CN116721389A - 农作物的种植管理方法 - Google Patents

农作物的种植管理方法 Download PDF

Info

Publication number
CN116721389A
CN116721389A CN202310938362.4A CN202310938362A CN116721389A CN 116721389 A CN116721389 A CN 116721389A CN 202310938362 A CN202310938362 A CN 202310938362A CN 116721389 A CN116721389 A CN 116721389A
Authority
CN
China
Prior art keywords
growth state
feature vector
shallow
image
deep
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310938362.4A
Other languages
English (en)
Inventor
陈文博
鹿尧
于晶
段鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin Longyuan Agricultural Service Co ltd
Original Assignee
Jilin Longyuan Agricultural Service Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jilin Longyuan Agricultural Service Co ltd filed Critical Jilin Longyuan Agricultural Service Co ltd
Priority to CN202310938362.4A priority Critical patent/CN116721389A/zh
Publication of CN116721389A publication Critical patent/CN116721389A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Abstract

本发明公开了一种农作物的种植管理方法。其首先获取由摄像头采集的被监控农作物的生长状态图像，接着，对所述生长状态图像进行图像特征提取以得到生长状态浅层特征向量和生长状态深层特征向量，然后，基于所述生长状态浅层特征向量和所述生长状态深层特征向量，确定推荐使用的农药类型。这样，可以利用摄像头采集被监控农作物的生长状态图像，并从中提取关于被监控农作物的生长状态特征信息，以此来实现智能化地推荐适宜当前生长阶段的农药，从而提高农作物的抵抗力和农业收益。

Description

农作物的种植管理方法
技术领域
本公开涉及智能化管理领域，且更为具体地，涉及一种农作物的种植管理方法。
背景技术
农作物的病虫害是农业生产中常见的问题之一，及时发现并利用针对性的农药处理，可以有效解决农作物的病虫害问题，进而提高农业收益。
具体来说，在农作物的生长过程中，会面临不同的病虫害威胁，而不同的病虫害对应着不同的农药防治方法。例如，农作物在幼苗期对病虫害的抵抗力较弱，容易受到病虫害的侵袭，这时需要使用具有广谱杀虫杀菌功能的农药来防治常见的病虫害，在生长期可能会因为某些特定环境而出现特定病害，需要选择针对性的农药进行治疗。
通常，在进行农药处理前，需要人工进行巡视或进行定点采样，这些方法耗时耗力，且难以覆盖大面积的农田。因此，期待一种优化的农作物的种植管理方案。
发明内容
有鉴于此，本公开提出了一种农作物的种植管理方法，其可以利用摄像头采集被监控农作物的生长状态图像，并从中提取关于被监控农作物的生长状态特征信息，以此来实现智能化地推荐适宜当前生长阶段的农药，从而提高农作物的抵抗力和农业收益。
根据本公开的一方面，提供了一种农作物的种植管理方法，其包括：
获取由摄像头采集的被监控农作物的生长状态图像；
对所述生长状态图像进行图像特征提取以得到生长状态浅层特征向量和生长状态深层特征向量；以及
基于所述生长状态浅层特征向量和所述生长状态深层特征向量，确定推荐使用的农药类型。
根据本公开的实施例，其首先获取由摄像头采集的被监控农作物的生长状态图像，接着，对所述生长状态图像进行图像特征提取以得到生长状态浅层特征向量和生长状态深层特征向量，然后，基于所述生长状态浅层特征向量和所述生长状态深层特征向量，确定推荐使用的农药类型。这样，可以利用摄像头采集被监控农作物的生长状态图像，并从中提取关于被监控农作物的生长状态特征信息，以此来实现智能化地推荐适宜当前生长阶段的农药，从而提高农作物的抵抗力和农业收益。
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农作物的种植管理方法的流程图。
图2示出根据本公开的实施例的农作物的种植管理方法的架构示意图。
图3示出根据本公开的实施例的农作物的种植管理方法的子步骤S120的流程图。
图4示出根据本公开的实施例的农作物的种植管理方法的子步骤S130的流程图。
图5示出根据本公开的实施例的农作物的种植管理方法的子步骤S132的流程图。
图6示出根据本公开的实施例的农作物的种植管理系统的框图。
图7示出根据本公开的实施例的农作物的种植管理方法的应用场景图。
具体实施方式
下面将结合附图对本公开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公开的部分实施例，而不是全部的实施例。基于本公开实施例，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，也属于本公开保护的范围。
如本公开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。
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。
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，本公开的技术构思为利用摄像头采集被监控农作物的生长状态图像，并从中提取关于被监控农作物的生长状态特征信息，以此来实现智能化地推荐适宜当前生长阶段的农药，从而提高农作物的抵抗力和农业收益。
图1示出根据本公开的实施例的农作物的种植管理方法的流程图。图2示出根据本公开的实施例的农作物的种植管理方法的架构示意图。如图1和图2所示，根据本公开实施例的农作物的种植管理方法，包括步骤：S110，获取由摄像头采集的被监控农作物的生长状态图像；S120，对所述生长状态图像进行图像特征提取以得到生长状态浅层特征向量和生长状态深层特征向量；以及，S130，基于所述生长状态浅层特征向量和所述生长状态深层特征向量，确定推荐使用的农药类型。
其中，在S110步骤中，对于采集被监控农作物的生长状态图像，可以选择使用普通的数字摄像头或者专业的农业摄像头。具体地，应选择具有高分辨率和良好图像质量的摄像头，以确保能够获取清晰的图像，农业摄像头通常具有更好的适应性和稳定性，能够在不同环境条件下提供更准确的图像。可以将摄像头安装在适当的位置以获得最佳的视野，摄像头应该能够覆盖整个农作物区域，并且能够捕捉到植物的生长状态变化，同时要确保摄像头所在的环境具有适当的光照条件，以获得清晰的图像，过强或过弱的光照都可能导致图像质量下降，影响特征提取的准确性。进一步地，根据具体需求，可以设置摄像头的拍摄频率和时间间隔，可以选择连续拍摄或定时拍摄来捕捉农作物的生长状态变化；可以选择将图像存储在本地设备或远程服务器上，以便后续处理和分析。换言之，选择适当的摄像头，并根据实际需求进行设置，可以有效地采集被监控农作物的生长状态图像，这将为后续的图像特征提取和农药推荐提供可靠的数据基础。
更具体地，在步骤S120中，如图3所示，对所述生长状态图像进行图像特征提取以得到生长状态浅层特征向量和生长状态深层特征向量，包括：S121，对所述生长状态图像进行图像预处理处理以得到降噪后生长状态图像；S122，从所述降噪后生长状态图像中提取生长状态浅层特征图；S123，从所述生长状态浅层特征图中提取生长状态深层特征图；以及，S124，分别对所述生长状态浅层特征图和所述生长状态深层特征图进行降维处理以得到所述生长状态浅层特征向量和所述生长状态深层特征向量。
相应地，在本公开的技术方案中，首先获取由摄像头采集的被监控农作物的生长状态图像，并对所述生长状态图像进行图像预处理处理以得到降噪后生长状态图像。在本公开的实施例中，对所述生长状态图像进行图像降噪处理以得到降噪后生长状态图像。其中，由于摄像头采集图像的环境位于农田，受风吹雨淋、尘土飞扬等较为恶劣的天气影响，所获得的生长状态图像通常存在噪声或大量干扰信息。此外，农作物的叶子等细节可能会遮挡或交叠，造成图像中的混淆和模糊。通过降噪处理可以有效减少这类干扰，为后续的图像特征提取提供重要的数据来源。
相应地，在一个具体示例中，对所述生长状态图像进行图像预处理处理以得到降噪后生长状态图像，包括：对所述生长状态图像进行图像降噪处理以得到所述降噪后生长状态图像。应可以理解，图像降噪处理是一种通过减少图像中的噪声和干扰信息，提高图像质量和清晰度的技术方法。在农作物生长状态图像处理中，图像降噪处理可以起到以下作用：去除噪声和干扰，农田环境中存在风吹雨淋、尘土飞扬等恶劣天气条件，这些因素会导致图像中出现噪声和干扰，通过降噪处理，可以去除这些噪声和干扰，提高图像的清晰度和可读性；提高图像质量，降噪处理可以减少图像中的噪点和伪像，使图像更加清晰、细节更加突出，从而提高图像的质量；改善后续处理效果，降噪处理可以为后续的图像特征提取和分析提供更准确的数据来源，去除噪声和干扰后的图像更容易被算法和模型处理，能够提高后续处理的准确性和效果。具体的图像降噪处理可以采用下述方式：1.均值滤波，通过计算像素周围邻域像素的平均值来平滑图像，减少噪声的影响；2.中值滤波，通过计算像素周围邻域像素的中值来平滑图像，对于椒盐噪声等特定类型的噪声有较好的去除效果；3.高斯滤波，利用高斯函数对图像进行平滑处理，可以有效减少高频噪声；4.小波去噪，利用小波变换将图像分解为多个频带，对不同频带的系数进行阈值处理，然后重构图像，可以有效去除噪声。这些降噪方法可以单独使用，也可以结合使用，根据具体情况选择适合的方法进行图像降噪处理。
考虑到卷积神经网络模型对于图像特征提取具有天然优势，但是随卷积神经网络模型的层数加深，图像的浅层特征信息，例如，形状、颜色和纹理等直观可见的表面特征会随之被消磨，而这些浅层特征信息可以用于表征农作物的生长状态。因此，在本公开的技术方案中，期待保留图像的浅层特征信息，并将浅层特征信息与深层特征信息进行融合以丰富特征的表达。
具体地，在本公开的技术方案中，先将所述降噪后生长状态图像通过基于第一卷积神经网络模型的浅层特征提取器以得到生长状态浅层特征图；然后，将所述生长状态浅层特征图通过基于第二卷积神经网络模型的深层特征提取器以得到生长状态深层特征图；进一步地，将所述生长状态浅层特征图和所述生长状态深层特征图分别展开为生长状态浅层特征向量和生长状态深层特征向量；继而，使用级联函数来融合所述生长状态浅层特征向量和所述生长状态深层特征向量以得到分类特征向量。
相应地，在一个具体示例中，从所述降噪后生长状态图像中提取生长状态浅层特征图，包括：将所述降噪后生长状态图像通过基于第一卷积神经网络模型的浅层特征提取器以得到所述生长状态浅层特征图；从所述生长状态浅层特征图中提取生长状态深层特征图，包括：将所述生长状态浅层特征图通过基于第二卷积神经网络模型的深层特征提取器以得到所述生长状态深层特征图。应可以理解，卷积神经网络(Convolutional NeuralNetwork，CNN)是一种深度学习模型，特别适用于图像和视频等二维数据的处理和分析。它通过多层卷积层和池化层构建，能够自动学习图像中的特征，并在分类、目标检测、图像生成等任务中取得很好的效果。卷积神经网络模型的主要特点包括：1.局部感知性，卷积层使用卷积核对输入图像进行卷积操作，通过局部感受野的方式提取局部特征，从而捕捉到图像的空间结构信息；2.参数共享，在卷积层中，卷积核的参数在整个图像上是共享的，这样可以大大减少模型的参数量，提高模型的训练效率；3.池化操作，池化层用于降采样，通过对局部区域进行池化操作(如最大池化、平均池化)，减少特征图的尺寸，提取更加鲁棒的特征；4.多层堆叠，卷积神经网络通常由多个卷积层、池化层和全连接层组成，通过多层堆叠，可以逐渐提取出更加抽象和高级的特征。进一步地，基于第一卷积神经网络模型的浅层特征提取器和基于第二卷积神经网络模型的深层特征提取器在以下几个方面有所不同：1.层数和复杂度，第二卷积神经网络模型相比第一卷积神经网络模型具有更深的层数和更复杂的结构，深层特征提取器包含更多的卷积层、池化层和全连接层，能够更好地捕捉图像的高级语义信息；2.特征抽象能力，深层特征提取器相比浅层特征提取器具有更强的特征抽象能力，通过多层卷积和非线性激活函数的堆叠，深层特征提取器可以逐渐提取出更抽象、更具语义的特征，从而更好地表示图像中的目标物体或结构；3.参数量和计算复杂度，由于深层特征提取器具有更多的层和参数，因此其参数量和计算复杂度通常也更高，这意味着训练和推理深层特征提取器需要更多的计算资源和时间；4.迁移学习能力，深层特征提取器通常具有更好的迁移学习能力，由于深层特征提取器可以学习到更通用的特征表示，因此在不同的任务和数据集上，可以通过微调或特征提取的方式将其应用于其他相关的图像处理任务中。总的来说，深层特征提取器相比浅层特征提取器具有更强的表达能力和特征抽象能力，但也需要更多的计算资源和时间进行训练和推理。
相应地，在一个具体示例中，分别对所述生长状态浅层特征图和所述生长状态深层特征图进行降维处理以得到所述生长状态浅层特征向量和所述生长状态深层特征向量，包括：将所述生长状态浅层特征图和所述生长状态深层特征图分别展开为所述生长状态浅层特征向量和所述生长状态深层特征向量。值得一提的是，将生长状态浅层特征图和生长状态深层特征图展开为特征向量是通过将图像的像素值按照一定的顺序排列成一个一维向量来实现的，在本公开的一个示例中，具体步骤如下：1.生长状态浅层特征图展开，将生长状态浅层特征图按照从左到右、从上到下的顺序，依次将每个像素的值添加到特征向量中，直到将整个特征图展开为一个一维向量；2.生长状态深层特征图展开，同样地，将生长状态深层特征图按照从左到右、从上到下的顺序，依次将每个像素的值添加到特征向量中，直到将整个特征图展开为一个一维向量。将生长状态浅层特征图和生长状态深层特征图展开为特征向量的目的是将图像数据转化为可供机器学习算法使用的数值向量。通过将图像转化为特征向量，可以将图像处理问题转化为常见的数值计算问题，如分类、回归等；通过计算特征向量之间的距离或相似性，可以实现图像的搜索和匹配，例如在大规模图像数据库中查找与给定图像相似的图像；将图像转化为特征向量后，可以使用降维技术将高维特征向量映射到低维空间，从而实现图像的可视化和分析。换言之，将生长状态浅层特征图和生长状态深层特征图展开为特征向量可以方便地将图像数据应用于机器学习算法，并实现图像的搜索、可视化和分析等应用。
相应地，在一个具体示例中，如图4所示，基于所述生长状态浅层特征向量和所述生长状态深层特征向量，确定推荐使用的农药类型，包括：S131，使用级联函数来融合所述生长状态浅层特征向量和所述生长状态深层特征向量以得到分类特征向量；S132，对所述分类特征向量进行信息增益以得到优化分类特征向量；以及，S133，将所述优化分类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推荐使用的农药类型标签。
更具体地，使用级联函数来融合所述生长状态浅层特征向量和所述生长状态深层特征向量以得到分类特征向量，包括：以如下所述级联函数来融合所述生长状态浅层特征向量和所述生长状态深层特征向量以得到所述分类特征向量；其中，所述级联函数为：
f(Xi,Xj)＝Relu(Wf[θ(Xi),φ(Xj)])
其中，Wf,θ(Xi)和φ(Xj)均表示对输入进行点卷积、Relu为激活函数，[]表示拼接操作，Xi为所述生长状态浅层特征向量中各个位置的特征值，Xj为所述生长状态深层特征向量中各个位置的特征值。
继而，将所述优化分类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推荐使用的农药类型标签。值得一提的是，所述农药类型标签按不同的分类主题进行划定，可以包括以下几种：病害类型：根据农作物所受的具体病害种类，农药类型标签可以是对应的病害名称，例如“白粉病”、“黑斑病”、“蚜虫”等；农药功能：根据农药的不同作用方式和效果，农药类型标签可以是对应的功能描述，例如“杀菌剂”、“杀虫剂”、“除草剂”等；农药成分：根据农药的主要成分组成，农药类型标签可以是对应的化学成分名称，例如“氯氰菊酯”、“吡虫啉”、“苯酚甲酸酯”等；使用方式：根据农药的使用方式和施用方法，农药类型标签可以是对应的使用方式描述，例如“喷洒型”、“灌溉型”、“烟雾型”等。这些农药类型标签的选择取决于具体的应用场景和需求，可以根据实际情况进行选择和定义。
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。
分类器是一种机器学习模型，用于将输入数据分为不同的类别或标签，其可以根据已知的训练数据学习分类规则和模式，并将这些规则应用于未知数据以进行分类预测。分类器在农作物生长状态图像处理中的应用可以帮助识别农作物所受的病害类型、推荐适合的农药类型等。通过对优化后的分类特征向量进行分类，分类器可以根据已有的训练数据学习不同类别之间的区别和特征，然后将这些学习到的规则应用于新的图像数据，从而预测其所属的类别或标签。常用的分类器包括逻辑回归、支持向量机(SVM)、决策树、随机森林、朴素贝叶斯等。对于二分类问题，逻辑回归和SVM是常用的方法。对于多分类问题，可以使用逻辑回归或SVM结合一对多(one-vs-rest)或一对一(one-vs-one)的策略来进行多个二分类任务的组合。另外，Softmax分类函数也是常用的多分类方法，它可以将输入的特征向量映射为不同类别的概率分布。分类器的作用是对未知数据进行分类预测，从而帮助理解和解释数据，并根据分类结果进行相应的决策和推荐。在农作物生长状态图像处理中，分类器可以根据农作物的特征和图像信息，对其进行病害识别、农药推荐等任务，有助于农业生产的管理和决策。
相应地，在一种可能的实现方式中，将所述优化分类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推荐使用的农药类型标签，包括：使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
应可以理解，Softmax分类函数是一种常用的多类别分类函数，它将输入的向量转换为表示各个类别概率的向量。Softmax函数可以将任意实数向量转换为概率分布，使得各个类别的概率之和为1。在使用Softmax分类函数进行分类时，将编码分类特征向量作为输入，经过全连接层编码后得到新的向量，然后将该向量输入Softmax分类函数中，通过Softmax函数的计算，得到表示各个类别概率的向量。最终，可以根据概率向量中最大值所对应的类别作为分类结果，表示推荐使用的农药类型标签。
值得一提的是，在一个具体示例中，如图5所示，对所述分类特征向量进行信息增益以得到优化分类特征向量，包括：S1321，对所述生长状态浅层特征向量和所述生长状态深层特征向量进行前向传播信息保留融合以得到校正特征向量；S1322，对所述校正特征向量进行线性插值以得到调整后校正特征向量，其中，所述调整后校正特征向量与所述分类特征向量具有相同的长度；以及，S1323，将所述调整后校正特征向量与所述分类特征向量进行点乘加权以得到所述优化分类特征向量。
应可以理解，线性插值用于调整校正特征向量的值，而点乘加权用于将调整后的校正特征向量与分类特征向量进行融合，得到优化的分类特征向量。具体地，线性插值(Linear Interpolation)是一种插值方法，用于在已知数据点之间估计未知数据点的值。在这个具体示例中，线性插值被用于调整校正特征向量的值。通过线性插值，可以根据已知的校正特征向量的值，估计未知位置上的特征值，以获得更平滑和连续的特征向量。线性插值可以通过计算两个已知数据点之间的线性关系来实现。点乘加权(Dot ProductWeighting)是一种向量运算，用于将两个向量进行加权融合。在这个具体示例中，点乘加权用于将调整后的校正特征向量与分类特征向量进行融合，得到优化的分类特征向量。点乘加权的操作是将两个向量的对应元素相乘，然后将乘积相加，得到一个标量值。通过点乘加权，可以将调整后的校正特征向量的每个元素与分类特征向量的对应元素进行加权融合，从而得到一个综合的特征向量。通过线性插值和点乘加权的操作，可以对校正特征向量进行调整和融合，进而得到优化的分类特征向量，这样的优化过程可以提高特征向量的表达能力和分类性能，从而更好地表示农作物的生长状态，并为后续的分类任务提供更准确的特征输入。
进一步地，在本公开的技术方案中，所述生长状态浅层特征向量和所述生长状态深层特征向量分别表达所述生长状态图像的浅层和深层图像语义特征，因此，由于特征表达深度的差异，所述生长状态浅层特征向量和所述生长状态深层特征向量的图像语义特征分布并不能够完全不对齐。
这样，在使用级联函数来融合所述生长状态浅层特征向量和所述生长状态深层特征向量得到所述分类特征向量时，所述生长状态浅层特征向量和所述生长状态深层特征向量的各自的不对齐的图像语义特征分布在经由级联函数进行点卷积和激活操作时，会在模型的前向传播时产生信息损失，影响所述分类特征向量通过分类器得到的分类结果的准确性。基于此，本公开的申请人对所述生长状态浅层特征向量，例如记为V1和所述生长状态深层特征向量，例如记为V2进行前向传播信息保留融合，以得到校正特征向量V′。
相应地，在一个具体示例中，对所述生长状态浅层特征向量和所述生长状态深层特征向量进行前向传播信息保留融合以得到校正特征向量，包括：以如下融合优化公式对所述生长状态浅层特征向量和所述生长状态深层特征向量进行前向传播信息保留融合以得到所述校正特征向量；其中，所述融合优化公式为：
其中，V1是所述生长状态浅层特征向量，V2是所述生长状态深层特征向量，<<s和>>s分别表示将特征向量左移s位和右移s位，round为取整函数，是所述生长状态浅层特征向量V1和所述生长状态深层特征向量V2的所有特征值的均值，‖·‖1表示特征向量的一范数，d(V1,V2)是所述生长状态浅层特征向量V1和所述生长状态深层特征向量V2之间的距离，且log为以2为底的对数函数，/>和/>分别表示按位置加法和按位置减法，α和β为加权超参数，V′是所述校正特征向量。
这里，针对所述生长状态浅层特征向量V1和所述生长状态深层特征向量V2在网络模型中的前向传播过程中，由于卷积和激活操作产生的在向量尺度上的浮点分布误差和信息损失，通过从均一化信息角度来引入向量的逐位位移操作，来平衡和标准化前向传播过程中的量化误差和信息损失，并通过在融合之前重塑特征参数的分布来引入分布多样性，由此以扩大信息熵的方式进行信息保留(retention)。这样，再通过对所述校正特征向量V′进行线性插值以转换到与所述分类特征向量相同的长度后，对所述分类特征向量进行点乘加权，就可以减少所述分类特征向量在通过分类器进行分类时的信息损失，从而提升所述分类特征向量通过分类器得到的分类结果的准确性。
综上，基于本公开实施例的农作物的种植管理方法，其可以利用摄像头采集被监控农作物的生长状态图像，并从中提取关于被监控农作物的生长状态特征信息，以此来实现智能化地推荐适宜当前生长阶段的农药，从而提高农作物的抵抗力和农业收益。
图6示出根据本公开的实施例的农作物的种植管理系统100的框图。如图6所示，根据本公开实施例的农作物的种植管理系统100，包括：图像获取模块110，用于获取由摄像头采集的被监控农作物的生长状态图像；图像特征提取模块120，用于对所述生长状态图像进行图像特征提取以得到生长状态浅层特征向量和生长状态深层特征向量；以及，农药类型推荐模块130，用于基于所述生长状态浅层特征向量和所述生长状态深层特征向量，确定推荐使用的农药类型。
这里，本领域技术人员可以理解，上述农作物的种植管理系统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的农作物的种植管理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，根据本公开实施例的农作物的种植管理系统100可以实现在各种无线终端中，例如具有农作物的种植管理算法的服务器等。在一种可能的实现方式中，根据本公开实施例的农作物的种植管理系统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，该农作物的种植管理系统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，该农作物的种植管理系统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，该农作物的种植管理系统100与该无线终端也可以是分立的设备，并且该农作物的种植管理系统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农作物的种植管理方法的应用场景图。如图7所示，在该应用场景中，首先，获取由摄像头(例如，图7中所示意的C)采集的被监控农作物的生长状态图像(例如，图7中所示意的D)，然后，将所述生长状态图像输入至部署有农作物的种植管理算法的服务器中(例如，图7中所示意的S)，其中，所述服务器能够使用所述农作物的种植管理算法对所述生长状态图像进行处理以得到用于表示推荐使用的农药类型标签的分类结果。
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，它们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 (10)

1.一种农作物的种植管理方法，其特征在于，包括：
获取由摄像头采集的被监控农作物的生长状态图像；
对所述生长状态图像进行图像特征提取以得到生长状态浅层特征向量和生长状态深层特征向量；以及
基于所述生长状态浅层特征向量和所述生长状态深层特征向量，确定推荐使用的农药类型。
2.根据权利要求1所述的农作物的种植管理方法，其特征在于，对所述生长状态图像进行图像特征提取以得到生长状态浅层特征向量和生长状态深层特征向量，包括：
对所述生长状态图像进行图像预处理处理以得到降噪后生长状态图像；
从所述降噪后生长状态图像中提取生长状态浅层特征图；
从所述生长状态浅层特征图中提取生长状态深层特征图；以及
分别对所述生长状态浅层特征图和所述生长状态深层特征图进行降维处理以得到所述生长状态浅层特征向量和所述生长状态深层特征向量。
3.根据权利要求2所述的农作物的种植管理方法，其特征在于，对所述生长状态图像进行图像预处理处理以得到降噪后生长状态图像，包括：
对所述生长状态图像进行图像降噪处理以得到所述降噪后生长状态图像。
4.根据权利要求3所述的农作物的种植管理方法，其特征在于，从所述降噪后生长状态图像中提取生长状态浅层特征图，包括：
将所述降噪后生长状态图像通过基于第一卷积神经网络模型的浅层特征提取器以得到所述生长状态浅层特征图。
5.根据权利要求4所述的农作物的种植管理方法，其特征在于，从所述生长状态浅层特征图中提取生长状态深层特征图，包括：
将所述生长状态浅层特征图通过基于第二卷积神经网络模型的深层特征提取器以得到所述生长状态深层特征图。
6.根据权利要求5所述的农作物的种植管理方法，其特征在于，分别对所述生长状态浅层特征图和所述生长状态深层特征图进行降维处理以得到所述生长状态浅层特征向量和所述生长状态深层特征向量，包括：
将所述生长状态浅层特征图和所述生长状态深层特征图分别展开为所述生长状态浅层特征向量和所述生长状态深层特征向量。
7.根据权利要求6所述的农作物的种植管理方法，其特征在于，基于所述生长状态浅层特征向量和所述生长状态深层特征向量，确定推荐使用的农药类型，包括：
使用级联函数来融合所述生长状态浅层特征向量和所述生长状态深层特征向量以得到分类特征向量；
对所述分类特征向量进行信息增益以得到优化分类特征向量；以及
将所述优化分类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推荐使用的农药类型标签。
8.根据权利要求7所述的农作物的种植管理方法，其特征在于，使用级联函数来融合所述生长状态浅层特征向量和所述生长状态深层特征向量以得到分类特征向量，包括：
以如下所述级联函数来融合所述生长状态浅层特征向量和所述生长状态深层特征向量以得到所述分类特征向量；
其中，所述级联函数为：
f(Xi，Xj)＝Relu(Wf[θ(Xi)，φ(Xj)])
其中，Wf，θ(Xi)和φ(Xj)均表示对输入进行点卷积、Relu为激活函数，[]表示拼接操作，Xi为所述生长状态浅层特征向量中各个位置的特征值，Xj为所述生长状态深层特征向量中各个位置的特征值。
9.根据权利要求8所述的农作物的种植管理方法，其特征在于，对所述分类特征向量进行信息增益以得到优化分类特征向量，包括：
对所述生长状态浅层特征向量和所述生长状态深层特征向量进行前向传播信息保留融合以得到校正特征向量；
对所述校正特征向量进行线性插值以得到调整后校正特征向量，其中，所述调整后校正特征向量与所述分类特征向量具有相同的长度；以及
将所述调整后校正特征向量与所述分类特征向量进行点乘加权以得到所述优化分类特征向量。
10.根据权利要求9所述的农作物的种植管理方法，其特征在于，对所述生长状态浅层特征向量和所述生长状态深层特征向量进行前向传播信息保留融合以得到校正特征向量，包括：
以如下融合优化公式对所述生长状态浅层特征向量和所述生长状态深层特征向量进行前向传播信息保留融合以得到所述校正特征向量；
其中，所述融合优化公式为：
其中，V1是所述生长状态浅层特征向量，V2是所述生长状态深层特征向量，《s和》s分别表示将特征向量左移s位和右移s位，round为取整函数，是所述生长状态浅层特征向量V1和所述生长状态深层特征向量V2的所有特征值的均值，||·||1表示特征向量的一范数，d(V1，V2)是所述生长状态浅层特征向量V1和所述生长状态深层特征向量V2之间的距离，且log为以2为底的对数函数，/>和/>分别表示按位置加法和按位置减法，α和β为加权超参数，V′是所述校正特征向量。
CN202310938362.4A 2023-07-28 2023-07-28 农作物的种植管理方法 Pending CN116721389A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310938362.4A CN116721389A (zh) 2023-07-28 2023-07-28 农作物的种植管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310938362.4A CN116721389A (zh) 2023-07-28 2023-07-28 农作物的种植管理方法

Publications (1)

Publication Number Publication Date
CN116721389A true CN116721389A (zh) 2023-09-08

Family

ID=87868141

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310938362.4A Pending CN116721389A (zh) 2023-07-28 2023-07-28 农作物的种植管理方法

Country Status (1)

Country Link
CN (1) CN116721389A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117114627A (zh) * 2023-10-18 2023-11-24 日照市自然资源和规划局 土地资源管理系统
CN117765403A (zh) * 2024-02-22 2024-03-26 山西余得水农牧有限公司 提高作物抗倒伏能力和籽粒品质的施肥方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117114627A (zh) * 2023-10-18 2023-11-24 日照市自然资源和规划局 土地资源管理系统
CN117765403A (zh) * 2024-02-22 2024-03-26 山西余得水农牧有限公司 提高作物抗倒伏能力和籽粒品质的施肥方法
CN117765403B (zh) * 2024-02-22 2024-04-30 山西余得水农牧有限公司 提高作物抗倒伏能力和籽粒品质的施肥方法

Similar Documents

Publication Publication Date Title
Abdalla et al. Fine-tuning convolutional neural network with transfer learning for semantic segmentation of ground-level oilseed rape images in a field with high weed pressure
Yalcin et al. Plant classification using convolutional neural networks
CN110046631B (zh) 用于自动推断时空图像的变化的系统和方法
CN116721389A (zh) 农作物的种植管理方法
Zhong et al. Jointly learning the hybrid CRF and MLR model for simultaneous denoising and classification of hyperspectral imagery
CN111738329A (zh) 一种面向时间序列遥感影像的土地利用分类方法
Kang et al. SAR image classification based on the multi-layer network and transfer learning of mid-level representations
Hernández-Rabadán et al. Integrating SOMs and a Bayesian classifier for segmenting diseased plants in uncontrolled environments
CN108629289B (zh) 农田的识别方法及系统、应用于农业的无人机
CN116918546A (zh) 一种玉米高产种植施肥方法
KR102526846B1 (ko) 생성적 적대 신경망을 이용한 과수 병충해 분류 시스템 및 방법
Bargoti et al. Image classification with orchard metadata
Ahmed et al. A new hybrid intelligent GAACO algorithm for automatic image segmentation and plant leaf or fruit diseases identification using TSVM classifier
CN112380917A (zh) 一种用于农作物病虫害检测的无人机
Uma Maheswari et al. A novel QIM-DCT based fusion approach for classification of remote sensing images via PSO and SVM models
CN112329818B (zh) 基于图卷积网络嵌入表征的高光谱图像非监督分类方法
CN116612435B (zh) 一种玉米高产栽培方法
Lu et al. Joint crop and tassel segmentation in the wild
CN113252584A (zh) 基于5g传输的作物生长检测方法及系统
Mithra et al. Cucurbitaceous family flower inferencing using deep transfer learning approaches: CuCuFlower UAV imagery data
Billah et al. Adaptive neuro fuzzy inference system based tea leaf disease recognition using color wavelet
Rajalaxmi et al. An Improved MangoNet Architecture Using Harris Hawks Optimization for Fruit Classification with Uncertainty Estimation
Sharma et al. Self-attention vision transformer with transfer learning for efficient crops and weeds classification
Zhang et al. An improved target detection method based on YOLOv5 in natural orchard environments
Yang et al. 3D convolutional neural network for hyperspectral image classification using generative adversarial network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination