开云优惠体育网页版入口

专利名称：一种基于人工智能的尾菜堆肥处理方法

专利类型：发明专利

专利申请号：CN202411147030.5

专利申请（专利权）人：山东链云开云优惠体育网页版入口有限公司
权利人地址：山东省聊城市莘县东鲁街道东升路中原农产品物流中心17号楼B座204室

专利发明（设计）人：王远亮,邢盈盈,徐倩,刘芳,孙锐,王瑞,赵斌,冯利,袁琳,宋月风,徐丽,司立英,高霞,赵强,王冬冬,赵中礼

专利摘要：本发明涉及尾菜堆肥处理技术领域，具体涉及一种基于人工智能的尾菜堆肥处理方法，包括收集尾菜并进行初步分类和粉碎处理；在堆肥装置内安装监测设备，实时监测堆肥参数，并按比例混合初始材料；使用深度神经网络对参数进行归一化；基于历史数据，用蝙蝠算法BA优化梯度提升树GBDT进行模型训练，根据实时参数调整堆肥条件；堆肥成熟后停止调控，进行收集和质量检测。该方法能提高堆肥效率和质量，保证稳定性。其中，监测设备包括温度、湿度和氧气浓度传感器，堆肥参数包括温度、湿度等多种。通过深度神经网络归一化和蝙蝠算法优化梯度提升树，实现堆肥过程的自动调控，减少人为干扰，具有科学性和精准性。

主权利要求：
1.一种基于人工智能的尾菜堆肥处理方法，其特征在于，包括以下步骤：S1、首先收集尾菜，并对其进行初步分类和粉碎处理，确保尾菜的粒径适宜堆肥处理；
S2、其次在堆肥装置内安装多个监测设备用于实时监测堆肥参数，并将尾菜、粪便、木屑初始材料按比例混合；
S3、然后对收集到的参数使用深度神经网络进行归一化为以为后续的机器学习算法做铺垫；
S4、接着基于历史数据，使用蝙蝠算法BA优化梯度提升树GBDT进行模型训练，根据实时监测到的环境参数，调整参数创造适宜的堆肥条件；
S5、最后当堆肥达到成熟标准时，停止自动调控，进行堆肥收集，对堆肥进行质量检测，确保其达到有机肥标准；
所述S4步骤中使用蝙蝠算法BA优化梯度提升树GBDT的具体步骤如下：S41、首先将数据集分为80%训练集和20%测试集；
S42、然后设定GBDT模型的基本结构，包括决策树的数量、树的深度、学习率；
S43、接着定义蝙蝠算法BA，生成一组初始解也就是超参数配置，这些解代表蝙蝠的初始位置；速度是为每个解分配一个初始速度；频率是设定每个蝙蝠的初始频率，用于控制探索范围；响度和脉冲率为初始化响度和脉冲率，这些参数用于控制搜索的广度和搜索的频率；
S44、随后进行适应度评估，对每个蝙蝠的解使用GBDT模型进行训练，并在验证集上评估模型性能；
S45、更新位置和速度，位置更新为 ，其中， 为第i个蝙蝠的当前位置， 代表第i个蝙蝠的速度；速度更新为，其中 为调整因子， 为当前的最佳解；
S46、最后继续调整响度和脉冲率，随机选择一个局部搜索区域进行精细搜索，以提高解的质量，记录当前迭代中找到的最优解；
所述步骤S3中通过深度神经网络的归一化过程为：S31、首先是神经网络的构建，输入层接收原始数据；隐藏层设计多个隐藏层，用于提取特征；归一化层在每个批次或每一层对数据进行归一化处理；
S32、假设输入数据为X，通过深度神经网络后的输出为Y， 深度神经网络映射规则是 ，其中f是表示深度神经网络， 为深度神经网络的参数；
S33、接着对于每个特征 有 ，其中 分别表示批量均值和方差， 是一个很小的常数，用于避免除零错误后进行归一化的输出 ；
S34、然后定义损失函数均方误差，用于衡量预测输出与目标值之间的差异；
S35、随后进行模型训练包括前向传播，计算损失和后向传播，并使用测试集进行验证，计算测试数据上的损失值；
S36、最后将训练好的模型应用于实际数据，实现归一化处理。
2.根据权利要求1所述的一种基于人工智能的尾菜堆肥处理方法，其特征在于，所述步骤S2中检测设备包括温度传感器、湿度传感器和氧气浓度传感器。
3.根据权利要求1所述的一种基于人工智能的尾菜堆肥处理方法，其特征在于，所述步骤S2中所述堆肥参数包括温度、湿度、氧气含量、pH值、碳氮比、氮含量、通风量、喷水频率和搅拌速度参数。 说明书 : 一种基于人工智能的尾菜堆肥处理方法技术领域[0001] 本发明涉及尾菜堆肥处理技术领域，具体涉及一种基于人工智能的尾菜堆肥处理方法。背景技术[0002] 随着农业的发展，尾菜的产生量日益增加。尾菜是指蔬菜在采收、加工、运输、销售等过程中产生的废弃物，如菜叶、菜根、菜茎等。这些尾菜如果不妥善处理，不仅会造成资源浪费，还会对环境造成污染。传统的尾菜处理方式主要有填埋、焚烧等，但这些方式会占用大量土地资源，并且会产生有害气体和渗滤液，对环境造成严重：。[0003] 堆肥处理是一种有效的尾菜处理方式，它可以将尾菜转化为有机肥料，实现资源的循环利用。然而，传统的堆肥处理方法存在一些问题，如堆肥过程难以控制、堆肥质量不稳定、堆肥周期长等。为了解决这些问题，人们开始将人工智能技术应用于尾菜堆肥处理中。[0004] 人工智能技术可以实时监测堆肥过程中的各种参数，如温度、湿度、氧气含量等，并根据这些参数自动调整堆肥条件，从而提高堆肥效率和质量。此外，人工智能技术还可以通过对历史数据的分析，优化堆肥工艺，提高堆肥的稳定性和可靠性。[0005] 目前，基于人工智能的尾菜堆肥处理方法仍处于发展阶段，需要进一步完善和优化。优化机器学习算法，以更好地适应不同的堆肥环境和原料。因此，本发明提出一种基于人工智能的尾菜堆肥处理方法，旨在解决现有技术中存在的问题，提高尾菜堆肥处理的效率和质量。发明内容[0006] 为了达到上述目的，本发明提出一种基于人工智能的尾菜堆肥处理方法，包括以下步骤：[0007] S1、首先收集尾菜，并对其进行初步分类和粉碎处理，确保尾菜的粒径适宜堆肥处理；[0008] S2、其次在堆肥装置内安装多个监测设备用于实时监测堆肥参数，并将尾菜、粪便、木屑初始材料按比例混合；[0009] S3、然后对收集到的参数使用深度神经网络进行归一化为以为后续的机器学习算法做铺垫；[0010] S4、接着基于历史数据，使用蝙蝠算法BA优化梯度提升树GBDT进行模型训练，根据实时监测到的环境参数，调整参数创造适宜的堆肥条件；[0011] S5、最后当堆肥达到成熟标准时，停止自动调控，进行堆肥收集，对堆肥进行质量检测，确保其达到有机肥标准；[0012] 所述S4步骤中使用蝙蝠算法BA优化梯度提升树GBDT的具体步骤如下：[0013] S41、首先将数据集分为80%训练集和20%测试集；[0014] S42、然后设定GBDT模型的基本结构，包括决策树的数量、树的深度、学习率；[0015] S43、接着定义蝙蝠算法BA，生成一组初始解也就是超参数配置，这些解代表蝙蝠的初始位置；速度是为每个解分配一个初始速度；频率是设定每个蝙蝠的初始频率，用于控制探索范围；响度和脉冲率为初始化响度和脉冲率，这些参数用于控制搜索的广度和搜索的频率；[0016] S44、随后进行适应度评估，对每个蝙蝠的解使用GBDT模型进行训练，并在验证集上评估模型性能；[0017] S45、更新位置和速度，位置更新为 ，其中， 为第i个蝙蝠的当前位置， 代表第i个蝙蝠的速度；速度更新为 ，其中为调整因子， 为当前的最佳解；[0018] S46、最后继续调整响度和脉冲率，随机选择一个局部搜索区域进行精细搜索，以提高解的质量，记录当前迭代中找到的最优解。[0019] 作为优。霾街鑃2中检测设备包括温度传感器、湿度传感器和氧气浓度传感器。[0020] 作为优。霾街鑃2中所述堆肥参数包括温度、湿度、氧气含量、pH值、碳氮比、氮含量、通风量、喷水频率和搅拌速度参数。[0021] 作为优。霾街鑃3中通过深度神经网络的归一化过程为：[0022] S31、首先是神经网络的构建，输入层接收原始数据；隐藏层设计多个隐藏层，用于提取特征；归一化层在每个批次或每一层对数据进行归一化处理；[0023] S32、假设输入数据为X，通过深度神经网络后的输出为Y， 深度神经网络映射规则是 ，其中 是表示深度神经网络，为深度神经网络的参数；[0024] S33、接着对于每个特征 有 ，其中 分别表示批量均值和方差，是一个很小的常数，用于避免除零错误后进行归一化的输出 ；[0025] S34、然后定义损失函数均方误差，用于衡量预测输出与目标值之间的差异；[0026] S35、随后进行模型训练包括前向传播，计算损失和后向传播，并使用测试集进行验证，计算测试数据上的损失值；[0027] S36、最后将训练好的模型应用于实际数据，实现归一化处理。[0028] 与现有技术相比，本发明的优点和积极效果在于：[0029] 1、通过人工智能技术实时监测和调整堆肥参数，能够优化堆肥过程，缩短堆肥周期，提高堆肥效率。[0030] 2、利用深度神经网络进行归一化和蝙蝠算法BA优化梯度提升树GBDT进行模型训练，能够更准确地预测和调整堆肥条件，保证堆肥质量的稳定性。[0031] 3、实现了堆肥过程的自动调控，减少了人为因素的干扰，提高了堆肥处理的科学性和精准性。附图说明[0032] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。[0033] 图1为蝙蝠算法优化GBDT的结构示意图；[0034] 图2为氮含量的变化曲线图；[0035] 图3为有机质含量变化曲线图；[0036] 图4为湿度变化曲线图；[0037] 图5为温度变化曲线图。具体实施方式[0038] 为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合实施例对本发明做进一步说明。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。[0039] 在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用不同于在此描述的其他方式来实施，因此，本发明并不限于下面公开说明书的具体实施例的限制。[0040] 实施例，首先是尾菜的收集与初步处理。从农田和蔬菜加工厂收集大量尾菜，这些尾菜主要包括菜叶、菜根、菜茎等，属于农产品在采收、加工、运输和销售过程中产生的废弃物。为了确保堆肥过程的顺利进行，对收集到的尾菜进行初步分类和粉碎处理。具体而言，将尾菜粉碎至2?3厘米的粒径，使其更容易分解并与其他堆肥材料均匀混合。在初步处理后，将粉碎后的尾菜与一定比例的有机材料混合，以促进堆肥的发酵过程。本实施例中，选择粪便和木屑作为混合材料，并按照4:1:1的质量比进行混合。这种比例的选择是基于前期实验研究，旨在为微生物的生长提供适宜的碳氮比，同时确保堆肥堆体的通气性和水分调节能力。[0041] 为了实现堆肥过程的精准控制，在堆肥装置中安装了多种监测设备。这些设备包括温度传感器、湿度传感器和氧气浓度传感器，用于实时监测堆肥过程中各项关键参数的变化。具体地，温度传感器安装在堆肥堆体的不同深度，以监测堆肥各层的温度变化。湿度传感器则用于监测堆肥材料的含水量，确保堆肥过程中的湿度保持在40?60%之间。此外，氧气浓度传感器用于检测堆体中的氧气含量，防止堆肥过程因缺氧而导致厌氧发酵，从而影响堆肥质量。上述传感器的数据采样频率设置为每30分钟采集一次，采集到的数据会实时存储在数据库中，以便后续进行深度神经网络的归一化处理和模型训练。[0042] 堆肥过程中的数据波动较大，为了使这些数据更适合作为机器学习模型的输入，本实施例采用深度神经网络对采集到的数据进行归一化处理。深度神经网络模型包括输入层、多个隐藏层和归一化层。输入层接收来自温度、湿度、氧气浓度等传感器的原始数据，隐藏层则通过非线性变换提取数据的关键特征。在每个隐藏层后设置归一化层，对数据进行批次归一化处理，以消除不同批次数据之间的差异，从而提高模型的稳定性和泛化能力。假设输入数据为X，通过深度神经网络后的输出为Y， 深度神经网络映射规则是 ，其中 是表示深度神经网络，为深度神经网络的参数；接着对于每个特征有 ，其中 分别表示批量均值和方差， 是一个很小的常数，用于避免除零错误后进行归一化的输出 ；然后定义损失函数均方误差，用于衡量预测输出与目标值之间的差异；随后进行模型训练包括前向传播，计算损失和后向传播，并使用测试集进行验证，计算测试数据上的损失值；最后将训练好的模型应用于实际数据，实现归一化处理。[0043] 为了在堆肥过程中实时调整堆肥条件，以达到最佳效果，本实施例引入了蝙蝠算法优化的梯度提升决策树GBDT模型。蝙蝠算法是一种基于群体智能的优化算法，能够有效搜索全局最优解，并避免陷入局部最优。在GBDT模型训练中，首先将收集到的数据集分为80%训练集和20%测试集。训练集用于模型的参数学习，测试集用于验证模型的预测性能。GBDT模型的基本结构包括决策树的数量、树的深度和学习率等参数，这些参数的选择对模型的性能有重要影响。为了优化这些超参数，本实施例采用蝙蝠算法进行调优。蝙蝠算法通过生成一组初始解，并根据适应度评估模型性能。适应度函数根据模型在验证集上的表现进行计算，表现越好的解被认为适应度越高。在每次迭代中，蝙蝠算法会更新解的位置和速度，位置更新为 ，其中， 为第i个蝙蝠的当前位置， 代表第i个蝙蝠的速度；速度更新为 ，其中 为调整因子， 为当前的最佳解；使用优化后的GBDT模型对堆肥过程中的实时监测数据进行分析，并根据模型的预测结果自动调整堆肥环境参数，例如通风量、喷水频率和搅拌速度，以创造适宜的堆肥条件。[0044] 当堆肥过程中的温度逐渐下降至45摄氏度以下，并且湿度稳定在40?60%之间时，判定堆肥已经达到成熟状态。此时，停止自动调控，开始收集堆肥样品。为验证基于人工智能的尾菜堆肥处理方法在提升堆肥效率和质量方面的优势，还设计了一项对比实验，分别采用传统堆肥方法和本发明的人工智能堆肥方法进行堆肥处理。[0045] 实验设计为在实验中，设立对照组和实验组，两组的堆肥初始材料和环境条件保持一致。对照组采用传统的人工堆肥方法，实验组则采用基于人工智能的堆肥处理方法。实验的主要参数包括温度、湿度、氧气浓度以及堆肥周期。实验过程中，记录两组的温度变化曲线、湿度控制情况，以及最终的堆肥氮含量和有机质含量。[0046] 实验结果如图所示，图2展示了实验组和对照组氮含量的变化，开始时两组实验氮含量相当，随着时间的推移两组实验氮含量都是呈先下降后上升的趋势，但是实验组相比于对照组来说上升速度较快，且最后达到的总量也较多。图3展示了实验组和对照组有机物质含量的变化，随着时间的推移，两组实验有机质含量变的越来越多，另外，实验组有机质的积累速度强于对照组。图4展示了实验组和对照组湿度的变化曲线，随着时间的推移，实验组在第5天左右湿度降到50%左右，这时传感器检测到这一变化开始干预，使得实验组湿度一直处于50%左右，提升堆肥的效率。而实验组则是正常的温度下降，堆肥时间较实验组慢一些。图5则是展示了实验组和对照组温度的变化曲线，对于实验组来说，使用人工智能技术迅速提升温度，高温环境能加速腐熟过程提升效率，在第8天左右温度达到最高开始下降。而对照组温度提升不如实验组，大概在第25天达到最高温度，这也使得对照组的堆肥时间较长。[0047] 综上所述可以看出对照组的堆肥周期为50天左右，堆肥过程中温度提升较慢，最终得到的堆肥有机质含量为45%，氮含量为1.2%。而相比之下，实验组的堆肥周期明显缩短，仅为35天。温度提升较快，湿度始终控制在较适宜范围内，实验组最终得到的堆肥有机质含量提升至55%，氮含量达到1.5%。[0048] 通过上述实验验证，基于人工智能的堆肥处理方法相较于传统方法，能够显著缩短堆肥周期，提高堆肥效率，同时提升堆肥的有机质含量和氮含量等关键指标。这表明，人工智能技术在堆肥过程中的应用，具有良好的实用性和推广价值，能够显著缩短堆肥周期，提高堆肥效率。[0049] 以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

专利地区：山东

专利申请日期：2024-08-21

专利公开日期：2024-11-05

专利公告号：CN118652141B