CN116739868B - 基于人工智能的园林绿化管理系统及其方法 - Google Patents

基于人工智能的园林绿化管理系统及其方法 Download PDF

Info

Publication number
CN116739868B
CN116739868B CN202310818574.9A CN202310818574A CN116739868B CN 116739868 B CN116739868 B CN 116739868B CN 202310818574 A CN202310818574 A CN 202310818574A CN 116739868 B CN116739868 B CN 116739868B
Authority
CN
China
Prior art keywords
feature
growth state
plant growth
plant
state local
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.)
Active
Application number
CN202310818574.9A
Other languages
English (en)
Other versions
CN116739868A (zh
Inventor
童兴冬
吴蒋杰
钱门瑞
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.)
Zhejiang Xingchen Environmental Construction Co ltd
Original Assignee
Zhejiang Xingchen Environmental Construction 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 Zhejiang Xingchen Environmental Construction Co ltd filed Critical Zhejiang Xingchen Environmental Construction Co ltd
Priority to CN202310818574.9A priority Critical patent/CN116739868B/zh
Publication of CN116739868A publication Critical patent/CN116739868A/zh
Application granted granted Critical
Publication of CN116739868B publication Critical patent/CN116739868B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

公开了一种基于人工智能的园林绿化管理系统及其方法。其首先获取由摄像头采集的被监控绿化植物的生长状态图像，接着，从所述生长状态图像中提取生长状态全局上下文关联特征向量，然后，基于所述生长状态全局上下文关联特征向量，确定所述被监控绿化植物是否缺水。这样，可以对性对被监控的绿化植物进行智能化地缺水分析，以满足对绿化植物的浇水需求。

Description

基于人工智能的园林绿化管理系统及其方法
技术领域
本公开涉及智能管理领域，且更为具体地，涉及一种基于人工智能的园林绿化管理系统及其方法。
背景技术
城市园林的功能从传统的美化、观赏、休憩等方面逐渐向生态保护和环境改善等综合性功能过渡，这主要体现在城市园林中绿化面积不断增加，苗木种类越来越繁多，鉴于这种现状，城市园林的绿化维护管理显得愈加重要。其中园林的绿化维护主要包括浇水、施肥、除虫等多个方面，而浇水是众多绿化维护方面中最基础的维护。
但是现有的园林绿化维护管理系统组成机构较为简单，维护管理系统无法及时准确的对园林内绿化植物是否缺水进行监测，从而影响园林绿化维护管理效果。
因此，期待一种优化的园林绿化管理方案。
发明内容
有鉴于此，本公开提出了一种基于人工智能的园林绿化管理系统及其方法，其可以对性对被监控的绿化植物进行智能化地缺水分析，以满足对绿化植物的浇水需求。
根据本公开的一方面，提供了一种基于人工智能的园林绿化管理方法，其包括：
获取由摄像头采集的被监控绿化植物的生长状态图像；
从所述生长状态图像中提取生长状态全局上下文关联特征向量；以及
基于所述生长状态全局上下文关联特征向量，确定所述被监控绿化植物是否缺水。
根据本公开的另一方面，提供了一种基于人工智能的园林绿化管理系统，其包括：
图像采集模块，用于获取由摄像头采集的被监控绿化植物的生长状态图像；
特征提取模块，用于从所述生长状态图像中提取生长状态全局上下文关联特征向量；以及
绿化植物缺水判断模块，用于基于所述生长状态全局上下文关联特征向量，确定所述被监控绿化植物是否缺水。
根据本公开的实施例，其首先获取由摄像头采集的被监控绿化植物的生长状态图像，接着，从所述生长状态图像中提取生长状态全局上下文关联特征向量，然后，基于所述生长状态全局上下文关联特征向量，确定所述被监控绿化植物是否缺水。这样，可以对性对被监控的绿化植物进行智能化地缺水分析，以满足对绿化植物的浇水需求。
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基于人工智能的园林绿化管理方法的流程图。
图2示出根据本公开的实施例的基于人工智能的园林绿化管理方法的架构示意图。
图3示出根据本公开的实施例的基于人工智能的园林绿化管理方法的子步骤S120的流程图。
图4示出根据本公开的实施例的基于人工智能的园林绿化管理方法的子步骤S122的流程图。
图5示出根据本公开的实施例的基于人工智能的园林绿化管理系统的框图。
图6示出根据本公开的实施例的基于人工智能的园林绿化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。
现有技术中，对于绿化植物是否缺水通常通过以下几种方法实现：1.观察叶片，缺水的植物通常会表现出叶片干燥、枯萎、变黄或变褐的现象，观察植物的叶片颜色和质地可以初步判断是否缺水；2.观察土壤湿度，使用土壤湿度计或手指插入土壤中测试土壤湿度，如果土壤干燥，可能是植物需要浇水的信号；3.观察植物生长速度，缺水的植物生长速度通常会减慢，通过观察植物的生长情况可以初步判断是否缺水；4.测量植物的水分含量，使用植物水分计或称重法测量植物的水分含量，如果植物的水分含量低于正常范围，可能表示植物缺水。但这些方法费时费力，且难以实时的对绿化植物是否缺水进行检测。
针对上述技术问题，本公开的技术构思为基于通过对绿化植物的监控和图像采集，智能化地分析被监控的绿化植物是否缺水，以提供有效的绿化维护管理决策支持。
具体而言，传统的园林浇水通常是在固定时间点进行大面积的统一浇水，而每一株绿化植物对水的需求可能是不同的，对于那些并不需要大量水分的绿化植物来说，过度过量的浇水会对植物的健康产生负面影响，例如，导致根系病害、根腐、缺氧，而对于那些需要充足水分的绿化植物来说，浇水不足可能会使植物叶片枯萎、生长受限甚至死亡。此外，过度浇水会导致水分积聚在地面上，可能引发土壤水分过饱和、水浸等问题，影响植物的生长环境。同时，过度浇水也会造成水资源的浪费。因此，在本公开的技术构思中，期待针对性对被监控的绿化植物进行智能化地缺水分析，以满足对绿化植物的浇水需求。
图1示出根据本公开的实施例的基于人工智能的园林绿化管理方法的流程图。图2示出根据本公开的实施例的基于人工智能的园林绿化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基于人工智能的园林绿化管理方法，包括步骤：S110，获取由摄像头采集的被监控绿化植物的生长状态图像；S120，从所述生长状态图像中提取生长状态全局上下文关联特征向量；以及，S130，基于所述生长状态全局上下文关联特征向量，确定所述被监控绿化植物是否缺水。
具体地，在本公开的技术方案中，首先获取由摄像头采集的被监控绿化植物的生长状态图像。应当可以理解，缺水会导致植物的生理和形态特征发生变化，并在摄像头所采集的所述生长状态图像中显现出来。例如，缺水的植物叶片颜色可能会变得黄化，严重者还会枯萎或产生斑点；缺水时，叶片形态也会发生变化，如叶片卷曲、变小或变瘪；植物整体状况也会因缺水而产生不同，例如植株可能变得矮小或疲弱。
相应地，摄像头在监测绿化植物的生长状态时应具备以下特点：1.高分辨率，摄像头需要具备足够的分辨率，以捕捉到植物生长状态的细微变化，高分辨率图像可以提供更多的细节，使得植物的生理和形态特征变化更加明显；2.良好的色彩还原能力，摄像头应具备良好的色彩还原能力，以准确捕捉植物叶片的颜色变化，缺水导致的叶片黄化或斑点需要能够清晰地反映在图像中；3.实时采集，摄像头需要能够实时采集图像，以便及时监测植物的生长状态变化，实时监测可以帮助及早发现植物缺水问题，以便采取相应的措施；4.灵敏度和稳定性，摄像头应具备足够的灵敏度和稳定性，以捕捉到植物生长状态的微小变化，这样可以确保监测的准确性和可靠性；5.适应性，摄像头应具备适应不同环境条件的能力，包括光照强度、温度等因素的变化，这样可以确保在各种环境下都能正常工作并获取准确的图像。也就是，摄像头需要具备高分辨率、良好的色彩还原能力、实时采集、灵敏度和稳定性以及适应性等特点，以便有效监测绿化植物的生长状态。
进一步地，在一种可能的实现方式中，如图3所示，从所述生长状态图像中提取生长状态全局上下文关联特征向量，包括：S121，提取所述被监控绿化植物的生长状态图像的多个植物生长状态局部特征图；S122，对所述多个植物生长状态局部特征图进行特征分布优化以得到多个优化植物生长状态局部特征图；S123，对所述多个优化植物生长状态局部特征图进行降维处理以得到多个植物生长状态局部展开特征向量；以及，S124，从所述多个植物生长状态局部展开特征向量提取所述生长状态全局上下文关联特征向量。
接着，将所述被监控绿化植物的生长状态图像通过基于金字塔网络的生长状态特征提取器以得到多个植物生长状态局部特征图。这里，金字塔网络可以从所述被监控绿化植物的生长状态图像中提取到多尺度的高维空间局部特征信息和不同深度的生长状态特征信息。
相应地，在一种可能的实现方式中，提取所述被监控绿化植物的生长状态图像的多个植物生长状态局部特征图，包括：将所述被监控绿化植物的生长状态图像通过基于金字塔网络的生长状态特征提取器以得到所述多个植物生长状态局部特征图。应可以理解，金字塔网络是一种深度神经网络结构，其主要作用是从输入图像中提取多尺度的特征信息，其被广泛应用于计算机视觉领域，用于解决图像识别、目标检测和图像分割等任务。金字塔网络的名称来源于其网络结构的形状类似于金字塔，金字塔网络由多个并行的子网络组成，每个子网络负责在不同尺度上提取特征。通常，金字塔网络由多个卷积层和池化层组成，每一层都会对输入图像进行不同程度的下采样或上采样操作，从而得到不同尺度的特征图。金字塔网络的主要作用是通过多尺度的特征提取来捕捉图像中的细节和上下文信息。不同尺度的特征可以提供丰富的图像信息，使得网络可以更好地理解图像中的物体形状、纹理和结构等特征。同时，金字塔网络还可以通过不同深度的网络层次来提取不同级别的抽象特征，从而实现对图像的多层次理解。在本公开的示例中，基于金字塔网络的生长状态特征提取器可以从被监控绿化植物的生长状态图像中提取多尺度的高维空间局部特征信息和不同深度的生长状态特征信息。这样可以更全面地描述植物的生长状态，为后续的特征优化和特征提取工作提供更丰富的输入。
相应地，在一种可能的实现方式中，如图4所示，对所述多个植物生长状态局部特征图进行特征分布优化以得到多个优化植物生长状态局部特征图，包括：S1221，分别计算所述多个植物生长状态局部特征图沿通道维度的各个特征矩阵的加权特征向量以得到多个加权特征向量；以及，S1222，以所述多个加权特征向量分别对所述多个植物生长状态局部特征图的各个特征矩阵进行加权以得到所述多个优化植物生长状态局部特征图。应可以理解，在这种实现方式中，在S1221步骤中，计算多个植物生长状态局部特征图沿通道维度的各个特征矩阵的加权特征向量。这意味着对于每个特征矩阵，通过对其通道维度进行加权计算，得到一个加权特征向量，这样做的目的是提取每个特征矩阵中最重要的特征信息，以便更好地描述植物的生长状态。在S1222步骤中，使用多个加权特征向量对多个植物生长状态局部特征图的各个特征矩阵进行加权。这意味着对于每个特征矩阵，根据相应的加权特征向量对其进行加权，这样做的目的是进一步优化植物生长状态局部特征图，以更好地捕捉植物的生长状态信息。通过这两个步骤，可以得到多个优化的植物生长状态局部特征图，这些特征图包含了经过加权处理的高维空间局部特征信息和深度的生长状态特征信息，这些优化的特征图可以用于进一步的分析和处理。
然而，在卷积神经网络模型中，卷积操作受限于卷积核，提取到的特征是局部的，即每个卷积核只关注所述被监控绿化植物的生长状态图像的一个小区域。这导致了感受野相对较小，无法充分捕捉到全局的上下文信息。为了弥补这个问题，在本公开的技术方案中期待使用转换器模块来提取全局性的上下文关联信息。
相应地，先将所述多个植物生长状态局部特征图分别展开为特征向量以得到多个植物生长状态局部展开特征向量。然后，将所述多个植物生长状态局部展开特征向量通过基于转换器模块的特征间上下文关联特征提取器以得到生长状态全局上下文关联特征向量。也就是，通过引入转换器模块，可以有效扩大感受野，促进各个区域之间的信息传递，提高特征的感知范围，从而更好地捕捉绿化植物生长状态的全局上下文关联信息。
相应地，在一种可能的实现方式中，对所述多个优化植物生长状态局部特征图进行降维处理以得到多个植物生长状态局部展开特征向量，包括：将所述多个优化植物生长状态局部特征图分别展开为特征向量以得到所述多个植物生长状态局部展开特征向量。应可以理解，将多个优化的植物生长状态局部特征图展开为特征向量，可以将局部特征图展开为特征向量，可以将图像中的局部特征转化为数值表示，方便进行后续的计算和处理，每个特征向量包含了对应局部区域的特征信息，可以作为输入用于进一步的特征提取和分析；可以将高维的特征数据降低到低维的特征向量表示，这有助于减少计算复杂度和存储需求，并且可以过滤掉一些不重要的特征，提取更具有代表性的特征；通过展开多个优化的植物生长状态局部特征图为多个特征向量，可以将不同局部区域的特征进行融合，这有助于捕捉到更全局的特征信息，提高对植物生长状态的全局描述能力；通过将局部特征图展开为特征向量，可以进行特征匹配和比较，这对于植物生长状态的监测和分析非常重要，可以用于判断不同植物生长状态之间的相似性和差异性，进而进行进一步的分析和决策。换言之，将多个优化的植物生长状态局部特征图展开为特征向量，可以方便地表示、处理和分析植物的生长状态特征，提高对植物生长状态的描述和理解能力。
相应地，在一种可能的实现方式中，从所述多个植物生长状态局部展开特征向量提取所述生长状态全局上下文关联特征向量，包括：将所述多个植物生长状态局部展开特征向量通过基于转换器模块的特征间上下文关联特征提取器以得到所述生长状态全局上下文关联特征向量。应可以理解，基于转换器模块的特征间上下文关联特征提取器是一种用于提取特征间上下文关联的模块，其基于转换器模块的思想，通过学习特征之间的关系和上下文信息，从多个植物生长状态局部展开特征向量中提取生长状态的全局上下文关联特征向量。转换器模块是一种基于自注意力机制的神经网络模块，其能够对输入的特征进行自适应的加权和关联。在特征间上下文关联特征提取器中，转换器模块被用来建立特征之间的关联，并捕捉全局的上下文信息。具体来说，特征间上下文关联特征提取器将多个植物生长状态局部展开特征向量作为输入，通过转换器模块对这些特征向量进行处理。转换器模块会自动学习每个特征向量与其他特征向量之间的关联权重，并通过自注意力机制对它们进行加权。这样，每个特征向量都能够融合来自其他特征向量的上下文信息，并得到一个全局的上下文关联特征向量。通过使用基于转换器模块的特征间上下文关联特征提取器，可以更好地捕捉植物生长状态特征之间的关联性，提取全局的上下文信息。这有助于更准确地描述植物的生长状态，并为后续的任务（如分类、检测等）提供更有用的特征表示。
进一步，将所述生长状态全局上下文关联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缺水。也就是，将所述生长状态全局上下文关联特征向量作为分类器的输入，经过训练的分类器能够基于历史数据判断当前被监控的绿化植物是否缺水，并给出对应的分类标签，即“缺水”或“不缺水”，从而指导浇水的工作，提高绿化维护的效率。
相应地，在一种可能的实现方式中，基于所述生长状态全局上下文关联特征向量，确定所述被监控绿化植物是否缺水，包括：将所述生长状态全局上下文关联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缺水。应可以理解，如果分类结果显示植物缺水，可以通过增加浇水量或者改变浇水频率的方式来提供足够的水分。
也就是，在本公开的技术方案中，所述分类器的标签包括缺水(第一标签)，以及，不缺水(第二标签)，其中，所述分类器通过软最大值函数来确定所述生长状态全局上下文关联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“是否缺水”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，是否缺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“是否缺水”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。
相应地，在一种可能的实现方式中，将所述生长状态全局上下文关联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缺水，包括：使用所述分类器的全连接层对所述生长状态全局上下文关联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。
在本公开的技术方案中，将所述被监控绿化植物的生长状态图像通过基于金字塔网络的生长状态特征提取器得到所述多个植物生长状态局部特征图时，所述多个植物生长状态局部特征图对应于所述金字塔网络的不同特征提取尺度，因此所述多个植物生长状态局部特征图的对应于不同尺度的图像语义特征表示的特征矩阵之间会具有分布差异，从而影响所述多个植物生长状态局部特征图的全局特征分布关联效果。
这样，在将所述多个植物生长状态局部特征图分别展开为特征向量以得到所述多个植物生长状态局部展开特征向量，并将所述多个植物生长状态局部展开特征向量通过基于转换器模块的特征间上下文关联特征提取器时，由于所述多个植物生长状态局部特征图的全局特征分布关联效果差，也会影响基于转换器模块的特征间上下文关联特征提取器对于上下文关联特征的提取，从而影响所述生长状态全局上下文关联特征向量的表达效果。
基于此，本公开的申请人考虑通过沿通道对所述多个植物生长状态局部特征图的各个特征矩阵进行加权的方式来提升所述多个植物生长状态局部特征图的全局特征分布关联效果，并且，所述加权特征向量通过每个特征矩阵的静态矩阵约束来确定定向偏导，以进行自调谐结构化来计算。
相应地，在一种可能的实现方式中，分别计算所述多个植物生长状态局部特征图沿通道维度的各个特征矩阵的加权特征向量以得到多个加权特征向量，包括：以如下加权公式分别计算所述多个植物生长状态局部特征图沿通道维度的各个特征矩阵的加权特征向量以得到所述多个加权特征向量；其中，所述加权公式为：其中，首先将所述多个植物生长状态局部特征图的每个特征矩阵通道线性变换转换为/>的正方矩阵，/>是所述多个植物生长状态局部特征图的通道数之和，/>是转换后的特征图沿通道维度的第特征矩阵，/>是所述转换后的特征图的每个特征矩阵全局池化得到的向量，/>是所述转换后的特征图的第/>个特征矩阵的第/>位置的特征值，/>表示按位置加法，/>表示按位置乘法，/>表示按位置减法，/>表示所述多个加权特征向量。
也就是，以所述加权特征向量对于所述多个植物生长状态局部特征图的各个特征矩阵进行加权时，可以通过所述多个植物生长状态局部特征图的沿通道维度的每个静态场景矩阵相对于通道控制向量/>的自结构化约束，来使用用于表达通道维度关联的定向偏导向量对静态特征场景进行支持性自调谐，从而基于所述多个植物生长状态局部特征图的集合的高维特征流形的与各个特征矩阵所表达的特征场景对应的特定凸多面体族（convex polytopes family）来进行高维特征流形的结构化，以提升各个特征矩阵的场景化的图像语义表达与通道维度的模型特征提取表达之间的显式关联，从而提升所述多个植物生长状态局部特征图的全局特征分布时序关联效果。
应可以理解，支持性自调谐是指在使用加权特征向量对多个植物生长状态局部特征图的特征矩阵进行加权时，通过自结构化约束来调整静态特征场景，以提升特征矩阵的场景化图像语义表达与通道维度的模型特征提取表达之间的关联效果。具体来说，支持性自调谐利用定向偏导向量对静态特征场景进行调整，以使特征场景与特征矩阵所表达的特征场景对应的特定凸多面体族（convex polytopes family）在高维特征流形中更加结构化。这样可以提升多个植物生长状态局部特征图的全局特征分布时序关联效果，从而增强对植物生长状态的准确表达和分析。支持性自调谐的目的是通过调整特征场景，使得特征矩阵的场景化图像语义表达与模型特征提取表达之间的关联更加明确和有效，从而提高对植物生长状态的理解和分析能力。
值得一提的是，在绿化维护管理中使用摄像头进行监控有以下好处：1.实时监测，摄像头可以实时监测绿化植物的状态，包括叶片颜色、形态和生长情况等，这样可以及时发现植物是否缺水，以便采取相应的措施；2.高效性，通过摄像头监控可以同时监测多个绿化植物，提高了监测的效率，与人工巡查相比，摄像头可以覆盖更大的范围，并且可以在24小时内持续监测，不受时间和人力资源的限制；3.数据记录和分析，通过摄像头监控可以记录植物的生长历史和变化趋势，形成数据记录，这些数据可以用于分析植物的生长规律和缺水情况，为绿化维护管理提供决策支持；4.提前预警，摄像头监控可以及时发现植物的缺水情况，并通过预警系统发送通知，以便采取及时的补水措施，这可以避免植物因缺水而受到严重的损害；5.节约资源，通过摄像头监控可以根据实际需要进行精确的浇水，避免过度浇水造成的水资源浪费，这有助于节约水资源并提高绿化维护的效率。总的来说，摄像头监控可以提供实时、高效、准确的绿化植物监测数据，为绿化维护管理提供决策支持，同时节约资源和提高管理效率。
综上，基于本公开实施例的基于人工智能的园林绿化管理方法，其可以对性对被监控的绿化植物进行智能化地缺水分析，以满足对绿化植物的浇水需求。
图5示出根据本公开的实施例的基于人工智能的园林绿化管理系统100的框图。如图5所示，根据本公开实施例的基于人工智能的园林绿化管理系统100，包括：图像采集模块110，用于获取由摄像头采集的被监控绿化植物的生长状态图像；特征提取模块120，用于从所述生长状态图像中提取生长状态全局上下文关联特征向量；以及，绿化植物缺水判断模块130，用于基于所述生长状态全局上下文关联特征向量，确定所述被监控绿化植物是否缺水。
在一种可能的实现方式中，所述特征提取模块120，包括：局部特征图提取单元，用于提取所述被监控绿化植物的生长状态图像的多个植物生长状态局部特征图；特征分布优化单元，用于对所述多个植物生长状态局部特征图进行特征分布优化以得到多个优化植物生长状态局部特征图；降维单元，用于对所述多个优化植物生长状态局部特征图进行降维处理以得到多个植物生长状态局部展开特征向量；以及，向量提取单元，用于从所述多个植物生长状态局部展开特征向量提取所述生长状态全局上下文关联特征向量。
这里，本领域技术人员可以理解，上述基于人工智能的园林绿化管理系统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4的基于人工智能的园林绿化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基于人工智能的园林绿化管理系统100可以实现在各种无线终端中，例如具有基于人工智能的园林绿化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基于人工智能的园林绿化管理系统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，该基于人工智能的园林绿化管理系统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，该基于人工智能的园林绿化管理系统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，该基于人工智能的园林绿化管理系统100与该无线终端也可以是分立的设备，并且该基于人工智能的园林绿化管理系统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6示出根据本公开的实施例的基于人工智能的园林绿化管理方法的应用场景图。如图6所示，在该应用场景中，首先，获取由摄像头（例如，图6中所示意的C）采集的被监控绿化植物的生长状态图像（例如，图6中所示意的D），然后，将所述生长状态图像输入至部署有基于人工智能的园林绿化管理算法的服务器中（例如，图6中所示意的S），其中，所述服务器能够使用所述基于人工智能的园林绿化管理算法对所述生长状态图像进行处理以得到用于表示是否缺水的分类结果。
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，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 (5)

1.一种基于人工智能的园林绿化管理方法，其特征在于，包括：
获取由摄像头采集的被监控绿化植物的生长状态图像；
从所述生长状态图像中提取生长状态全局上下文关联特征向量；以及
基于所述生长状态全局上下文关联特征向量，确定所述被监控绿化植物是否缺水；
其中，从所述生长状态图像中提取生长状态全局上下文关联特征向量，包括：
提取所述被监控绿化植物的生长状态图像的多个植物生长状态局部特征图；
对所述多个植物生长状态局部特征图进行特征分布优化以得到多个优化植物生长状态局部特征图；
对所述多个优化植物生长状态局部特征图进行降维处理以得到多个植物生长状态局部展开特征向量；以及
从所述多个植物生长状态局部展开特征向量提取所述生长状态全局上下文关联特征向量；
其中，提取所述被监控绿化植物的生长状态图像的多个植物生长状态局部特征图，包括：
将所述被监控绿化植物的生长状态图像通过基于金字塔网络的生长状态特征提取器以得到所述多个植物生长状态局部特征图；
其中，对所述多个植物生长状态局部特征图进行特征分布优化以得到多个优化植物生长状态局部特征图，包括：
分别计算所述多个植物生长状态局部特征图沿通道维度的各个特征矩阵的加权特征向量以得到多个加权特征向量；以及
以所述多个加权特征向量分别对所述多个植物生长状态局部特征图的各个特征矩阵进行加权以得到所述多个优化植物生长状态局部特征图；
其中，分别计算所述多个植物生长状态局部特征图沿通道维度的各个特征矩阵的加权特征向量以得到多个加权特征向量，包括：
以如下加权公式分别计算所述多个植物生长状态局部特征图沿通道维度的各个特征矩阵的加权特征向量以得到所述多个加权特征向量；
其中，所述加权公式为：
其中，首先将所述多个植物生长状态局部特征图的每个特征矩阵通道线性变换转换为n×n的正方矩阵，n是所述多个植物生长状态局部特征图的通道数之和，Mk是转换后的特征图沿通道维度的第k个特征矩阵，V＝GAP(:Mk:)是所述转换后的特征图的每个特征矩阵全局池化得到的向量，是所述转换后的特征图的第k个特征矩阵的第(i,j)位置的特征值，/>表示按位置加法，/>表示按位置乘法，/>表示按位置减法，Vw表示所述多个加权特征向量；
其中，以所述加权特征向量对于所述多个植物生长状态局部特征图的各个特征矩阵进行加权时，可以通过所述多个植物生长状态局部特征图的沿通道维度的每个静态场景矩阵相对于通道控制向量的自结构化约束，来使用用于表达通道维度关联的定向偏导向量对静态特征场景进行支持性自调谐，从而基于所述多个植物生长状态局部特征图的集合的高维特征流形的与各个特征矩阵所表达的特征场景对应的特定凸多面体族来进行高维特征流形的结构化，以提升各个特征矩阵的场景化的图像语义表达与通道维度的模型特征提取表达之间的显式关联，从而提升所述多个植物生长状态局部特征图的全局特征分布时序关联效果。
2.根据权利要求1所述的基于人工智能的园林绿化管理方法，其特征在于，对所述多个优化植物生长状态局部特征图进行降维处理以得到多个植物生长状态局部展开特征向量，包括：
将所述多个优化植物生长状态局部特征图分别展开为特征向量以得到所述多个植物生长状态局部展开特征向量。
3.根据权利要求2所述的基于人工智能的园林绿化管理方法，其特征在于，从所述多个植物生长状态局部展开特征向量提取所述生长状态全局上下文关联特征向量，包括：
将所述多个植物生长状态局部展开特征向量通过基于转换器模块的特征间上下文关联特征提取器以得到所述生长状态全局上下文关联特征向量。
4.根据权利要求3所述的基于人工智能的园林绿化管理方法，其特征在于，基于所述生长状态全局上下文关联特征向量，确定所述被监控绿化植物是否缺水，包括：
将所述生长状态全局上下文关联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缺水。
5.一种基于人工智能的园林绿化管理系统，其特征在于，包括：
图像采集模块，用于获取由摄像头采集的被监控绿化植物的生长状态图像；
特征提取模块，用于从所述生长状态图像中提取生长状态全局上下文关联特征向量；以及
绿化植物缺水判断模块，用于基于所述生长状态全局上下文关联特征向量，确定所述被监控绿化植物是否缺水；
其中，提取所述被监控绿化植物的生长状态图像的多个植物生长状态局部特征图，包括：
将所述被监控绿化植物的生长状态图像通过基于金字塔网络的生长状态特征提取器以得到所述多个植物生长状态局部特征图；
其中，所述特征提取模块，包括：
局部特征图提取单元，用于提取所述被监控绿化植物的生长状态图像的多个植物生长状态局部特征图；
特征分布优化单元，用于对所述多个植物生长状态局部特征图进行特征分布优化以得到多个优化植物生长状态局部特征图；
降维单元，用于对所述多个优化植物生长状态局部特征图进行降维处理以得到多个植物生长状态局部展开特征向量；以及
向量提取单元，用于从所述多个植物生长状态局部展开特征向量提取所述生长状态全局上下文关联特征向量；
其中，所述特征分布优化单元，包括：
分别计算所述多个植物生长状态局部特征图沿通道维度的各个特征矩阵的加权特征向量以得到多个加权特征向量；以及
以所述多个加权特征向量分别对所述多个植物生长状态局部特征图的各个特征矩阵进行加权以得到所述多个优化植物生长状态局部特征图；
其中，分别计算所述多个植物生长状态局部特征图沿通道维度的各个特征矩阵的加权特征向量以得到多个加权特征向量，包括：
以如下加权公式分别计算所述多个植物生长状态局部特征图沿通道维度的各个特征矩阵的加权特征向量以得到所述多个加权特征向量；
其中，所述加权公式为：
其中，首先将所述多个植物生长状态局部特征图的每个特征矩阵通道线性变换转换为n×n的正方矩阵，n是所述多个植物生长状态局部特征图的通道数之和，Mk是转换后的特征图沿通道维度的第k个特征矩阵，V＝GAP(:Mk:)是所述转换后的特征图的每个特征矩阵全局池化得到的向量，是所述转换后的特征图的第k个特征矩阵的第(i,j)位置的特征值，/>表示按位置加法，/>表示按位置乘法，/>表示按位置减法，Vw表示所述多个加权特征向量；
其中，以所述加权特征向量对于所述多个植物生长状态局部特征图的各个特征矩阵进行加权时，可以通过所述多个植物生长状态局部特征图的沿通道维度的每个静态场景矩阵相对于通道控制向量的自结构化约束，来使用用于表达通道维度关联的定向偏导向量对静态特征场景进行支持性自调谐，从而基于所述多个植物生长状态局部特征图的集合的高维特征流形的与各个特征矩阵所表达的特征场景对应的特定凸多面体族来进行高维特征流形的结构化，以提升各个特征矩阵的场景化的图像语义表达与通道维度的模型特征提取表达之间的显式关联，从而提升所述多个植物生长状态局部特征图的全局特征分布时序关联效果。
CN202310818574.9A 2023-07-05 2023-07-05 基于人工智能的园林绿化管理系统及其方法 Active CN116739868B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310818574.9A CN116739868B (zh) 2023-07-05 2023-07-05 基于人工智能的园林绿化管理系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310818574.9A CN116739868B (zh) 2023-07-05 2023-07-05 基于人工智能的园林绿化管理系统及其方法

Publications (2)

Publication Number Publication Date
CN116739868A CN116739868A (zh) 2023-09-12
CN116739868B true CN116739868B (zh) 2024-04-23

Family

ID=87916866

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310818574.9A Active CN116739868B (zh) 2023-07-05 2023-07-05 基于人工智能的园林绿化管理系统及其方法

Country Status (1)

Country Link
CN (1) CN116739868B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117196832B (zh) * 2023-11-08 2024-01-23 吉林省牛人网络科技股份有限公司 畜牧业活体抵押监管系统及其方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114568265A (zh) * 2022-03-22 2022-06-03 武汉鸿榛园林绿化工程有限公司 一种基于人工智能的园林绿化维护智能监测管理系统
CN115422970A (zh) * 2022-08-29 2022-12-02 华能国际电力开发公司吉林通榆风电分公司 陆上风机运行状态监控系统及其方法
CN115482467A (zh) * 2022-09-29 2022-12-16 河南省景观规划设计研究院有限公司 一种智慧园林的自动灌溉系统
CN115512420A (zh) * 2022-10-08 2022-12-23 杭州韵度信息科技有限公司 访客管理系统及其方法
CN115581897A (zh) * 2022-10-14 2023-01-10 龙岩欣宜工贸有限公司 棒球内芯及其智能化制造方法
CN116051506A (zh) * 2023-01-28 2023-05-02 东莞市言科新能源有限公司 聚合物锂离子电池的智能化生产系统及其方法
CN116071300A (zh) * 2022-12-09 2023-05-05 鹏城实验室 一种基于上下文特征融合的细胞核分割方法及相关设备
CN116259012A (zh) * 2023-05-16 2023-06-13 新疆克拉玛依市荣昌有限责任公司 嵌入式增压柴油罐的监测系统及其方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114568265A (zh) * 2022-03-22 2022-06-03 武汉鸿榛园林绿化工程有限公司 一种基于人工智能的园林绿化维护智能监测管理系统
CN115422970A (zh) * 2022-08-29 2022-12-02 华能国际电力开发公司吉林通榆风电分公司 陆上风机运行状态监控系统及其方法
CN115482467A (zh) * 2022-09-29 2022-12-16 河南省景观规划设计研究院有限公司 一种智慧园林的自动灌溉系统
CN115512420A (zh) * 2022-10-08 2022-12-23 杭州韵度信息科技有限公司 访客管理系统及其方法
CN115581897A (zh) * 2022-10-14 2023-01-10 龙岩欣宜工贸有限公司 棒球内芯及其智能化制造方法
CN116071300A (zh) * 2022-12-09 2023-05-05 鹏城实验室 一种基于上下文特征融合的细胞核分割方法及相关设备
CN116051506A (zh) * 2023-01-28 2023-05-02 东莞市言科新能源有限公司 聚合物锂离子电池的智能化生产系统及其方法
CN116259012A (zh) * 2023-05-16 2023-06-13 新疆克拉玛依市荣昌有限责任公司 嵌入式增压柴油罐的监测系统及其方法

Also Published As

Publication number Publication date
CN116739868A (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
Wang et al. A review on weed detection using ground-based machine vision and image processing techniques
Zhu et al. In-field automatic observation of wheat heading stage using computer vision
CN107016405B (zh) 一种基于分级预测卷积神经网络的害虫图像分类方法
Ruiz-Ruiz et al. Testing different color spaces based on hue for the environmentally adaptive segmentation algorithm (EASA)
Kumar et al. N-CNN based transfer learning method for classification of powdery mildew wheat disease
CN110766690B (zh) 基于深度学习点监督思想的麦穗检测和计数方法
Patil et al. Enhanced radial basis function neural network for tomato plant disease leaf image segmentation
CN116739868B (zh) 基于人工智能的园林绿化管理系统及其方法
DB et al. Classification of oil palm female inflorescences anthesis stages using machine learning approaches
Loresco et al. Segmentation of lettuce plants using super pixels and thresholding methods in smart farm hydroponics setup
CN116977633A (zh) 地物要素分割模型训练方法、地物要素分割方法及装置
Lauguico et al. Machine vision-based prediction of lettuce phytomorphological descriptors using deep learning networks
Xia et al. Land resource use classification using deep learning in ecological remote sensing images
Yang et al. Rapid image detection and recognition of rice false smut based on mobile smart devices with anti-light features from cloud database
Islam et al. Nitrogen fertilizer recommendation for paddies through automating the Leaf Color Chart (LCC)
Chaturvedi et al. Efficient Method for Tomato Leaf Disease Detection and Classification based on Hybrid Model of CNN and Extreme Learning Machine
Kumar et al. A novel hybrid segmentation technique for identification of wheat rust diseases
Hi et al. A deep learning approach for lantana camara weed detection and localization in the natural environment
CN116597309A (zh) 集成萌芽期生长和苗期生理指标鉴选植物抗性品种的方法
Kumawat et al. Time-Variant Satellite Vegetation Classification Enabled by Hybrid Metaheuristic-Based Adaptive Time-Weighted Dynamic Time Warping
Nirmal et al. Farmer Friendly Smart App for Pomegranate Disease Identification
Kumar et al. Development of a deep convolutional neural network model for detection and delineation of coal mining regions
Balram et al. Crop field monitoring and disease detection of plants in smart agriculture using internet of things
Sivagami et al. Analysis of encoder-decoder based deep learning architectures for semantic segmentation in remote sensing images
Goyal et al. Disease Detection in Potato Leaves Using an Efficient Deep Learning Model

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
GR01 Patent grant
GR01 Patent grant