本技术属于通信，尤其涉及一种农作物品种属性信息扩充模型的训练方法、装置及设备。
背景技术：
1、随着科技的快速发展以及人工智能技术的逐渐成熟，人工智能逐渐被运用到人们的生产生活中，为人们提供便利。例如，可以将人工智能与农业生产管理相结合，提高工业生产管理效率与准确性。
2、相关技术中，通过将图像处理技术、模式识别方法与传统农业相结合，可以得到用于进行农作物品种识别的相关模型。然而，受限于样本数据的数量，相关技术中，对于农作物种类识别模型对于农作物识别的准确性不能满足用户需求。因此，如何扩充农作物种类识别模型的训练样本数量，是相关技术人员亟待解决的问题。
技术实现思路
1、本技术实施例提供一种农作物品种属性信息扩充模型的训练方法、装置及设备，能够通过将农作物品种属性信息的对应的拓扑结构与传统的生成对抗网络相结合，从而使通过生成对抗网络生成的预测农作物品种属性信息与真实的农作物品种属性信息更为接近，提升农作物品种属性信息扩充模型的性能。
2、第一方面，本技术实施例提供一种农作物品种属性信息扩充模型的训练方法，包括：获取农作物品种属性信息以及农作物品种属性信息对应的第一拓扑结构；利用生成对抗网络中的生成器，得到预测农作物品种属性信息；确定预测农作物品种属性信息对应的第二拓扑结构；利用农作物品种属性信息、第一拓扑结构、预测农作物品种属性信息以及第二拓扑结构，训练生成对抗网络，得到农作物品种属性信息扩充模型。
3、一种实施方式中，生成对抗网络还包括判别器；利用农作物品种属性信息、第一拓扑结构、预测农作物品种属性信息以及第二拓扑结构，训练生成对抗网络，包括：利用第一拓扑结构以及第二拓扑结构，计算预测农作物品种属性信息与农作物品种属性信息之间的拓扑损失函数；将预测农作物品种属性信息输入至判别器，得到农作物品种数据信息判别结果；利用判别结果，计算第一损失函数；根据第一损失函数以及拓扑损失函数，确定判别器的判别损失函数；在判别器损失函数不满足第一预设训练停止条件的情况下，保持生成器的参数不变，调整判别器的参数，返回将预测农作物品种属性信息输入至判别器，得到农作物品种数据信息判别结果，直至判别损失函数满足第一预设训练停止条件，得到判别器；利用判别结果，计算第二损失函数；根据第二损失函数以及拓扑损失函数，确定生成器的生成损失函数；在生成损失函数不满足第二预设训练停止条件的情况下，保持判别器的参数不变，调整生成器的参数，返回利用生成对抗网络的生成器中，得到预测农作物品种属性信息，直至生成损失函数满足第二预设训练停止条件，得到生成器。
4、一种实施方式中，利用判别结果，计算第一损失函数，包括：利用判别结果，计算预测农作物品种参数信息对应的预测损失函数；计算农作物品种属性信息对应的真实损失函数；根据预测损失函数以及真实损失函数，确定第一损失函数。
5、一种实施方式中，利用第一拓扑结构以及第二拓扑结构，计算预测农作物品种属性信息与农作物品种属性信息之间的拓扑损失函数，包括：利用第一预测拓扑结构以及第二拓扑结构，计算拓扑权重信息；利用第一预测拓扑结构、第二拓扑结构以及拓扑权重信息，计算预测农作物品种参数信息对应的拓扑损失函数。
6、一种实施方式中，在利用生成对抗网络的生成器中，得到预测农作物品种属性信息之后，方法还包括：计算预测农作物品种参数信息与农作物品种参数信息之间的距离参数；在距离参数大于预设距离参数的情况下，调整生成器的参数，并返回计算预测农作物品种参数信息与农作物品种参数信息之间的距离参数，直至距离参数小于或等于预设距离参数。
7、一种实施方式中，在得到农作物品种属性信息扩充模型以后，方法还包括：将农作物品种参数信息输入至农作物品种属性信息扩充模型，生成第二农作物品种参数信息；确定第二农作物品种参数信息对应的农作物品种特征标签；利用第二农作物品种参数信息以及农作物品种特征标签，训练特征提取模型。
8、一种实施方式中，利用第二农作物品种参数信息以及对应的农作物品种标签，训练特征提取模型，包括：将第二农作物品种参数信息输入至待训练的农作物品种特征提取模型中，得到预测农作物品种特征信息；根据预测农作物品种特征信息以及农作物品种特征标签，计算农作物品种特征提取模型的第三损失函数；在第三损失函数不满足第三预设训练停止条件的情况下，根据弹性波动算法的弹性特征以及波动特征，确定待训练模型的模型参数变化梯度；根据模型参数变化梯度更新待训练模型的模型参数，得到更新后的待训练模型；返回将农作物品种特征信息样本输入至待训练模型中，得到预测农作物品种特征信息，直至第三损失函数满足第三预设训练停止条件，得到农作物品种特征提取模型。
9、一种实施方式中，在得到农作物品种属性信息扩充模型以后，方法还包括：获取第三训练样本，第三训练样本包括利用农作物品种的参数信息扩充模型得到的第三农作物品种参数信息以及对应的第三农作物品种标签；利用第三农作物品种参数信息以及对应的第三农作物品种标签，训练农作物品种识别模型，得到完成训练的农作物品种识别模型。
10、一种实施方式中，利用第三农作物品种参数信息以及对应的第三农作物品种标签训练农作物品种识别模型，包括：对待训练梯度提升树模型中的各个节点，分别循环执行以下步骤a-e，直至差异信息满足预设停止条件：步骤a、针对每个农作物品种特征，分别执行：将农作物品种特征作为当前节点的节点特征，进行分类，得到分类结果；步骤b、针对每个分类结果，分别执行：根据分类结果，确定农作物品种特征为当前节点的节点特征的情况下，农作物品种特征对应的不确定性值；步骤c、将最大不确定性数值对应的目标农作物品种特征，作为当前节点的节点特征；步骤d、根据分类结果，计算当前节点的增益信息，在当前节点的增益信息小于预设增益阈值的情况下，确定当前节点为决策树的叶子节点；在当前节点的增益信息大于预设增益阈值的情况下，确定当前节点完成训练，并将当前节点的下一节点更新为当前节点，返回步骤a，直至当前节点的增益信息小于预设增益阈值，得到完成训练的决策树；步骤e、利用完成训练的决策树输出的预测农作物品种以及对应的农作物品种标签，计算差异信息，在差异信息不满足预设停止条件的情况下，返回步骤a，直至差异信息满足预设停止条件，得到完成训练的农作物品种识别模型。
11、一种实施方式中，在得到完成训练的农作物品种识别模型之后，方法还包括：计算农作物品种识别模型对应的权重信息；利用权重信息，计算农作物品种识别模型中各个节点对应的梯度值；在梯度值超过预设阈值的情况下，确定梯度值对应的节点进行剪枝。
12、一种实施方式中，在得到完成训练的农作物品种识别模型之后，方法还包括：获取农作物图像；利用特征提取模型提取农作物图像中的特征，得到农作物特征；特征提取模型为本技术实施方式中的特征提取模型；将农作物特征输入至农作物品种识别模型，得到农作物品种信息。
13、第二方面，本技术实施例提供了一种农作物品种属性信息扩充模型的训练装置，装置包括：
14、第一获取模块，用于获取农作物品种属性信息以及农作物品种属性信息对应的第一拓扑结构；
15、第一获取模块，用于利用生成对抗网络的生成器，得到预测农作物品种属性信息；
16、确定模块，用于确定预测农作物品种属性信息对应的第二拓扑结构；
17、训练模块，用于利用农作物品种属性信息、第一拓扑结构、预测农作物品种属性信息以及第二拓扑结构，训练生成对抗网络，得到农作物品种属性信息扩充模型。
18、第三方面，本技术实施例提供一种农作物品种属性信息扩充模型的训练设备，设备包括：处理器以及存储有计算机程序指令的存储器；所述处理器执行所述计算机程序指令时实现如第一方面或第一方面任意一种实施方式中所述的方法。
19、第四方面，本技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如第一方面或第一方面任意一种实施方式中所述的方法。
20、第五方面，本技术实施例提供一种计算机程序产品，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如第一方面或第一方面任意一种实施方式中所述的方法。
21、本技术实施例的农作物品种属性信息扩充模型的训练方法、装置、设备及计算机存储介质，通过将农作物品种属性信息的对应的拓扑结构与传统的生成对抗网络相结合，从而使通过生成对抗网络生成的预测农作物品种属性信息与真实的农作物品种属性信息更为接近，提升农作物品种属性信息扩充模型的性能。
1.一种农作物品种属性信息扩充模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述生成对抗网络还包括判别器；
3.根据权利要求2所述的方法，其特征在于，所述利用所述判别结果，计算第一损失函数，包括：
4.根据权利要求2所述的方法，其特征在于，所述利用所述第一拓扑结构以及第二拓扑结构，计算所述预测农作物品种属性信息与农作物品种属性信息样本之间的拓扑损失函数，包括：
5.根据权利要求1-4中任意一项所述的方法，其特征在于，在所述利用生成对抗网络的生成器中，得到预测农作物品种属性信息之后，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，在所述得到农作物品种属性信息扩充模型以后，所述方法还包括：
7.根据权利要求6所述的方法，其特征在于，利用所述第二农作物品种属性信息以及对应的农作物品种标签，训练农作物品种特征提取模型，包括：
8.根据权利要求1所述的方法，其特征在于，在所述得到农作物品种属性信息扩充模型以后，所述方法还包括：
9.根据权利要求8所述的方法，其特征在于，所述利用所述第三农作物品种属性信息以及对应的第三农作物品种标签训练农作物品种识别模型，包括：
10.根据权利要求8所述的方法，其特征在于，在所述得到完成训练的农作物品种识别模型之后，所述方法还包括：
11.根据权利要求8所述的方法，其特征在于，在所述得到完成训练的农作物品种识别模型之后，所述方法还包括：
12.一种农作物品种属性信息扩充模型的训练装置，其特征在于，所述装置包括：
13.一种农作物品种属性信息扩充模型的训练设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-11任意一项所述的农作物品种属性信息扩充模型的训练方法。
15.一种计算机程序产品，其特征在于，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如权利要求1-11任意一项所述的农作物品种属性信息扩充模型的训练方法。
