(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211155346.X (22)申请日 2022.09.22 (71)申请人 鄂尔多斯市农畜产品质量 安全中心 （鄂尔多斯市农牧业综合检验检测 中心、 鄂尔多斯市 绿色食品发展中 心） 地址 017000 内蒙古自治区鄂 尔多斯市康 巴什新区国泰商务广场CBD-T5楼-24 层25层-2415室2414室25 04室2505室 (72)发明人 项鹏宇　刘茂荣　李霞　王美秀　 华晓青　斯琴　杜晓燕　武占敏　 刘俊梅　鲍欣　赵杰　石诚泰　 苏震东　孙余卓　于婷婷　杨雅钧　 常强强　刘丽英　曹艳伟　赵伟　 栾忠贤　徐刚　赵丽君　石富　 孙凤舞　李伟　伊风江　张世晨　白天一　张斌　李刚　孙建平　 张美芹　陈兰　刘艳梅　阎丽英　 张小军　牛润　 (74)专利代理 机构 深圳市千纳专利代理有限公 司 44218 专利代理师 严宏伟 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) A01G 9/24(2006.01) H05B 47/17(2020.01) (54)发明名称 温室大棚采光调节方法及其系统 (57)摘要 本申请公开了一种温室大棚采光调节方法 及其系统， 其使用深度神经网络模 型并基于被检 测植物对象的多种氨基酸值来构建被检测植物 的品质架构值， 并同样使用深度神经网络模型来 构建多个环 境因子的环境因子架构值， 进而使用 品质架构值和环境因子架构值作为生产的目标 值， 来智能化地调整温室大棚采光设备的工作模 式， 以提高环境条件与植物生长的适配度。 权利要求书3页 说明书12页 附图6页 CN 115457292 A 2022.12.09 CN 115457292 A 1.一种温室大棚采光调节方法， 其特 征在于， 包括： 获取预定时间段内多个预定时间点的被检测植物对象的多种氨基酸的含量值以及所 述多个预定时间点的多个环境因子的测量 值； 将所述各个预定时间点的被检测植物对象的多种氨基酸的含量值通过经训练完成的 具有多个全连接层的结构特 征值编码器以得到对应于各个预定时间点的结构特 征值； 将所述对应于各个预定时间点的结构特征值按照时间维度排列为一维特征向量后通 过经训练完成的多尺度邻域特 征提取模块以得到多尺度结构特 征向量； 将所述多个预定时间点的多个环境因子的测量值按照时间维度和样本维度排列为输 入矩阵后通过经训练完成的相邻层使用互为转置的卷积核的卷积神经网络以得到环境因 子关联特征矩阵； 融合所述多尺度 结构特征向量和所述环境因子关联特征矩阵以得到分类特征向量； 以 及 将所述分类特征向量通过分类器以得到分类结果， 所述分类结果用于表示是否开启温 室大棚内的补光灯。 2.根据权利要求1所述的温室大棚采光调节方法， 其特征在于， 所述将所述各个预定时 间点的被检测 植物对象的多种氨基酸的含量值通过经训练完成的具有多个全连接层的结 构特征值编码器以得到对应于各个预定时间点的结构特 征值， 包括： 将所述各个预定时间点的被检测植物对象的多种氨基酸的含量值按照样本维度排列 为含量输入向量； 使用所述具有多个全连接层的结构特征值编码器以如下公式对所述含量输入向量进 行全连接编码以得到含量特征向量， 其中， 所述公式为： 其中X是含量输 入向量， Y是含量特 征向量， W是权 重矩阵， B是偏置向量， 表示矩阵乘； 以及 计算所述含量特征向量的所有位置的特征值的全局均值作为所述对应于各个预定时 间点的结构特 征值。 3.根据权利要求2所述的温室大棚采光调节方法， 其特征在于， 所述将所述对应于各个 预定时间点的结构特征值按照时间维度排列为一维特征向量后通过经训练完成的多尺度 邻域特征提取模块以得到多尺度结构特 征向量， 包括： 使用所述多尺度邻域特征提取模块的第一卷积层以具有第一长度的一维卷积核对所 述一维特征向量进行一维卷积编码以得到第一尺度结构特 征向量； 使用所述多尺度邻域特征提取模块的第二卷积层以具有第二长度的一维卷积核对所 述一维特征向量进行一 维卷积编码以得到第二尺度结构特征向量， 所述第二长度不同于所 述第一长度； 以及 将所述第一尺度结构特征向量和所述第二尺度结构特征向量进行级联以得到所述多 尺度结构特 征向量。 4.根据权利要求3所述的温室大棚采光调节方法， 其特征在于， 所述将所述多个预定时 间点的多个环境因子的测 量值按照时间维度和样本维度排列为输入矩阵后通过经训练完 成的相邻层使用互为 转置的卷积核的卷积神经网络以得到环境因子关联 特征矩阵， 包括： 使用所述卷积神经网络的第 一层对所述输入矩阵进行基于第 一卷积核的卷积处理、 沿权　利　要　求　书 1/3 页 2 CN 115457292 A 2通道维度的池化处 理和非线性激活 处理以得到第一激活特 征图； 以及 使用所述卷积神经网络的第二层对所述第一激活特征图进行基于第二卷积核的卷积 处理、 沿通道维度的池化处理和非线性激活处理以得到第二激活特征图， 其中， 所述第一卷 积核的数值矩阵与所述第二卷积核的数值矩阵互为 转置； 其中， 所述卷积神经网络的最后一层的输出为所述环境因子关联 特征矩阵。 5.根据权利要求4所述的温室大棚采光调节方法， 其特征在于， 所述融合所述多尺度 结 构特征向量和所述环境因子关联 特征矩阵以得到分类特 征向量， 包括： 将所述多尺度结构特征向量与所述环境因子关联特征矩阵进行相乘以将所述环境因 子关联特征矩阵的高维特征信息映射到所述多尺度结构特征向量的高维特征域中 以得到 所述分类特 征向量。 6.根据权利要求4所述的温室大棚采光调节方法， 其特征在于， 所述融合所述多尺度 结 构特征向量和所述环境因子关联 特征矩阵以得到分类特 征向量， 包括： 计算所述多尺度结构特征向量相对于所述环境因子关联特征矩阵的转移向量作为所 述分类特 征向量。 7.根据权利要求1所述的温室大棚采光调节方法， 其特征在于， 所述温室大棚采光调节 方法， 进一步包括： 对所述具有多个全连接层的结构特征值编 码器、 所述多尺度邻域特征提 取模块和所述相邻层使用互为 转置的卷积核的卷积神经网络进行训练； 其中， 所述对所述具有多个全连接层的结构特征值编码器、 所述多尺度邻域特征提取 模块和所述相邻层使用互为 转置的卷积核的卷积神经网络进行训练的过程， 包括： 获取训练数据， 所述训练数据包括预定时间段内多个预定时间点的被检测植物对象的 多种氨基酸的含量 值以及所述多个预定时间点的多个环境因子的测量 值； 将所述各个预定时间点的被检测植物对象的多种氨基酸的含量值通过所述具有多个 全连接层的结构特 征值编码器以得到对应于各个预定时间点的训练结构特 征值； 将所述对应于各个预定时间点的训练结构特征值按照时间维度排列为一维特征向量 后通过所述多尺度邻域特 征提取模块以得到训练多尺度结构特 征向量； 将所述多个预定时间点的多个环境因子的测量值按照时间维度和样本维度排列为输 入矩阵后通过经训练完成的相邻层使用互为转置的卷积核的卷积神经网络以得到训练环 境因子关联 特征矩阵； 融合所述训练多尺度结构特征向量和所述训练环境因子关联特征矩阵以得到训练分 类特征向量； 将所述训练分类特 征向量通过所述分类 器以得到分类损失函数值； 计算所述训练环境因子关联 特征矩阵的节俭分解鼓励损失函数值； 以及 以所述节俭分解鼓励损失函数值和所述分类损失函数值的加权和作为损失函数值对 所述具有多个全连接层的结构特征值编 码器、 所述多尺度邻域特征提取模块和所述相 邻层 使用互为 转置的卷积核的卷积神经网络进行训练。 8.根据权利要求7所述的温室大棚采光调节方法， 其特征在于， 所述将所述训练分类特 征向量通过所述分类 器以得到分类损失函数值， 包括： 将所述训练分类特 征向量输入所述分类 器的Softmax分类函数以得到分类结果； 以及 计算所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。权　利　要　求　书 2/3 页 3 CN 115457292 A 3