CN116612435A

CN116612435A - 一种玉米高产栽培方法

Info

Publication number: CN116612435A
Application number: CN202310879624.4A
Authority: CN
Inventors: 陈文博; 鹿尧; 于晶; 段鹏
Original assignee: Jilin Longyuan Agricultural Service Co ltd
Current assignee: Jilin Longyuan Agricultural Service Co ltd
Priority date: 2023-07-18
Filing date: 2023-07-18
Publication date: 2023-08-18
Anticipated expiration: 2043-07-18
Also published as: CN116612435B

Abstract

本发明公开了一种玉米高产栽培方法。其包括：在被监控玉米对象的生长区域内的合适位置处安装摄像头；接收由所述摄像头采集的所述被监控玉米对象的生长状态监控图像和土壤状态图像；基于深度卷积神经网络模型对所述生长状态监控图像和所述土壤状态图像进行图像特征提取和特征融合以得到综合生长状态特征向量；以及，基于所述综合生长状态特征向量，确定是否需浇水。这样，可以基于玉米对象的生长状态和土壤状态来智能判断是否需要浇水，从而实现高效节水的同时保障玉米生长需要的水分，提高生产的可持续性和经济效益。

Description

一种玉米高产栽培方法

技术领域

本申请涉及玉米种植领域，且更为具体地，涉及一种玉米高产栽培方法。

背景技术

玉米是一种重要的粮食作物，其产量受到多种因素的影响，其中水分是关键的限制因素之一。玉米在生长期间需要充足的水分，特别是在抽穗期和灌浆期。如果缺水，会导致玉米生长受阻，影响产量和品质；如果过度灌溉，会造成土壤盐渍化，降低土壤肥力，增加农业成本。

在实际进行玉米栽培的过程中，应该根据实际情况适时浇水，避免出现缺水或过度灌溉的情况。然而，传统的浇水方式往往依赖于人工经验或固定的时间间隔，缺乏对玉米对象的生长状态和土壤状态的精准监测和判断，难以实现高效节水的同时实现玉米的高产栽培。

发明内容

有鉴于此，本公开提出了一种玉米高产栽培方法，可以基于玉米对象的生长状态和土壤状态来智能判断是否需要浇水，从而实现高效节水的同时保障玉米生长需要的水分，提高生产的可持续性和经济效益。

根据本公开的一方面，提供了一种玉米高产栽培方法，其包括：

在被监控玉米对象的生长区域内的合适位置处安装摄像头；

接收由所述摄像头采集的所述被监控玉米对象的生长状态监控图像和土壤状态图像；

基于深度卷积神经网络模型对所述生长状态监控图像和所述土壤状态图像进行图像特征提取和特征融合以得到综合生长状态特征向量；以及

基于所述综合生长状态特征向量，确定是否需浇水。

根据本公开的实施例，其包括：在被监控玉米对象的生长区域内的合适位置处安装摄像头；接收由所述摄像头采集的所述被监控玉米对象的生长状态监控图像和土壤状态图像；基于深度卷积神经网络模型对所述生长状态监控图像和所述土壤状态图像进行图像特征提取和特征融合以得到综合生长状态特征向量；以及，基于所述综合生长状态特征向量，确定是否需浇水。这样，可以基于玉米对象的生长状态和土壤状态来智能判断是否需要浇水，从而实现高效节水的同时保障玉米生长需要的水分，提高生产的可持续性和经济效益。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开的实施例的玉米高产栽培方法的流程图。

图2示出根据本公开的实施例的玉米高产栽培方法的子步骤S130的流程图。

图3示出根据本公开的实施例的玉米高产栽培方法的子步骤S130的架构示意图。

图4示出根据本公开的实施例的玉米高产栽培方法的子步骤S131的流程图。

图5示出根据本公开的实施例的玉米高产栽培方法中的编码过程的流程图。

图6示出根据本公开的实施例的玉米高产栽培系统的框图。

图7示出根据本公开的实施例的玉米高产栽培方法的应用场景图。

具体实施方式

下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保护的范围。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

针对上述技术问题，本申请的技术构思为利用深度学习和人工智能技术，并基于玉米对象的生长状态和土壤状态来智能判断是否需要浇水，从而实现高效节水的同时保障玉米生长需要的水分，提高生产的可持续性和经济效益。

图1示出根据本公开的实施例的玉米高产栽培方法的流程图。如图1所示，根据本申请实施例的玉米高产栽培方法，包括步骤：S110，在被监控玉米对象的生长区域内的合适位置处安装摄像头；S120，接收由所述摄像头采集的所述被监控玉米对象的生长状态监控图像和土壤状态图像；S130，基于深度卷积神经网络模型对所述生长状态监控图像和所述土壤状态图像进行图像特征提取和特征融合以得到综合生长状态特征向量；以及，S140，基于所述综合生长状态特征向量，确定是否需浇水。

具体地，在本申请的技术方案中，首先获取由摄像头采集的被监控玉米对象的生长状态监控图像以及由所述摄像头采集的土壤状态图像。其中，生长状态监控图像可以提供玉米植株的生长状态信息，例如植株的高度、茎和叶的大小、颜色等，从而反映玉米植株的健康状态和生长速度。而土壤状态监控图像可以提供土壤水分含量和土壤盐度等信息，帮助决策是否需要浇水。然后，通过卷积神经网络来对所述生长状态监控图像进行空间特征提取，以获得关于玉米的生长状态的高维隐含特征信息，从而确认是否需要浇水。

摄像头应该安装在被监控玉米对象的生长区域内，以便准确地监测玉米的生长状态和土壤状态，具体地，摄像头可以安装在玉米田的两侧或四周的某些位置，以便全方位地监测玉米的生长情况，并且摄像头应该安装在离地面1-2米的高度处，以便能够全面地监测玉米的生长状态和土壤状态。此外，还需要关注摄像头的安装角度，其安装角度应该使其能够覆盖玉米田的整个区域，以便准确地监测玉米的生长情况。在选择摄像头时，应考虑其像素、采集速度、光敏度等因素。在本公开的一个示例中，选择高像素的摄像头，从而可以获取更清晰、更准确的图像，从而更好地监测玉米的生长状态和土壤状态。

这里，在本公开的一个示例中，首先，需要将图像读取到计算机内存中，然后，可以使用图像处理库进行图像的预处理，例如调整图像大小、裁剪、旋转、灰度化、归一化等，接下来，将预处理后的图像传递给深度卷积神经网络模型进行特征提取和分类，最后，深度卷积神经网络模型将对图像进行处理，提取特征并输出分类结果。这些结果可以被用于根据综合生长状态特征向量来决定是否需要浇水。在一个具体示例中，可以使用Python编程语言中的OpenCV图像处理库来处理和传递由所述摄像头采集的所述被监控玉米对象的生长状态监控图像和土壤状态图像。以下简单示意了Python代码示例，用于读取、预处理和传递图像：

import cv2

# 读取图像

img = cv2.imread('image.jpg')

# 调整图像大小

img_resized = cv2.resize(img, (224, 224))

# 归一化

img_normalized = img_resized / 255.0

# 将图像转换为深度卷积神经网络模型所需要的数据类型

img_final = img_normalized.astype('float32')

# 将图像传递给深度卷积神经网络模型

result = model.predict(img_final)

在上述代码中，首先使用OpenCV库中的cv2.imread()函数读取图像，然后使用cv2.resize()函数调整图像大小，使其符合深度卷积神经网络模型的输入要求。接下来，使用归一化来将图像数据值缩放到0到1之间。最后，使用astype()函数将图像数据类型转换为深度卷积神经网络模型所需要的数据类型，并将其传递给模型进行处理。需要注意的是，以上示例仅为简单示例，实际应用中可能需要进行更复杂的图像处理和预处理步骤，以提高深度卷积神经网络模型的准确性和鲁棒性。

进一步地，图2示出根据本公开的实施例的玉米高产栽培方法的子步骤S130的流程图。图3示出根据本公开的实施例的玉米高产栽培方法的子步骤S130的架构示意图。如图2和图3所示，根据本申请实施例的玉米高产栽培方法，基于深度卷积神经网络模型对所述生长状态监控图像和所述土壤状态图像进行图像特征提取和特征融合以得到综合生长状态特征向量，包括：S131，对所述生长状态监控图像进行图像全局特征提取以得到强化生长状态特征向量；S132，对所述土壤状态图像进行图像语义分析以得到土壤状态语义特征向量；以及，S133，融合所述强化生长状态特征向量和所述土壤状态语义特征向量以得到所述综合生长状态特征向量。

更具体地，在步骤S131中，对所述生长状态监控图像进行图像全局特征提取以得到强化生长状态特征向量。相应地，在一种可能的实现方式中，如图4所示，对所述生长状态监控图像进行图像全局特征提取以得到强化生长状态特征向量，包括：S1311，将所述生长状态监控图像通过基于卷积神经网络模型的生长状态特征提取器以得到生长状态特征图；S1312，将所述生长状态特征图通过基于非局部神经网络模型的特征强化起以得到强化生长状态特征图；S1313，对所述强化生长状态特征图进行特征分布优化以得到优化后强化生长状态特征图；以及，S1314，对所述优化后强化生长状态特征图进行降维处理以得到所述强化生长状态特征向量。

由于卷积神经网络（Convolutional Neural Network，CNN）可以对于输入图像进行局部空间的特征提取。因此，在本申请的技术方案中，期待利用卷积神经网络来对所述生长状态监控图像进行空间特征提取，以获得关于玉米的生长状态的高维隐含特征信息。具体地，将所述生长状态监控图像通过基于卷积神经网络模型的生长状态特征提取器以得到生长状态特征图。

在本申请的一个具体示例中，所述卷积神经网络模型的网络结构为：卷积层1→最大池化层1→卷积层2→最大池化层2→卷积层3→最大池化层3。也就是，所述卷积神经网络模型包括：第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层和第三最大池化层。其中，所述第一卷积层采用32个3×3的卷积核,步幅为1，激活函数为ReLU，所述第二卷积层采用64个3×3的卷积核，步幅为1，激活函数为ReLU，所述第三卷积层采用128个3×3的卷积核，步幅为1，激活函数为ReLU，所述第一最大池化层、所述第二最大池化层和所述第三最大池化层的池化核为2×2，步幅为2。

但考虑到卷积神经网络受其卷积核的局限性，只能捕捉图像中的局部关联特征，因此，为弥补感受野较小的问题，在本申请的技术方案中，将所述生长状态特征图通过基于非局部神经网络模型的特征强化起以得到强化生长状态特征图。其中，非局部神经网络（Non-local Neural Networks，NLN）模型是一个可以利用全局特征信息的端到端深度学习模型。该模型通过引入非局部注意力机制，来捕获长程依赖性并增强特征表示。在场景中，利用基于NLN模型的特征强化器可以进一步增强生长状态特征图的表征能力，从而更加准确地描述玉米的生长状态。

在本申请的实施例中，使用所述非局部神经网络对所述生长状态特征图进行如下方式的编码以得到所述强化生长状态特征图。首先，分别对所述生长状态特征图进行第一点卷积处理、第二点卷积处理和第三点卷积处理以得到第一特征图、第二特征图和第三特征图；接着，计算所述第一特征图和所述第二特征图之间的按位置加权和以得到融合特征图；然后，将所述融合特征图输入Softmax函数以将所述融合特征图中各个位置的特征值映射到概率空间中以得到归一化述融合特征图；继而，计算所述归一化述融合特征图和所述第三特征图之间的按位置点乘以得到再融合特征图；进一步地，将所述再融合特征图通过嵌入高斯相似性函数以得到全局相似特征图；随后，对所述全局相似特征图进行第四点卷积处理以调整所述全局相似特征图的通道数以得到通道调整全局相似特征图；最终，计算所述通道调整全局相似特征图和所述生长状态特征图的按位置加权和以得到所述强化生长状态特征图。

相应地，在一种可能的实现方式中，将所述生长状态特征图通过基于非局部神经网络模型的特征强化起以得到强化生长状态特征图，包括：使用所述非局部神经网络对所述生长状态特征图进行如下方式的编码以得到所述强化生长状态特征图；其中，如图5所示，所述编码过程，包括：S210，分别对所述生长状态特征图进行第一点卷积处理、第二点卷积处理和第三点卷积处理以得到第一特征图、第二特征图和第三特征图；S220，计算所述第一特征图和所述第二特征图之间的按位置加权和以得到融合特征图；S230，将所述融合特征图输入Softmax函数以将所述融合特征图中各个位置的特征值映射到概率空间中以得到归一化述融合特征图；S240，计算所述归一化述融合特征图和所述第三特征图之间的按位置点乘以得到再融合特征图；S250，将所述再融合特征图通过嵌入高斯相似性函数以得到全局相似特征图；S260，对所述全局相似特征图进行第四点卷积处理以调整所述全局相似特征图的通道数以得到通道调整全局相似特征图；以及，S270，计算所述通道调整全局相似特征图和所述生长状态特征图的按位置加权和以得到所述强化生长状态特征图。

值得一提的是，非局部神经网络（Non-local Neural Networks，NLN）模型是一种用于处理图像、视频和语音等数据的深度学习模型。非局部神经网络通过引入非局部注意力机制来捕获长程依赖性，从而增强特征表示。该模型可以在端到端的训练过程中学习全局特征信息，从而在处理复杂场景时具有更好的表现能力。在玉米生长状态的识别中，基于非局部神经网络模型的特征强化器可以用于增强生长状态特征图的表征能力。具体的，该模型可以对生长状态图像进行特征提取，并通过非局部注意力机制对长程依赖性进行建模，从而更好地捕获玉米生长状态的全局信息。这可以使模型更加准确地识别不同的生长状态，从而更好地进行玉米生长的管理和监测。需要注意的是，非局部神经网络模型虽然可以在一定程度上增强特征表示能力，但在实际应用中仍需要进行更加复杂的图像处理和预处理步骤，以提高模型的准确性和鲁棒性。

考虑到玉米的生长状态受土壤的影响，并且，对于是否需要浇水的判断也需要考虑土壤因素，在本申请的技术方案中，将所述土壤状态图像通过基于ViT模型的土壤状态特征提取器以得到土壤状态语义特征向量。也就是，利用基于ViT模型的土壤状态特征提取器来捕捉土壤状态信息。相应地，在一种可能的实现方式中，对所述土壤状态图像进行图像语义分析以得到土壤状态语义特征向量，包括：将所述土壤状态图像通过基于ViT模型的土壤状态特征提取器以得到土壤状态语义特征向量。

应可以理解，ViT模型是一种基于注意力机制的视觉Transformer模型，ViT模型可以将图像分成一系列的图像块，并将这些图像块转换成序列，然后，通过在这些序列上应用Transformer模型来捕捉图像中的特征。ViT模型的基本思想是将图像视为一种序列数据，然后使用Transformer模型来处理这些序列数据。具体的，ViT模型将输入的图像分成一系列的图像块，并将这些图像块展平成向量形式，然后，ViT模型使用一个Transformer编码器来处理这些向量，并转换为一系列的特征向量，最终，这些特征向量被送入一个分类器，用于对输入图像进行分类。相比于传统的卷积神经网络模型，ViT模型可以更好地处理全局信息，并且可以在更少的训练数据下获得更好的性能。

进一步地，对所述强化生长状态特征图进行降维处理以使得其能够与所述土壤状态语义特征向量的维度进行统一与对齐，从而得到强化生长状态特征向量。同时，对所述强化生长状态特征图进行降维处理还可以大大减小特征数据量，提高后续玉米浇水决策的计算效率。相应地，在一种可能的实现方式中，对所述优化后强化生长状态特征图进行降维处理以得到所述强化生长状态特征向量，包括：对所述强化生长状态特征图沿通道维度的各个特征矩阵进行全局均值池化操作以得到所述强化生长状态特征向量。

值得一提的是，全局均值池化是指对输入的特征图进行平均池化操作，池化核大小等于输入特征图的大小，即对整个特征图进行池化操作，输出的结果是一个标量值。全局均值池化可以将特征图中的信息压缩成一个向量，这个向量可以作为特征图的表征向量，用于后续的分类或其他任务。在对强化生长状态特征图进行降维处理时，可以通过沿通道维度对各个特征矩阵进行全局均值池化操作来得到强化生长状态特征向量。具体地，对于一个大小为H×W×C的特征图，沿着通道维度进行全局均值池化操作，得到一个大小为1×1×C的特征向量。这个特征向量就是强化生长状态特征图的表征向量，可以与土壤状态语义特征向量的维度进行对齐，用于后续的任务。

再使用级联函数来融合所述强化生长状态特征向量和所述土壤状态语义特征向量以得到综合生长状态特征向量。也就是，将土壤状态信息融合到生长状态特征中，以得到更全面、准确的综合生长状态特征信息。通过这样的方式，可以提高综合生长状态特征向量的表征能力。其中，级联函数是一种将两个或两个以上的特征向量进行连结的函数，其可以将两个向量逐一拼接在一起形成一个更长的向量。这可以有效地将两个特征向量的信息进行融合，同时保持一维向量的数据结构。相应地，在一种可能的实现方式中，融合所述强化生长状态特征向量和所述土壤状态语义特征向量以得到所述综合生长状态特征向量，包括：使用级联函数来融合所述强化生长状态特征向量和所述土壤状态语义特征向量以得到综合生长状态特征向量。

最后，在一种可能的实现方式中，基于所述综合生长状态特征向量，确定是否需浇水，包括：将所述综合生长状态特征向量通过分类器以得到分类结果，所述分类结果用于表示是否需浇水。具体而言，在训练过程中，需要先定义分类器的分类标签（或称为目标标签）以作为分类结果的映射依据。在这个场景中，分类标签可以为需要浇水和不需要浇水这两类。在训练时准备一些已知分类的数据样本，将其输入到分类器中进行训练。在训练结束后，就可以使用这个分类器来对推断阶段输入的综合生长状态特征向量进行自动化分类，并得到是否需要进行浇水的分类结果。在实际应用中，可以基于所述分类结果来为玉米的浇水决策提供参考意见。

在本申请的技术方案中，所述分类器的标签包括需浇水(第一标签)，以及，不需浇水(第二标签)，其中，所述分类器通过软最大值函数来确定所述综合生长状态特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“是否需浇水”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，是否需浇水的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“是否需浇水”的语言文本意义。

应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。

在本申请的一个示例中，还可以使用支持向量机对所述综合生长状态特征向量进行分类。相应地，首先，准备训练数据集和测试数据集，训练数据集应包含已知生长状态和土壤状态的图像，以及对应的标签，标签为0表示不需要浇水，标签为1表示需要浇水，测试数据集应包含待判断的生长状态和土壤状态的图像；其次，对训练数据集进行特征提取和预处理，可以使用前面提到的非局部神经网络模型或ViT模型的特征提取器对图像进行特征提取，得到综合生长状态特征向量，然后，对特征向量进行归一化处理，以便分类器能够更好地学习特征之间的关系；接着，使用支持向量机算法对训练数据集进行训练，在训练过程中，需要调节支持向量机算法的参数，如核函数类型、核函数参数、正则化参数等，以获得最佳的分类器性能；最后，使用训练好的分类器对测试数据集进行分类，并根据分类结果判断是否需要浇水，具体地，将测试数据集中的综合生长状态特征向量输入到训练好的分类器中，得到分类结果，如果分类结果为1，则表示需要浇水；如果分类结果为0，则表示不需要浇水。需要注意的是，在分类过程中，需要对分类器进行评估和优化，以获得更好的分类性能。

在本申请的技术方案中，将所述生长状态特征图通过基于非局部神经网络模型的特征强化起以得到强化生长状态特征图时，考虑到生长状态特征图是从所述生长状态监控图像通过卷积神经网络模型的卷积核进行局部图像语义关联特征提取得到的，因此其聚焦于局部图像语义特征，而所述生长状态特征图通过基于非局部神经网络模型后，所述强化生长状态特征图聚焦于全局图像语义特征，因此，为了提升所述强化生长状态特征图的特征表达效果，优选地通过融合所述生长状态特征图和所述强化生长状态特征图来优化所述强化生长状态特征图。

并且，考虑到基于卷积神经网络模型的生长状态特征提取器和基于非局部神经网络模型的特征强化器的特征提取过程中，均是基于卷积核的空间尺度来进行图像特征语义的空间关联特征提取，因此其均是以卷积神经网络模型的卷积核关联尺度为特征分布粒度。由此，在所述生长状态特征图和所述强化生长状态特征图具有各自尺度下的空间图像语义关联特征的情况下，在融合所述生长状态特征图和所述强化生长状态特征图时，需要考虑所述生长状态特征图和所述强化生长状态特征图的空间图像语义关联特征的尺度表示来进行融合。基于此，本申请的申请人对所述生长状态特征图和所述强化生长状态特征图进行全局上下文空间关联富化融合。

具体地，对所述强化生长状态特征图进行特征分布优化以得到优化后强化生长状态特征图，包括：以如下优化公式对所述生长状态特征图和所述强化生长状态特征图进行全局上下文空间关联富化融合以得到所述优化后强化生长状态特征图；其中，所述优化公式为：

；

其中，和/>分别是所述生长状态特征图和所述强化生长状态特征图的第/>个特征矩阵，/>是所述优化后强化生长状态特征图的第/>个特征矩阵，/>表示矩阵的转置矩阵，/>表示矩阵乘法，/>表示矩阵加法。

这里，为了聚集在所述生长状态特征图和所述强化生长状态特征图之间关联分布的本地空间语义之间的上下文空间关联语义，所述全局上下文空间关联富化融合通过聚焦于特征图的特征矩阵所表示的空间帧级别（spatial frame-level）的显式上下文相关性，来富化（enriching）全局感知野下的特征矩阵的帧级别的空间语义融合式表达，从而实现所述生长状态特征图和所述强化生长状态特征图的跨通道的空间共享上下文语义的同化（assimilation）融合，以提升所述生长状态特征图和所述强化生长状态特征图的融合效果，从而提升优化的强化生长状态特征图的特征表达效果。

值得一提的是，全局上下文空间关联富化融合是指一种用于增强深度学习模型特征表征能力的技术。在传统的深度学习模型中，每个特征通常只考虑了局部信息，而没有考虑全局信息和上下文信息。全局上下文空间关联富化融合技术通过引入全局上下文信息和空间关联信息，以及富化融合的方式，来增强特征的表征能力。具体的，全局上下文指的是整个图像或场景的信息，而不仅仅是局部信息。空间关联信息指的是特征图中不同位置之间的关系和相互作用。富化融合指的是将不同层次和不同类型的特征进行融合和富化，以提高特征的表征能力。

综上，基于本申请实施例的玉米高产栽培方法，其可以基于玉米对象的生长状态和土壤状态来智能判断是否需要浇水，从而实现高效节水的同时保障玉米生长需要的水分，提高生产的可持续性和经济效益。

进一步地，在基于玉米对象的生长状态和土壤状态确认需要浇水后，可以基于该分类结果自动控制浇水设备进行浇水，其中，浇水设备可以考虑使用智能灌溉系统、滴灌系统、喷灌系统等设备，这些设备可以根据需要自动控制浇水量和浇水时间，从而实现高效节水和保障玉米生长需要的水分。具体地，可以使用智能灌溉系统进行浇水，通过控制浇水设备的开关、流量和时间等参数，进一步实现浇水量和浇水时间的控制，以实现高效节水和保障玉米生长需要的水分。

在浇水过程中，还需要进一步监测浇水效果，从而及时调整浇水策略。例如，可以使用传感器等设备对土壤湿度等参数进行监测，收集数据并存储在数据库中。根据监测结果，及时调整浇水策略，以提高浇水效果和保障玉米生长需要的水分。

图6示出根据本公开的实施例的玉米高产栽培系统100的框图。如图6所示，根据本申请实施例的玉米高产栽培系统100，包括：摄像头安装模块110，用于在被监控玉米对象的生长区域内的合适位置处安装摄像头；图像接收模块120，用于接收由所述摄像头采集的所述被监控玉米对象的生长状态监控图像和土壤状态图像；图像特征提取和特征融合模块130，用于基于深度卷积神经网络模型对所述生长状态监控图像和所述土壤状态图像进行图像特征提取和特征融合以得到综合生长状态特征向量；以及，控制模块140，用于基于所述综合生长状态特征向量，确定是否需浇水。

这里，本领域技术人员可以理解，上述玉米高产栽培系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的玉米高产栽培方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的玉米高产栽培系统100可以实现在各种无线终端中，例如具有玉米高产栽培算法的服务器等。在一种可能的实现方式中，根据本申请实施例的玉米高产栽培系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该玉米高产栽培系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该玉米高产栽培系统100同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该玉米高产栽培系统100与该无线终端也可以是分立的设备，并且该玉米高产栽培系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

图7示出根据本公开的实施例的玉米高产栽培方法的应用场景图。如图7所示，在该应用场景中，首先，获取被监控玉米对象的生长状态监控图像（例如，图7中所示意的D1）和土壤状态图像（例如，图7中所示意的D2），其中图7中所示意的C为摄像头，然后，将所述被监控玉米对象的生长状态监控图像和土壤状态图像输入至部署有玉米高产栽培算法的服务器中（例如，图7中所示意的S），其中，所述服务器能够使用所述玉米高产栽培算法对所述被监控玉米对象的生长状态监控图像和土壤状态图像进行处理以得到用于表示是否需浇水的分类结果。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims

1.一种玉米高产栽培方法，其特征在于，包括：

在被监控玉米对象的生长区域内的合适位置处安装摄像头；

基于所述综合生长状态特征向量，确定是否需浇水。

2.根据权利要求1所述的玉米高产栽培方法，其特征在于，基于深度卷积神经网络模型对所述生长状态监控图像和所述土壤状态图像进行图像特征提取和特征融合以得到综合生长状态特征向量，包括：

对所述生长状态监控图像进行图像全局特征提取以得到强化生长状态特征向量；

对所述土壤状态图像进行图像语义分析以得到土壤状态语义特征向量；以及

融合所述强化生长状态特征向量和所述土壤状态语义特征向量以得到所述综合生长状态特征向量。

3.根据权利要求2所述的玉米高产栽培方法，其特征在于，对所述生长状态监控图像进行图像全局特征提取以得到强化生长状态特征向量，包括：

将所述生长状态监控图像通过基于卷积神经网络模型的生长状态特征提取器以得到生长状态特征图；

将所述生长状态特征图通过基于非局部神经网络模型的特征强化起以得到强化生长状态特征图；

对所述强化生长状态特征图进行特征分布优化以得到优化后强化生长状态特征图；以及

对所述优化后强化生长状态特征图进行降维处理以得到所述强化生长状态特征向量。

4.根据权利要求3所述的玉米高产栽培方法，其特征在于，所述卷积神经网络模型包括：第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层和第三最大池化层。

5.根据权利要求4所述的玉米高产栽培方法，其特征在于，将所述生长状态特征图通过基于非局部神经网络模型的特征强化起以得到强化生长状态特征图，包括：

使用所述非局部神经网络对所述生长状态特征图进行如下方式的编码以得到所述强化生长状态特征图；

其中，所述编码过程，包括：

分别对所述生长状态特征图进行第一点卷积处理、第二点卷积处理和第三点卷积处理以得到第一特征图、第二特征图和第三特征图；

计算所述第一特征图和所述第二特征图之间的按位置加权和以得到融合特征图；

将所述融合特征图输入Softmax函数以将所述融合特征图中各个位置的特征值映射到概率空间中以得到归一化述融合特征图；

计算所述归一化述融合特征图和所述第三特征图之间的按位置点乘以得到再融合特征图；

将所述再融合特征图通过嵌入高斯相似性函数以得到全局相似特征图；

对所述全局相似特征图进行第四点卷积处理以调整所述全局相似特征图的通道数以得到通道调整全局相似特征图；以及

计算所述通道调整全局相似特征图和所述生长状态特征图的按位置加权和以得到所述强化生长状态特征图。

6.根据权利要求5所述的玉米高产栽培方法，其特征在于，对所述强化生长状态特征图进行特征分布优化以得到优化后强化生长状态特征图，包括：

以如下优化公式对所述生长状态特征图和所述强化生长状态特征图进行全局上下文空间关联富化融合以得到所述优化后强化生长状态特征图；

其中，所述优化公式为：

；

7.根据权利要求6所述的玉米高产栽培方法，其特征在于，对所述优化后强化生长状态特征图进行降维处理以得到所述强化生长状态特征向量，包括：

对所述强化生长状态特征图沿通道维度的各个特征矩阵进行全局均值池化操作以得到所述强化生长状态特征向量。

8.根据权利要求7所述的玉米高产栽培方法，其特征在于，对所述土壤状态图像进行图像语义分析以得到土壤状态语义特征向量，包括：

将所述土壤状态图像通过基于ViT模型的土壤状态特征提取器以得到土壤状态语义特征向量。

9.根据权利要求8所述的玉米高产栽培方法，其特征在于，融合所述强化生长状态特征向量和所述土壤状态语义特征向量以得到所述综合生长状态特征向量，包括：

使用级联函数来融合所述强化生长状态特征向量和所述土壤状态语义特征向量以得到综合生长状态特征向量。

10.根据权利要求9所述的玉米高产栽培方法，其特征在于，基于所述综合生长状态特征向量，确定是否需浇水，包括：

将所述综合生长状态特征向量通过分类器以得到分类结果，所述分类结果用于表示是否需浇水。