[发明专利]基于深度学习的烟叶香型预测方法、电子设备和存储介质

权利要求书

1.一种基于深度学习的烟叶香型预测方法，其特征在于，包括：

获取各产区的烟叶的样本数据，所述样本数据包含烟草生长天气数据、植烟土壤的养分含量和原烟中的化合物含量；

对所述烟叶样本数据进行归一化处理，得到训练数据，所述训练数据带有香型信息的标签；

通过所述训练数据训练烟叶香型深度学习模型，得到烟叶香型预测模型，所述烟叶香型深度学习模型包括LSTM网络层、注意力层和投影层；

将待预测的烟叶样本特征输入所述烟叶香型预测模型的LSTM网络层，将该LSTM网络层输出的结果送入注意力层，将该注意力层输出的结果送入投影层，得到预测的烟叶香型。

2.根据权利要求1所述的方法，其特征在于，所述的获取各产区的烟叶的样本数据包括：

从天气网站平台获取各产区的所述烟草生长天气数据，该烟草生长天气数据包括烟草生长过程中的晴天、阴天和雨天的天数。

3.根据权利要求1所述的方法，其特征在于，在所述的获取各产区的烟叶的样本数据之前，所述方法还包括：

通过土壤农化分析方法对烟草返苗期、伸根期、旺长期和成熟期测定所述植烟土壤的养分含量，该植烟土壤的养分含量包括氮、磷、钾、钙、镁、硫、铁、硼、锰、锌、铜、钼和氯的含量；

通过流动分析仪分析出所述原烟中的化合物含量，该原烟中的化合物含量包括原烟在单位重量下所含总植物碱、总氮、还原糖、总糖、蛋白质、钾、氯和淀粉的含量。

4.根据权利要求1所述的方法，其特征在于，所述的对所述烟叶样本数据进行归一化处理，得到训练数据包括：

将所述样本数据转化为比例数据，所述比例数据包括烟草生长过程中各天气比例、土壤中各养分比例和原烟中各化合物比例；

将所述比例数据进行向量表征，得到特征向量。

5.根据权利要求1所述的方法，其特征在于，所述的通过所述训练数据训练烟叶香型深度学习模型，得到烟叶香型预测模型包括：

选择预设数量的烟叶样本的训练数据，并输入LSTM网络层；

将所述LSTM网络层输出的结果送入注意力层；

将所述注意力层输出的结果送入投影层，得到预测结果；

根据所述预测结果计算损失值，当损失函数收敛时，得到烟叶香型预测模型。