出菇采摘最佳时机预测方法及装置

1.本发明涉及食用菌种植领域，尤其涉及一种出菇采摘最佳时机预测方法及装置。


背景技术：

2.食用菌生产分为农业式和工厂化两种，其中农业式生产占比较大。农业式出菇房多以塑料大棚、日光温室为基础改造而成。食用菌作为一种环境敏感型作物，对出菇环境极度敏感。由于能显著提高单位面积产量，网格架等立体栽培模式在平菇、杏鲍菇等农业式出菇房得到广泛应用。但出菇房调控能力有限，环境空间分布不均匀，这些因素会导致出菇大小不一致，特别是采摘时期不同步。其中，采收过早影响产量，采收过迟则会导致菇盖干缩，菇柄坚硬，质量下降且大量散发孢子。传统上采摘时机多受菇农主观经验所限，不能很好提前把握最适宜采摘时机。
3.目前涉及菌菇的采摘时机研究较少，多以知识经验的形式表达，尚无自动判别方法。温室内其它作物如蔬菜领域有搭建现场表型平台，且以固定轨道式为主，可获得作物在温室环境下的结构表型数据，但搭建成本高，后期不宜维护。


技术实现要素：

4.针对现有技术存在的问题，本发明提供一种出菇采摘最佳时机预测方法及装置。
5.本发明提供一种出菇采摘最佳时机预测方法，包括：按固定步长，持续获取菌菇种植环境下的多个预测特征，每个步长获取的多个预测特征构成一个特征向量，所述预测特征包括菌菇重量特征；将当前时刻以前，预设数量连续步长的特征向量，输入已训练的gru-lstm网络模型，输出未来预测周期的菌菇重量，所述周期与所述步长对应；根据所述预测周期的菌菇重量，确定菌菇重量最大的采摘时期；所述gru-lstm网络模型，根据已知预测周期菌菇重量作为标签的样本，以相应的特征向量作为输入，经训练后得到。
6.根据本发明一个实施例的出菇采摘最佳时机预测方法，根据所述预测周期的菌菇重量，确定菌菇重量最大的采摘时期，包括：将预测周期时刻以前，预设数量连续步长的特征向量，再次输入已训练的gru-lstm网络模型，输出下一预测周期的菌菇重量；重复预设次数，当预测未来多个预测周期内菌菇重量连续下降时，将多个预测周期中的首个预测周期，作为菌菇重量最大的采摘时期。
7.根据本发明一个实施例的出菇采摘最佳时机预测方法，所述按固定步长，持续获取菌菇种植环境下的多个预测特征，包括：通过摄像头获取菌菇水平预设度角的投影图像；将所述投影图像转换为灰度图像，并转化为灰度直方图，根据预设阈值对所述灰度直方图进行二值化处理，将所述灰度直方图分为菌菇部分和背景部分；根据图像中的已知尺寸背景为基准，计算所述二值化处理后菌菇部分的面积值；将所述面积值输入预先拟合的第二模型，得到菌菇重量的估计值，作为预测特征中的菌菇重量特征。
8.根据本发明一个实施例的出菇采摘最佳时机预测方法，所述预测特征还包括菌菇失水量、栽培时长特征以及菌菇环境特征；其中，所述菌菇环境特征为实时环境参数与目标
环境参数的差值；环境参数包括出菇温度、出菇湿度及出菇二氧化碳浓度。
9.根据本发明一个实施例的出菇采摘最佳时机预测方法，所述将当前时刻以前的多个连续特征向量，输入已训练的gru-lstm网络模型之前，还包括：按固定步长，持续获取菌菇种植环境下样本的多个特征向量；对于采摘期的单个菌棒样本，以测得的预测周期菌菇重量作为输出标签，预测周期之前的预设数量特征向量作为输入量，对初始的gru-lstm网络模型进行训练，得到所述已训练的gru-lstm网络模型。
10.本发明还提供一种出菇采摘最佳时机预测装置，包括：采集模块，用于按固定步长，持续获取菌菇种植环境下的多个预测特征，每个步长获取的多个预测特征构成一个特征向量，所述预测特征包括菌菇重量特征；处理模块，用于将当前时刻以前，预设数量连续步长的特征向量，输入已训练的gru-lstm网络模型，输出未来预测周期的菌菇重量，所述周期与所述步长对应；预测模块，用于根据所述预测周期的菌菇重量，确定菌菇重量最大的采摘时期；所述gru-lstm网络模型，根据已知预测周期菌菇重量作为标签的样本，以相应的特征向量作为输入，经训练后得到。
11.本发明还提供一种出菇采摘最佳时机预测机器人，包括：环境采集器、摄像头、伸缩杆、导航识别装置、移动底盘以及上述出菇采摘最佳时机预测装置；所述环境采集器和所述摄像头，均设置在所述伸缩杆顶部，通过所述伸缩杆的垂直伸缩机构调节高度，分别用于获取不同高度菌菇单元的实时环境参数和菌菇水平预设度角的投影图像；所述导航识别装置，用于扫描每个菌菇单元预设位置处的导航标识，进入每个菌菇单元的测量位置，进入所述测量位置后，通过所述摄像头和所述环境采集器分别采集图像和环境参数；其中，所述环境参数用于确定菌菇环境特征后，作为出菇采摘最佳时机预测装置预测特征的一部分。
12.根据本发明一个实施例的出菇采摘最佳时机预测机器人，还包括：第一电极和第二电极，所述第一电极和第二电极，用于所述机器人运动到测量位置后，根据介电原理获取菌菇含水量，所述菌菇含水量作为预测特征的一部分。
13.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述出菇采摘最佳时机预测方法的步骤。
14.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述出菇采摘最佳时机预测方法的步骤。
15.本发明提供的出菇采摘最佳时机预测方法及装置，通过连续步长的特征向量，输入已训练的gru-lstm网络模型来进行预测，与传统人工经验相比，可实现菌菇最佳采摘时机的在线式自动化预测，有利于提高菌菇产量，进而实现利润的最大化。
附图说明
16.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
17.图1是本发明提供的出菇采摘最佳时机预测方法的流程示意图之一；
18.图2是本发明提供的出菇采摘最佳时机预测方法的流程示意图之二；
19.图3是本发明提供的出菇采摘最佳时机预测装置的结构示意图；
20.图4是本发明提供的出菇采摘最佳时机预测机器人的结构示意图之一；
21.图5是本发明提供的出菇采摘最佳时机预测机器人的结构示意图之二；
22.图6是本发明提供的电子设备的结构示意图；
23.图中：1.第一电极；2.环境传感器；3.摄像头；4.第二电极；5.伸缩杆；6.导航识别装置；7.出菇采摘最佳时机预测装置；8.移动底盘；9.二维码路标；10.导航路标；11.菌棒；12.网格架。
具体实施方式
24.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
25.本发明考虑到巡检机器人由于能灵活移动，同时辅以垂直升降，成为结构表型获取、生物量估计的理想平台。因此，本发明提供一种可应用于巡检机器人的出菇采摘最佳时机预测方法及装置。
26.下面结合图1-图6描述本发明的出菇采摘最佳时机预测方法及装置。图1是本发明提供的出菇采摘最佳时机预测方法的流程示意图之一，如图1所示，本发明提供出菇采摘最佳时机预测方法，包括：
27.101、按固定步长，持续获取菌菇种植环境下的多个预测特征，每个步长获取的多个预测特征构成一个特征向量，所述预测特征包括菌菇重量特征。
28.例如，按固定步长设置的采集间隔为3小时(h)，每隔3h获取菌菇种植环境下，如栽培箱(对于立体栽培网格，每个网格设有一个栽培箱，则分别获取进行测量)内的用于预测的特征参数。特征参数包括菌菇自身的特征，至少包括菌菇重量，还可包括菌菇失水量和栽培时长特征。
29.对于环境特征，在一个实施例中，预测特征中的菌菇环境特征为实时环境参数与目标环境参数的差值。其中，环境参数包括出菇温度、出菇湿度及出菇二氧化碳浓度。也就是说环境特征包括出菇温度、出菇湿度及出菇二氧化碳浓度分别与各自目标环境参数的差值。其中，目标环境参数可根据实验得到，或根据专家经验得到。
30.以此为例，每3h获得6维度的一个向量，分别包括出菇温度、出菇湿度及出菇二氧化碳浓度分别与各自目标环境参数的差值，以及菌菇重量、菌菇失水量、栽培时长。
31.102、将当前时刻以前的多个连续步长的特征向量，输入已训练的gru-lstm网络模型，根据所述网络模型的输出结果，确定未来多个连续预测周期的菌菇重量，所述周期与所述步长对应。
32.具体而言，在一个实施例中，本发明的gru-lstm网络模型包括依次连接的输入层、gru网络、lstm网络和全连接神经网络(dense)。如图2所示，其中，时间步长的预设数量可设为16，gru网络为1层，神经元数目为16，激活函数选用relu；lstm网络设置为2层，神经元数目均为32，激活函数采用relu；全连接神经网络(dense)层神经元个数设为8。
33.举例而言，在训练时对于按时间先后顺序得到的1至17个步长的特征向量，以1至
16步长的特征向量作为模型的输入，第17个步长的菌菇重量作为标签，对构建的上述gru-lstm网络模型进行训练，可迭代训练迭代2000次。可选地，在训练过程中可随机抽取80％的样本构成训练集，剩余20％的样本构成测试集用于测试训练后的模型。
34.对于训练好的gru-lstm网络，可根据上述预设数量连续步长的特征向量(如第1个步长至第16个步长)，对未来预测周期(相当于预测未发生的第17个步长)的菌菇重量进行预测。
35.103、根据所述预测周期的菌菇重量，确定菌菇重量最大的采摘时期。
36.不断持续获取预测特征，将当前时刻以前预设数量(如16个)连续步长的特征向量输入模型，得到不断更新的菌菇重量，根据未来菌菇重量的变化，便可进行最佳采摘时机的预报。
37.本发明提供的出菇采摘最佳时机预测方法，通过连续步长的特征向量，输入已训练的gru-lstm网络模型来进行预测，与传统人工经验相比，可实现菌菇最佳采摘时机的在线式自动化预测，有利于提高菌菇产量，进而实现利润的最大化。
38.在一个实施例中，根据所述预测周期的菌菇重量，确定菌菇重量最大的采摘时期，包括：将预测周期时刻以前，预设数量连续步长的特征向量，再次输入已训练的gru-lstm网络模型，输出下一预测周期的菌菇重量；重复预设次数，当预测未来多个预测周期内菌菇重量连续下降时，将多个预测周期中的首个预测周期，作为菌菇重量最大的采摘时期。
39.考虑到菌菇生长习性不同，其菌菇重量可能不会持续增加，本发明实施例在一个预测周期中，进行连续的多个周期预测，当多个周期菌菇重量连续下降时，将第一个周期作为最佳采摘时期。例如，持续滚动预测3次，当连续预测未来3个预测周期内菌菇重量连续下降时，第1个预测周期为最佳采摘时机。
40.以3次为例，预测未来1个预测周期(如第17个步长)的菌菇重量后，将第1个预测周期菌菇重量以前(包括第1个预测周期在内)的16个步长的特征向量作为输入，预测接下来的第2个预测周期菌菇重量，直至第3个预测周期菌菇重量，当1、2和3个预测周期为菌菇重量连续下降时，则第1个预测周期为最佳采摘时机。考虑到未来预测周期除了重量以外的其他预测特征是未知的，若预测特征包括重量以外的其他特征，可将当前时刻测得的其他预测特征作为近似值，即固定其他预测特征，只改变菌菇重量特征进行预测。
41.本发明实施例的出菇采摘最佳时机预测方法，通过预测未来多个预测周期内菌菇重量连续下降时，确定采摘时期，可进一步提高预测准确度。
42.在一个实施例中，所述按固定步长，持续获取菌菇种植环境下的多个预测特征，包括：通过摄像头获取菌菇水平预设度角的投影图像；将所述投影图像转换为灰度图像，并转化为灰度直方图，根据预设阈值对所述灰度直方图进行二值化处理，将所述灰度直方图分为菌菇部分和背景部分；根据图像中的已知尺寸背景为基准，计算所述二值化处理后菌菇部分的面积值；将所述面积值输入预先拟合的第二模型，得到菌菇重量的估计值，作为预测特征中的菌菇重量特征。
43.由于立体栽培模式下每株菌棒之间存在大量交叉遮挡，下部的形态结构数据难以被传感器捕获。本发明实施例对此进一步改进，从而能够实时且便捷的获取每个菌菇的重量信息作为预测特征。本发明中通过上述方法对菌菇重量进行估计，然后作为每个固定步长中的预测特征，参与未来预测周期的菌菇重量预测。
44.具体而言，使用同一种菌棒，在菌菇栽培箱通过摄像头以水平预设度角，优选水平45
°
角度，拍摄获取菌菇投影图像。
45.将采集的rgb图像转换为灰度图像，转换公式如下：
46.gray＝0.299red 0.587green 0.114blue；
47.将灰度图转化为灰度直方图，如在opencv中将灰度图转化为灰度直方图。
48.然后，利用最大类间方差法(otsu)法确定分割阈值t，根据阈值t对菌菇投影图像进行二值化处理。
49.计算出含有菌菇部分的阴影部分面积，由于每次采集的图像距离可能存在差异，选择以背景网格架为配准。例如，使用opencv测量图像中物体的大小，以网格架的固定长宽为参照物，估算出网格长或宽的占有像素数量，进而计算出单个像素的实际尺寸，再计算阴影中的像素点数量，再乘以单个像素的实际尺寸，获得阴影投影面积s。
50.在一个实施例中，得到菌菇部分的面积值后，根据预设阈值p确定是否进入采摘期。例如，阈值p取至少包含2片直径为6cm的菌盖，约57cm2。
51.在第二模型拟合时，可用切刀垂直从窝口菌棒切下后，利用称重法测菌菇重量w。然后，利用回归方法得出菌菇重量w与菌盖投影面积s之间关系模型，即上述第二模型。
52.例如，利用最小二乘法曲线拟合方法得出菌菇重量w，与菌菇投影面积s之间关系模型：
53.w＝as2 bs c；
54.其中a，b，c为拟合系数。
55.基于此，通过图像采集便可估计出菌菇重量。
56.本发明实施例的出菇采摘最佳时机预测方法，通过预设度角的投影图像，获取菌菇部分的面积值，再通过第二模型估计菌菇重量，无需对菌菇进行称重，可有效应用与立体菇房应用场景下，实现实时重量估计，从而提高gru-lstm网络模型预测菌菇重量的实时性。
57.在一个实施例中，所述预测特征还包括菌菇失水量、栽培时长特征以及菌菇环境特征；其中，所述菌菇环境特征为实时环境参数与目标环境参数的差值；环境参数包括出菇温度、出菇湿度及出菇二氧化碳浓度。
58.具体而言，菌菇自身特征除了重量特征还包括菌菇失水量、栽培时长特征。出菇房环境参数可以包括如下几项：空气温度、空气湿度、光照强度、二氧化碳浓度。获取环境参数后，先计算实时环境参数与目标环境参数的差值。其中，目标环境参数为菌菇种植过程中的理想值，可以结合专家经验得到的菌菇采摘期最佳温湿度、二氧化碳浓度等值，再将获得实际温湿度及二氧化碳浓度与理想状态的偏差值，作为预测特征，输入上述gru-lstm网络模型。
59.本发明实施例的出菇采摘最佳时机预测方法，采集的特征包括菌菇重量、菌菇失水量、栽培时长特征以及菌菇环境特征，可实现菌菇重量的准确刻画。
60.在一个实施例中，所述将当前时刻以前的多个连续特征向量，输入已训练的gru-lstm网络模型之前，还包括：按固定步长，持续获取菌菇种植环境下样本的多个特征向量；对于采摘期的单个菌棒样本，以测得的预测周期菌菇重量作为输出标签，预测周期之前的预设数量特征向量作为输入量，对初始的gru-lstm网络模型进行训练，得到所述已训练的gru-lstm网络模型。
61.即在上述101之前，使用同一种菌棒在菌菇栽培箱开展若干次实验，测量栽培箱里的菌菇采摘期内温湿度及二氧化碳浓度，并以时间序列形式保存。
62.结合由专家经验得到的菌菇采摘期最佳温湿度及二氧化碳浓度，获得实际温湿度及二氧化碳浓度与理想状态的偏差值。
63.按照行业专家经验采摘菌菇，并以采摘单个菌棒的菌菇重量(可沉重得到)作为输出标签，出菇温湿度及二氧化碳浓度与最佳条件差异值、栽培时长、当前菌菇生物量、采摘期菌菇失水量为输入量，学习后的模型作为推理机，建立单菌棒采摘时机预测模型，对未来时段采摘进行预测。
64.下面对本发明提供的出菇采摘最佳时机预测装置进行描述，下文描述的出菇采摘最佳时机预测装置与上文描述的出菇采摘最佳时机预测方法可相互对应参照。
65.图3是本发明提供的出菇采摘最佳时机预测装置的结构示意图，如图3所示，该出菇采摘最佳时机预测装置包括：采集模块301、处理模块302和预测模块303。其中，采集模块301用于按固定步长，持续获取菌菇种植环境下的多个预测特征，每个步长获取的多个预测特征构成一个特征向量，所述预测特征包括菌菇重量特征；处理模块302用于将当前时刻以前，预设数量连续步长的特征向量，输入已训练的gru-lstm网络模型，输出未来预测周期的菌菇重量，所述周期与所述步长对应；预测模块303用于根据所述预测周期的菌菇重量，确定菌菇重量最大的采摘时期；所述gru-lstm网络模型，根据已知预测周期菌菇重量作为标签的样本，以相应的特征向量作为输入，经训练后得到。
66.本发明实施例提供的装置实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。
67.在一个装置实施例中，预测模块303具体用于：将预测周期时刻以前，预设数量连续步长的特征向量，再次输入已训练的gru-lstm网络模型，输出下一预测周期的菌菇重量；重复预设次数，当预测未来多个预测周期内菌菇重量连续下降时，将多个预测周期中的首个预测周期，作为菌菇重量最大的采摘时期。
68.在一个装置实施例中，采集模块301还用于：通过摄像头获取菌菇水平预设度角的投影图像；将所述投影图像转换为灰度图像，并转化为灰度直方图，根据预设阈值对所述灰度直方图进行二值化处理，将所述灰度直方图分为菌菇部分和背景部分；根据图像中的已知尺寸背景为基准，计算所述二值化处理后菌菇部分的面积值；将所述面积值输入预先拟合的第二模型，得到菌菇重量的估计值，作为预测特征中的菌菇重量特征。
69.在一个装置实施例中，所述处理模块301还用于：按固定步长，持续获取菌菇种植环境下样本的多个特征向量；对于采摘期的单个菌棒样本，以测得的预测周期菌菇重量作为输出标签，预测周期之前的预设数量特征向量作为输入量，对初始的gru-lstm网络模型进行训练，得到所述已训练的gru-lstm网络模型。
70.本发明所提供的出菇采摘最佳时机预测装置，其实现原理及产生的技术效果和前述出菇采摘最佳时机预测方法实施例相同，为简要描述，出菇采摘最佳时机预测装置实施例部分未提及之处，可参考前述出菇采摘最佳时机预测方法实施例中相应内容。
71.图4是本发明提供的出菇采摘最佳时机预测机器人的结构示意图之一，如图4所示，该机器人包括：环境采集器2摄像头3伸缩杆5导航识别装置6移动底盘8以及上述出菇采摘最佳时机预测装置7；所述环境采集器2和所述摄像头3，均设置在所述伸缩杆5顶部，通过
所述伸缩杆5的垂直伸缩机构调节高度，分分别用于获取不同高度菌菇单元的实时环境参数和菌菇水平预设度角的投影图像；所述导航识别装置6用于扫描每个菌菇单元预设位置处的导航标识，进入每个菌菇单元的测量位置，进入所述测量位置后，通过所述摄像头3和所述环境采集器2分别采集图像和环境参数；其中，所述环境参数用于确定菌菇环境特征后，作为出菇采摘最佳时机预测装置预测特征的一部分。
72.具体而言，移动载体为巡检机器人：每个菌棒11种植在不同的网格架12中，网格架12下前方有二维码路标9作为导航标识，可指导机器人前进或转向，也可以将二维码路标9和导航路标10结合使用作为导航标识。例如，巡检机器人运动路径为第一排第一列，然后由低到高，再移动至第二列直至第一排结束；转向第二排，依次类推，直至结束。
73.使用摄像头垂直升降摄像头获取水平45
°
方向图像，计算投影面积，待投影面积大于一定阈值时，认为生长进入采摘期。以平菇为例，采用网格架栽培模式，每个菌菇单元就是一个网格架，将巡检机器人的摄像头水平45
°
放置，摄像头拍摄时至少包含网格的长或宽。
74.在一个实施例中，该机器人还包括：第一电极1和第二电极4，所述第一电极1和第二电极4，用于所述机器人运动到测量位置后，根据介电原理获取菌菇含水量，菌菇含水量作为预测特征的一部分。
75.图5是本发明提供的出菇采摘最佳时机预测机器人的结构示意图之二，如图5所示。通过放置在巡检机器人中可垂直伸缩的伸缩杆上环境采集器获取出菇房环境参数，利用两个电极通过介电原理获取菌菇含水量。
76.上下两个电极为铜片，电极之间距离等同网格架的网格宽度；射频频率范围为100mhz；当菌菇含水量变化时，上下电极之间的介电常数改变，压控振荡器(mc100el1648d)输出的信号频率在100mhz上下变化，经过射频分频器(mc12015)进行32分频，再通过数字分频器(mc14040b)进行32分频，同时提高电压幅度至ttl电平，再送至出菇采摘最佳时机预测装置(带linux的智能芯片)中。根据采摘时机预测模型，获取未来时段内的最佳采摘时机。
77.图6是本发明提供的电子设备的结构示意图，如图6所示，该电子设备可以包括：处理器(processor)601、通信接口(communications interface)602、存储器(memory)603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信。处理器601可以调用存储器603中的逻辑指令，以执行出菇采摘最佳时机预测方法，该方法包括：按固定步长，持续获取菌菇种植环境下的多个预测特征，每个步长获取的多个预测特征构成一个特征向量，所述预测特征包括菌菇重量特征；将当前时刻以前，预设数量连续步长的特征向量，输入已训练的gru-lstm网络模型，输出未来预测周期的菌菇重量，所述周期与所述步长对应；根据所述预测周期的菌菇重量，确定菌菇重量最大的采摘时期；所述gru-lstm网络模型，根据已知预测周期菌菇重量作为标签的样本，以相应的特征向量作为输入，经训练后得到。
78.此外，上述的存储器603中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施
例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
79.另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的出菇采摘最佳时机预测方法，该方法包括：按固定步长，持续获取菌菇种植环境下的多个预测特征，每个步长获取的多个预测特征构成一个特征向量，所述预测特征包括菌菇重量特征；将当前时刻以前，预设数量连续步长的特征向量，输入已训练的gru-lstm网络模型，输出未来预测周期的菌菇重量，所述周期与所述步长对应；根据所述预测周期的菌菇重量，确定菌菇重量最大的采摘时期；所述gru-lstm网络模型，根据已知预测周期菌菇重量作为标签的样本，以相应的特征向量作为输入，经训练后得到。
80.又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的出菇采摘最佳时机预测方法，该方法包括：按固定步长，持续获取菌菇种植环境下的多个预测特征，每个步长获取的多个预测特征构成一个特征向量，所述预测特征包括菌菇重量特征；将当前时刻以前，预设数量连续步长的特征向量，输入已训练的gru-lstm网络模型，输出未来预测周期的菌菇重量，所述周期与所述步长对应；根据所述预测周期的菌菇重量，确定菌菇重量最大的采摘时期；所述gru-lstm网络模型，根据已知预测周期菌菇重量作为标签的样本，以相应的特征向量作为输入，经训练后得到。
81.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
82.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
83.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。