4.根据权利要求3中所述的一种基于图神经网络的人工光型植物育苗控制方法，其特征在于，根据所述植物数据信息建立完备的植物育苗过程数据库d，包括：
5.根据权利要求4中所述的一种基于图神经网络的人工光型植物育苗控制方法，其特征在于，<...
【专利技术属性】
技术研发人员：金永均，李宁宁，余建波，陈旭飞，
申请(专利权)人：上海银龙农业发展有限公司，
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。