一种基于深度神经网络的作物全周期生长环境智能评估方法

本发明属于农业智能控制，具体涉及一种基于深度神经网络的作物全周期生长环境智能评估方法。

背景技术：

1、设施农业是现代农业的重要组成部分，核心是通过人工调控环境因子为作物生长创造最优条件，准确评估作物生长环境的适宜性是实现精准调控的前提。

2、现有技术中，环境因子之间存在复杂的非线性耦合关系，例如温度与光照的交互作用会显著影响作物光合作用，简单线性加权无法精准拟合这种关系，导致评估精度低；不同作物、不同生长周期的因子敏感性差异很大，硬编码的固定阈值和权重适应性差，难以满足全周期精准评估的需求；

3、阈值未考虑不同地域、不同季节的气候差异，也无法支持用户根据生产目标灵活调整管控标准，通用性与个性化无法兼顾，难以在实际生产中规模化推广应用，特别是在临界阈值附近，无法及时发现潜在的生长胁迫，并且环境调控多采用单因子独立调控策略，未考虑多因子异常的耦合危害与调控操作的副作用，容易出现 “解决一个问题、引发另一个问题” 的次生灾害，此外，现有环境调控多采用单点阈值启停逻辑，当环境参数处于临界值附近时，易导致执行设备频繁启停的 “震荡” 现象，既加速硬件老化损耗、缩短设备寿命，又造成环境参数反复波动，不利于作物生长状态稳定。同时，现有自动调控系统缺乏统一的安全操作准入边界与分级校验机制，极端场景下存在误操作突破作物生理极限、诱发病害的安全风险。近年来，深度学习技术在农业领域得到了广泛应用，但现有基于神经网络的作物生长评估方法大多直接采用端到端的黑盒模型，完全忽略了农业专家积累的先验知识，导致模型可解释性差，且在数据量不足时容易出现过拟合，难以在实际生产中推广应用。

4、因此，亟需开发一种既能充分利用农业专家先验知识，又能发挥神经网络非线性拟合能力同时具备多因子协同调控、多场景适配、目标可配置的作物生长环境智能评估方法，以提高评估精度和实用性。

技术实现思路

1、为了解决上述技术问题，提出了本发明的方案。本发明提供一种基于深度神经网络的作物全周期生长环境智能评估方法，包括：

2、根据作物类型将目标作物全生长周期划分为若干连续的标准化的生长阶段，为各生长阶段配置对应的环境因子阈值范围与评估模型参数；生长阶段的切换基于累计有效积温自动触发，并同步加载对应阶段的阈值与模型参数；

3、针对每种作物类型，基于农业先验知识构建规则评分模型，根据各环境因子当前所处的阈值区间计算单项得分，按照预设的先验权重加权求和，得到规则综合得分；

4、针对每种作物类型，采用融合先验权重约束的深度前馈神经网络模型，将实时采集的环境因子数据输入预训练完成的深度前馈神经网络模型，输出神经网络预测健康得分；模型训练过程中通过先验权重正则约束，使各环境因子的贡献度符合预设先验权重分布；

5、根据作物当前所处生长阶段以及深度前馈神经网络模型的实时预测精度动态调整融合权重，将规则综合得分与神经网络预测健康得分进行加权融合，得到作物生长综合健康得分，并判定对应的健康等级；

6、根据当前健康等级匹配对应调控策略；针对单个环境因子异常场景，基于异常因子的基础贡献权重、偏离程度以及调控操作副作用程度生成多手段梯次调控序列；针对两个及以上环境因子同时异常场景，基于各异常因子的基础贡献权重、偏离程度和预设因子耦合关系矩阵，计算耦合修正后的综合危害度，并确定调控优先级和多因子协同调控执行序列；驱动执行终端对区域环境因子进行动态调整，直至满足目标健康等级和环境因子停止阈值和执行安全约束条件。

7、在一些可选的实施例中，标准化的生长阶段包括若干个根据目标作物生长发育规律划分的连续且互不重叠的生长阶段序列；根据作物类型对应的生物学特性设置不同数量与不同时长的生长阶段。

8、在一些可选的实施例中，累计有效积温为逐日有效温度的累计值，有效温度为日平均气温与作物生物学零度的差值，低于生物学零度的温度不计入积温；预先为每个生长阶段设置对应的积温阈值，当累计有效积温达到当前生长阶段的积温阈值上限时，自动触发生长阶段切换，同步更新各生长阶段对应的积温阈值、权重、模型与调控策略。

9、在一些可选的实施例中，环境因子包括昼温、夜温、光照强度、土壤相对湿度、空气相对湿度和土壤ph值；昼温为每日8：00至20：00的环境温度；夜温为每日20：00至次日8：00的环境温度；每个生长阶段的各环境因子的阈值均划分为最优阈值范围、次优阈值范围与不适阈值范围三级。

10、在一些可选的实施例中，深度前馈神经网络模型的结构包括输入层、隐藏层与输出层；

11、输入层，用于环境因子数据输入；

12、隐藏层包括：第一隐藏层，用于对输入环境因子数据进行非线性变换，提取各输入环境因子的单因子特征，单因子特征表征单个环境因子自身的高低偏离与适宜性状态；第二隐藏层，用于将第一隐藏层提取的单因子特征进行全连接高阶组合，形成反映环境因子间非线性相互作用的交互特征；第三隐藏层，用于评估因子贡献权重，根据单因子特征和交互特征生成与输入环境因子数量一致的贡献权重向量；在损失函数中加入先验权重l2正则项，约束第三隐藏层输出的权重比例以预设先验权重为基准；

13、输出层，用于结合交互特征和贡献权重向量，映射输出神经网络预测健康得分。

14、在一些可选的实施例中，深度前馈神经网络模型的预训练过程包括：

15、采集不同生长周期与不同环境条件下的作物生长样本数据，标注对应的健康得分；

16、对输入的环境因子数据进行minmax标准化处理，并映射到[0,1]区间，以消除不同量纲的影响；

17、采用adam自适应学习率优化器，以均方误差mse为损失函数对深度前馈神经网络模型进行训练，设置初始学习率、批量大小与训练轮数；

18、训练过程中引入先验权重正则化项，对深度前馈神经网络模型各输入环境因子的特征重要性权重分布施加约束，使模型习得的环境因子相对贡献度与农业专家给定的先验权重保持一致；正则化系数取值范围设置为0.01~0.1，以专家先验权重为基准，模型输出各环境因子贡献度的相对偏差控制在设定范围内。

19、在一些可选的实施例中，将规则综合得分与神经网络预测健康得分进行加权融合，权重系数根据作物当前生长阶段和神经网络模型的实时预测精度动态调整；

20、设为最终综合健康得分，为规则综合得分，为神经网络预测健康得分，为

t时刻规则模型的动态权重系数，取值范围为[0.2, 0.8]，则加权融合公式为：

21、；

22、动态权重系数的计算方式为：预先为每个生长阶段设置对应基础权重，生长阶段越靠前，规则模型基础权重越高；计算近7天神经网络预测得分的平均绝对误差mae，根据mae等级确定精度调整系数；最终动态权重系数为基础权重与精度调整系数的乘积，并通过clamp函数将最终动态权重系数限制在 [0.2, 0.8]区间内。

23、在一些可选的实施例中，驱动执行终端对区域环境因子进行动态调整，直至满足目标健康等级和环境因子停止阈值和执行安全约束条件时基于目标评分等级的阈值自适应调整，包括：根据用户选择的作物生长综合健康得分，确定目标评分等级，根据目标评分等级确定对应的阈值宽松度系数，基于预存的基准阈值和各环境因子的调整系数，自动生成目标等级对应的最优阈值范围、次优阈值范围和不适阈值范围，根据生成的阈值范围更新规则评分模型的评分标准和调控触发条件。

24、在一些可选的实施例中，驱动执行终端对区域环境因子进行动态调整，还包括：

25、当检测到同时存在两个及以上异常环境因子时，执行动态多因子组合调控，包括：获取深度前馈神经网络模型输出的各环境因子基础贡献权重，结合各异常环境因子的偏离程度和预设因子耦合关系矩阵，计算耦合修正后的综合危害度，确定异常环境因子的调控优先级，再从安全操作白名单中调取全部候选调控操作，基于调控操作副作用矩阵，过滤加剧其他异常环境因子或突破生理安全约束的调控操作，计算各候选调控操作的综合净收益，并根据综合净收益生成调控执行序列，执行过程中实时监测环境参数变化，动态调整调控强度，直至满足停止阈值、综合健康得分达目标等级与安全约束条件；

26、当检测到单个环境因子处于异常状态时，执行单因子多手段协同调控，包括：从当前批次的安全操作白名单中，筛选所有可改善该异常因子的调控操作形成候选集；基于异常因子改善幅度与其余正常因子副作用程度，结合各环境因子的先验权重计算综合响应权重；按照综合响应权重从高到低生成梯次调控序列，按顺序启动调控操作；调控过程中实时校验异常因子恢复状态与其余因子的波动情况，达到调控目标后停止新增操作，出现次生异常风险时动态调整操作强度。

27、本发明的有益效果是：

28、（1）本发明提出了先验规则与深度神经网络结合的双模型融合评估机制，既保留了农业专家知识的专业性和可解释性，又充分发挥了神经网络的非线性拟合能力，提升了作物生长综合健康得分的评估准确度；

29、（2）本发明构建了融合先验权重约束的深度神经网络模型，通过在训练过程中加入正则化项，引导模型学习符合农业常识的特征表示，有效解决了纯黑盒模型可解释性差和过拟合的问题；

30、（3）本发明采用双维度动态加权融合算法，根据作物生长阶段和模型实时精度动态调整融合权重，在数据量不足的生长初期和环境突变场景下均能保持稳定可靠的评估效果；

31、（4）本发明支持用户自主选择目标评分等级，系统自动适配对应阈值与调控策略，可灵活适配不同生产目标的种植需求；

32、（5）本发明针对单因子异常场景构建了多手段耦合响应机制，基于因子重要度与操作副作用量化计算综合响应权重，采用梯次启动的调控策略，既保证了异常因子的恢复效率，又避免了单一调控引发的次生环境问题，显著提升了单因子调控的科学性与综合生长收益；

33、（6）本发明提出动态多因子组合调控机制，基于耦合关系分析和副作用筛选生成最优调控序列，避免单一调控的次生灾害，显著提升复杂异常场景下的调控效果；

34、（7）本发明能够输出标准化的生长等级，能够直接与温室环境控制系统对接，实现作物生长环境的全自动精准调控；