CN116740567A - 用于泡桐幼苗栽培的土壤含水率检测方法及系统 - Google Patents
用于泡桐幼苗栽培的土壤含水率检测方法及系统 Download PDFInfo
- Publication number
- CN116740567A CN116740567A CN202310698223.9A CN202310698223A CN116740567A CN 116740567 A CN116740567 A CN 116740567A CN 202310698223 A CN202310698223 A CN 202310698223A CN 116740567 A CN116740567 A CN 116740567A
- Authority
- CN
- China
- Prior art keywords
- feature
- soil
- soil state
- state
- vector
- 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
Links
- 239000002689 soil Substances 0.000 title claims abstract description 499
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 240000002834 Paulownia tomentosa Species 0.000 title 1
- 239000013598 vector Substances 0.000 claims abstract description 225
- 239000011159 matrix material Substances 0.000 claims abstract description 88
- 244000055346 Paulownia Species 0.000 claims abstract description 56
- 238000012544 monitoring process Methods 0.000 claims abstract description 51
- 238000009826 distribution Methods 0.000 claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 25
- 238000000354 decomposition reaction Methods 0.000 claims description 34
- 238000000034 method Methods 0.000 claims description 25
- 238000011176 pooling Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 7
- 241000820057 Ithone Species 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 23
- 239000000284 extract Substances 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 230000009894 physiological stress Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- 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
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace 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
- G06V10/70—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及土壤检测技术领域,其具体地公开了一种用于泡桐幼苗栽培的土壤含水率检测方法及系统,其首先获取由摄像头采集的土壤状态监测图像,然后,将所述土壤状态监测图像分别通过基于卷积神经网络模型的土壤特征提取器、进行特征分布优化和特征矩阵展开以得到多个土壤状态局部特征展开特征向量;接着,分别将所述多个土壤状态局部特征展开特征向量通过基于转换器的上下文编码器和级联并融合以得到土壤状态特征向量;最后,将所述土壤状态特征向量通过解码器进行解码回归以得到用于表示土壤含水率的解码值,通过这样的方式,来实现无触式土壤含水率的准确检测,以确保泡桐幼苗的健康生长。
Description
技术领域
本申请涉及土壤检测技术领域,且更为具体地,涉及一种用于泡桐幼苗栽培的土壤含水率检测方法及系统。
背景技术
泡桐是一种常见的经济林木,其幼苗的生长需要适宜的土壤含水率。土壤含水率过高或过低都会影响泡桐幼苗的生理活动和抗逆能力,导致幼苗生长缓慢或死亡。因此,对泡桐幼苗栽培的土壤含水率进行准确且及时的检测是非常重要的。
然而,传统的土壤含水率检测方法主要依赖于人工采样、称重和计算等方式,这种方法不仅存在着繁琐、耗时、不便于实时监测和数据记录等问题,而且还需要破坏土壤结构,对土壤的生态环境造成一定的影响。
因此,期望一种优化的用于泡桐幼苗栽培的土壤含水率检测方案。
发明内容
本申请提供一种用于泡桐幼苗栽培的土壤含水率检测方法及系统,其首先获取由摄像头采集的土壤状态监测图像,然后,将所述土壤状态监测图像分别通过基于卷积神经网络模型的土壤特征提取器、进行特征分布优化和特征矩阵展开以得到多个土壤状态局部特征展开特征向量;接着,分别将所述多个土壤状态局部特征展开特征向量通过基于转换器的上下文编码器和级联并融合以得到土壤状态特征向量;最后,将所述土壤状态特征向量通过解码器进行解码回归以得到用于表示土壤含水率的解码值,通过这样的方式,来实现无触式土壤含水率的准确检测,以确保泡桐幼苗的健康生长。
第一方面,提供了一种用于泡桐幼苗栽培的土壤含水率检测方法,所述方法包括:获取由摄像头采集的土壤状态监测图像;将所述土壤状态监测图像通过基于卷积神经网络模型的土壤特征提取器以得到土壤状态特征图;对所述土壤状态特征图进行特征分布优化以得到优化土壤状态特征图;将所述优化土壤状态特征图的沿通道维度的各个特征矩阵进行特征矩阵展开以得到多个土壤状态局部特征展开特征向量;将所述多个土壤状态局部特征展开特征向量通过基于转换器的上下文编码器以得到第一尺度土壤状态全局语义特征向量;将所述多个土壤状态局部特征展开特征向量进行级联以得到第二尺度土壤状态全局语义特征向量;融合所述第一尺度土壤状态全局语义特征向量和所述第二尺度土壤状态全局语义特征向量以得到土壤状态特征向量;以及,将所述土壤状态特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示土壤含水率。
第二方面,提供了一种用于泡桐幼苗栽培的土壤含水率检测系统,所述系统包括:监测图像获取模块,用于获取由摄像头采集的土壤状态监测图像;土壤特征提取模块,用于将所述土壤状态监测图像通过基于卷积神经网络模型的土壤特征提取器以得到土壤状态特征图;特征分布优化模块,用于对所述土壤状态特征图进行特征分布优化以得到优化土壤状态特征图;特征矩阵展开模块,用于将所述优化土壤状态特征图的沿通道维度的各个特征矩阵进行特征矩阵展开以得到多个土壤状态局部特征展开特征向量;上下文编码模块,用于将所述多个土壤状态局部特征展开特征向量通过基于转换器的上下文编码器以得到第一尺度土壤状态全局语义特征向量;向量级联模块,用于将所述多个土壤状态局部特征展开特征向量进行级联以得到第二尺度土壤状态全局语义特征向量;特征向量融合模块,用于融合所述第一尺度土壤状态全局语义特征向量和所述第二尺度土壤状态全局语义特征向量以得到土壤状态特征向量;以及,向量解码模块,用于将所述土壤状态特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示土壤含水率。
第三方面,提供了一种芯片,该芯片包括输入输出接口、至少一个处理器、至少一个存储器和总线,该至少一个存储器用于存储指令,该至少一个处理器用于调用该至少一个存储器中的指令,以执行第一方面中的方法。
第四方面,提供了一种计算机可读介质,用于存储计算机程序,所述计算机程序包括用于执行上述第一方面中的方法。
第五方面,提供了一种包括指令的计算机程序产品,当计算机运行所述计算机程序产品的所述指时,所述计算机执行上述第一方面中的方法。
本申请提供的一种用于泡桐幼苗栽培的土壤含水率检测方法及系统,其首先获取由摄像头采集的土壤状态监测图像,然后,将所述土壤状态监测图像分别通过基于卷积神经网络模型的土壤特征提取器、进行特征分布优化和特征矩阵展开以得到多个土壤状态局部特征展开特征向量;接着,分别将所述多个土壤状态局部特征展开特征向量通过基于转换器的上下文编码器和级联并融合以得到土壤状态特征向量;最后,将所述土壤状态特征向量通过解码器进行解码回归以得到用于表示土壤含水率的解码值,通过这样的方式,来实现无触式土壤含水率的准确检测,以确保泡桐幼苗的健康生长。
附图说明
图1是本申请实施例的用于泡桐幼苗栽培的土壤含水率检测方法及系统的应用场景图。
图2是本申请实施例的用于泡桐幼苗栽培的土壤含水率检测方法的示意性流程图。
图3是本申请实施例的用于泡桐幼苗栽培的土壤含水率检测方法的模型架构的示意图。
图4是本申请实施例的用于泡桐幼苗栽培的土壤含水率检测方法中,对所述土壤状态特征图进行特征分布优化以得到优化土壤状态特征图的模型架构的示意图。
图5是本申请实施例的用于泡桐幼苗栽培的土壤含水率检测方法中,将所述多个土壤状态局部特征展开特征向量通过基于转换器的上下文编码器以得到第一尺度土壤状态全局语义特征向量的模型架构的示意图。
图6是本申请实施例的用于泡桐幼苗栽培的土壤含水率检测系统的示意性框图。
具体实施方式
下面将结合附图,对本申请中的技术方案进行描述。
这里由于涉及到基于深度学习的深度神经网络模型,下面先对本申请实施例可能涉及的深度神经网络模型的相关术语和概念进行介绍。
在深度神经网络模型中,隐藏层可以是卷积层和池化层。卷积层对应的一组权重值被称为滤波器,也被称为卷积核。滤波器和输入特征值都被表示为一个多维矩阵,对应地,表示成多维矩阵的滤波器也称为滤波器矩阵,表示成多维矩阵的输入特征值也称为输入特征矩阵,当然,除了可以输入特征矩阵,也可以输入特征图像,特征向量,这里只是以输入特征矩阵进行举例。卷积层的运算称为卷积运算,该卷积运算指的是,输入特征矩阵的一部分特征值与滤波器矩阵的权重值进行内积操作。
深度神经网络模型中每一个卷积层的运算过程可以被编成软件,然后通过在运算装置中运行该软件,得到每层网络的输出结果,即输出特征矩阵。例如,软件通过滑动窗口的方式,以每层网络的输入特征矩阵的左上角为起点,以滤波器大小为窗口,每次从特征值矩阵中提取一个窗口的数据与滤波器进行内积操作。当输入特征矩阵的右下角窗口的数据与滤波器完成内积操作后,便可得到每层网络的一个二维的输出特征矩阵。软件重复上述过程,直至产生每层网络的整个输出特征矩阵。
卷积层运算的过程为,将一个滤波器大小的窗口滑动过整个输入图像(即输入特征矩阵),在每个时刻对窗口内覆盖的输入特征值与该滤波器进行内积运算,其中,窗口滑动的步长为1。具体地,以输入特征矩阵的左上角为起点,以滤波器大小为窗口,窗口滑动的步长为1,每次从特征值矩阵中提取一个窗口的输入特征值与滤波器进行内积操作,当输入特征矩阵的右下角的数据与滤波器完成内积操作后,便可得到该输入特征矩阵的一个二维的输出特征矩阵。
由于常常需要减少训练参数的数量,因此卷积层之后常常需要周期性的引入池化层,在图像处理过程中,池化层的唯一目的就是减少图像的空间大小。池化层可以包括平均池化算子和/或最大池化算子,以用于对输入图像进行采样得到较小尺寸的图像。平均池化算子可以在特定范围内对图像中的像素值进行计算产生平均值作为平均池化的结果。最大池化算子可以在特定范围内取该范围内值最大的像素作为最大池化的结果。另外,就像卷积层中用权重矩阵的大小应该与图像尺寸相关一样,池化层中的运算符也应该与图像的大小相关。通过池化层处理后输出的图像尺寸可以小于输入池化层的图像的尺寸,池化层输出的图像中每个像素点表示输入池化层的图像的对应子区域的平均值或最大值。
由于实际在深度神经网络中需要模拟的函数往往是非线性的,而前面卷积和池化只能模拟线性函数,为了在深度神经网络模型中,引入非线性因素,以增加整个网络的表征能力,在池化层过后还会设置有激活层,激活层中设置有激活函数,常用的激励函数有sigmoid、tanh、ReLU函数等。
如上所述,传统的土壤含水率检测方法主要依赖于人工采样、称重和计算等方式,这种方法不仅存在着繁琐、耗时、不便于实时监测和数据记录等问题,而且还需要破坏土壤结构,对土壤的生态环境造成一定的影响。因此,期望一种优化的用于泡桐幼苗栽培的土壤含水率检测方案。
相应地,考虑到在实际进行泡桐幼苗栽培的土壤含水率检测过程中,可以通过对于摄像头采集的土壤状态监测图像进行图像分析来实现无触式土壤水分检测,以在保证检测效率和精准度的同时,避免造成土壤生态环境的破坏。但是,由于泡桐幼苗栽培的环境较为复杂,导致所述土壤状态监测图像中存在有较多的无用干扰信息,并且关于土壤含水状态的特征在实际监测的过程中为小尺度的隐性特征信息,难以进行充分地捕捉提取。因此,在此过程中,难点在于如何进行所述土壤状态监测图像中关于土壤含水状态的隐含特征分布信息的充分表达,以此来实现无触式土壤含水率的准确检测,以确保泡桐幼苗的健康生长。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述土壤状态监测图像中关于土壤含水状态的隐含特征分布信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,通过摄像头采集土壤状态监测图像。接着,使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行图像中关于土壤状态的隐含特征挖掘。也就是,具体地,将所述土壤状态监测图像通过基于卷积神经网络模型的土壤特征提取器中进行特征提取,以提取出所述土壤状态监测图像中关于土壤的颜色、纹理和形态等土壤状态的隐含特征分布信息,从而得到土壤状态特征图。应可以理解,卷积神经网络是一种能够自动提取图像特征的深度学习模型,其能够有效地学习到图像中的局部特征,从而得到更加准确的特征表示。因此,基于卷积神经网络模型的土壤特征提取器可以从土壤图像中提取出与土壤含水率相关的特征信息,为后续的土壤含水率检测提供有力的支持。
然后,考虑到由于所述土壤状态特征图中的每个特征矩阵都代表了土壤状态的不同局部特征信息,例如土壤的颜色、纹理、形态等。并且,这些关于土壤状态的不同局部特征信息之间具有着隐含的关联关系。因此,在本申请的技术方案中,为了能够充分地提取出关于土壤状态的特征信息,以此来进行土壤含水率的检测,需要对于这些局部的隐含特征进行关联性的特征信息捕捉。基于此,需要首先将所述土壤状态特征图的沿通道维度的各个特征矩阵进行特征矩阵展开以得到多个土壤状态局部特征展开特征向量,特别地,这里,每个所述土壤状态局部特征展开特征向量代表了土壤状态的每个局部特征。这样,能够更加全面地描述土壤状态特征,从而提高土壤含水率检测的准确性。接着,进一步再将所述多个土壤状态局部特征展开特征向量进行级联以得到第二尺度土壤状态全局语义特征向量,以此来表示所述土壤状态的全局隐含特征信息。
进一步地,还考虑到由于所述土壤状态的各个局部特征之间具有着隐含关联性关系,这些土壤状态的局部隐含关联特征共同对于土壤的含水率检测产生影响,因此,在本申请的技术方案中,进一步再将所述多个土壤状态局部特征展开特征向量通过基于转换器的上下文编码器中进行编码,以此来提取出所述土壤状态的各个局部特征之间基于全局的语义关联特征信息,从而得到第一尺度土壤状态全局语义特征向量。
然后,融合所述第一尺度土壤状态全局语义特征向量和所述第二尺度土壤状态全局语义特征向量以得到土壤状态特征向量,以此来表示所述土壤状态的各个局部隐含特征信息之间基于全局长距离依赖关联和局部短距离依赖关联的多尺度特征分布信息。接着,进一步再将所述土壤状态特征向量通过解码器中进行解码回归以得到解码值,所述解码值用于表示土壤含水率。也就是,以所述土壤状态的各个局部特征的多尺度关联特征信息来进行解码,从而对于土壤含水率进行检测,以确保泡桐幼苗的健康生长。
特别地,在本申请的技术方案中,由于所述土壤状态特征图的沿通道维度的各个特征矩阵表达所述土壤状态监测图像的图像特征语义,且各个特征矩阵之间遵循卷积神经网络模型的通道维度分布,因此,所述各个特征矩阵之间会具有由通道分布差异导致的高维特征流形的流形几何表示的不一致性。
并且,在对各个特征矩阵进行特征矩阵展开,并进行基于转换器的上下文关联特征编码或者直接级联时,都无法消除所述各个特征矩阵之间的高维特征流形的流形几何表示的显式差异,从而影响融合所述第一尺度土壤状态全局语义特征向量和所述第二尺度土壤状态全局语义特征向量得到的所述土壤状态特征向量通过解码器进行解码回归时的收敛难度,即,降低了训练速度和收敛到的解码值的准确性。
因此,本申请计算所述土壤状态特征图的每个特征矩阵的基于凸分解的特征几何度量的逐片近似因数,表示为:
其中,Vij是每个特征矩阵Mi的第j个行向量或者列向量,[:V:]表示将各个向量级联,且表示向量的二范数的平方。
具体地,所述基于凸分解的特征几何度量的逐片近似因数可以通过LogSumExp的平滑最大函数来定义每个分类特征矩阵的高维特征流形的局部几何形状间的符号化距离度量,以基于高维特征流形的凸多面体(convex polytope)分解来获得每个凸多面体对象的可微的凸指示符(convex indicator),并进而以Sigmoid函数确定用于表达高维特征流形的可学习的逐片(piece-wise)凸分解的超平面距离参数,以近似地度量特征几何。这样,通过以所述基于凸分解的特征几何度量的逐片近似因数对各个特征矩阵进行加权,就可以提升所述土壤状态特征图的不同通道下的不同特征矩阵之间的高维特征流形的流形几何表示的一致性,从而降低所述土壤状态特征向量通过解码器进行解码回归时的收敛难度,即,改进了训练速度和收敛到的解码值的准确性。这样,能够实现无触式土壤含水率的准确检测,以确保泡桐幼苗的健康生长。
图1是本申请实施例的用于泡桐幼苗栽培的土壤含水率检测方法及系统的应用场景图。如图1所示,在该应用场景中,通过摄像头(例如,图1中所示意的C)采集用于泡桐幼苗栽培的土壤状态监测图像(例如,图1中所示意的F)。然后,将采集的所述土壤状态监测图像输入至部署有用于泡桐幼苗栽培的土壤含水率检测算法的服务器(例如,图1中所示意的S)中,其中,所述服务器能够使用所述用于泡桐幼苗栽培的土壤含水率检测算法对所述土壤状态监测图像进行处理以生成用于表示土壤含水率的解码值。
以上在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
图2是本申请实施例的用于泡桐幼苗栽培的土壤含水率检测方法的示意性流程图。如图2所示,用于泡桐幼苗栽培的土壤含水率检测方法,包括:S110,获取由摄像头采集的土壤状态监测图像;S120,将所述土壤状态监测图像通过基于卷积神经网络模型的土壤特征提取器以得到土壤状态特征图;S130,对所述土壤状态特征图进行特征分布优化以得到优化土壤状态特征图;S140,将所述优化土壤状态特征图的沿通道维度的各个特征矩阵进行特征矩阵展开以得到多个土壤状态局部特征展开特征向量;S150,将所述多个土壤状态局部特征展开特征向量通过基于转换器的上下文编码器以得到第一尺度土壤状态全局语义特征向量;S160,将所述多个土壤状态局部特征展开特征向量进行级联以得到第二尺度土壤状态全局语义特征向量;S170,融合所述第一尺度土壤状态全局语义特征向量和所述第二尺度土壤状态全局语义特征向量以得到土壤状态特征向量;以及,S180,将所述土壤状态特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示土壤含水率。
图3是本申请实施例的用于泡桐幼苗栽培的土壤含水率检测方法的模型架构的示意图。如图3所示,所述用于泡桐幼苗栽培的土壤含水率检测方法的模型架构的输入为土壤状态监测图像。首先,将所述土壤状态监测图像通过基于卷积神经网络模型的土壤特征提取器以得到土壤状态特征图,并对所述土壤状态特征图进行特征分布优化以得到优化土壤状态特征图。然后,将所述优化土壤状态特征图的沿通道维度的各个特征矩阵进行特征矩阵展开以得到多个土壤状态局部特征展开特征向量。接着,将所述多个土壤状态局部特征展开特征向量通过基于转换器的上下文编码器以得到第一尺度土壤状态全局语义特征向量。同时,将所述多个土壤状态局部特征展开特征向量进行级联以得到第二尺度土壤状态全局语义特征向量。再然后,融合所述第一尺度土壤状态全局语义特征向量和所述第二尺度土壤状态全局语义特征向量以得到土壤状态特征向量。接着,将所述土壤状态特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示土壤含水率。
步骤S110,获取由摄像头采集的土壤状态监测图像。应理解,考虑到在实际进行泡桐幼苗栽培的土壤含水率检测过程中,可以通过对于摄像头采集的土壤状态监测图像进行图像分析来实现无触式土壤水分检测,以在保证检测效率和精准度的同时,避免造成土壤生态环境的破坏。可选地,在本申请一实施例中,通过摄像头采集用于泡桐幼苗栽培的土壤状态监测图像。
步骤S120,将所述土壤状态监测图像通过基于卷积神经网络模型的土壤特征提取器以得到土壤状态特征图。应理解,使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行图像中关于土壤状态的隐含特征挖掘。也就是,具体地,将所述土壤状态监测图像通过基于卷积神经网络模型的土壤特征提取器中进行特征提取,以提取出所述土壤状态监测图像中关于土壤的颜色、纹理和形态等土壤状态的隐含特征分布信息,从而得到土壤状态特征图。应可以理解,卷积神经网络是一种能够自动提取图像特征的深度学习模型,其能够有效地学习到图像中的局部特征,从而得到更加准确的特征表示。因此,基于卷积神经网络模型的土壤特征提取器可以从土壤图像中提取出与土壤含水率相关的特征信息,为后续的土壤含水率检测提供有力的支持。
可选地,在本申请一实施例中,将所述土壤状态监测图像通过基于卷积神经网络模型的土壤特征提取器以得到土壤状态特征图,包括:使用所述基于卷积神经网络模型的土壤特征提取器以如下特征提取公式对所述土壤状态监测图像进行处理以得到所述土壤状态特征图;
其中,所述特征提取公式为:
fi=GP{Sigmoid(Ni×fi-1+Bi)}
其中,fi-1为第i层土壤特征提取器的输入,fi为第i层土壤特征提取器的输出,Ni为第i层土壤特征提取器的过滤器,且Bi为第i层土壤特征提取器的偏置矩阵,Sigmoid表示非线性激活函数,且GP表示对特征图的每个特征矩阵进行局部特征池化操作。
步骤S130,对所述土壤状态特征图进行特征分布优化以得到优化土壤状态特征图。应理解,由于后续需要将所述土壤状态特征图的沿通道维度的各个特征矩阵进行矩阵展开,而所述土壤状态特征图的沿通道维度的各个特征矩阵表达所述土壤状态监测图像的图像特征语义,且各个特征矩阵之间遵循卷积神经网络模型的通道维度分布,因此,所述各个特征矩阵之间会具有由通道分布差异导致的高维特征流形的流形几何表示的不一致性。
并且,在对各个特征矩阵进行特征矩阵展开,并进行基于转换器的上下文关联特征编码或者直接级联时,都无法消除所述各个特征矩阵之间的高维特征流形的流形几何表示的显式差异,从而影响融合所述第一尺度土壤状态全局语义特征向量和所述第二尺度土壤状态全局语义特征向量得到的所述土壤状态特征向量通过解码器进行解码回归时的收敛难度,即,降低了训练速度和收敛到的解码值的准确性。因此,本申请计算所述土壤状态特征图的每个特征矩阵的基于凸分解的特征几何度量的逐片近似因数。
可选地,在本申请一实施例中,对所述土壤状态特征图进行特征分布优化以得到优化土壤状态特征图,包括:S210,计算所述土壤状态特征图沿通道维度的各个土壤状态特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到多个基于凸分解的特征几何度量的逐片近似因数;S220,以所述多个基于凸分解的特征几何度量的逐片近似因数作为加权系数对所述多个土壤状态特征矩阵进行加权优化以得到多个优化后土壤状态特征矩阵;S230,将所述多个优化后土壤状态特征矩阵进行维度重构以得到所述优化土壤状态特征图。
可选地,在本申请一实施例中,计算所述土壤状态特征图沿通道维度的各个土壤状态特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到多个基于凸分解的特征几何度量的逐片近似因数,包括:
以如下优化公式计算所述土壤状态特征图沿通道维度的各个土壤状态特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到所述多个基于凸分解的特征几何度量的逐片近似因数;
其中,所述优化公式为:
其中,Vij是第i个所述土壤状态特征矩阵的第j个行向量或者列向量,Sigmoid(·)表示Sigmoid函数,LogSumExp(·)表示LogSumExp函数,[:V:]表示将各个向量级联,且表示向量的二范数的平方,wi表示所述多个基于凸分解的特征几何度量的逐片近似因数中第i个基于凸分解的特征几何度量的逐片近似因数。
具体地,所述基于凸分解的特征几何度量的逐片近似因数可以通过LogSumExp的平滑最大函数来定义每个分类特征矩阵的高维特征流形的局部几何形状间的符号化距离度量,以基于高维特征流形的凸多面体(convex polytope)分解来获得每个凸多面体对象的可微的凸指示符(convex indicator),并进而以Sigmoid函数确定用于表达高维特征流形的可学习的逐片(piece-wise)凸分解的超平面距离参数,以近似地度量特征几何。这样,通过以所述基于凸分解的特征几何度量的逐片近似因数对各个特征矩阵进行加权,就可以提升所述土壤状态特征图的不同通道下的不同特征矩阵之间的高维特征流形的流形几何表示的一致性,从而降低所述土壤状态特征向量通过解码器进行解码回归时的收敛难度,即,改进了训练速度和收敛到的解码值的准确性。这样,能够实现无触式土壤含水率的准确检测,以确保泡桐幼苗的健康生长。
步骤S140,将所述优化土壤状态特征图的沿通道维度的各个特征矩阵进行特征矩阵展开以得到多个土壤状态局部特征展开特征向量。应理解,考虑到由于所述土壤状态特征图中的每个特征矩阵都代表了土壤状态的不同局部特征信息,例如土壤的颜色、纹理、形态等。并且,这些关于土壤状态的不同局部特征信息之间具有着隐含的关联关系。因此,在本申请的技术方案中,为了能够充分地提取出关于土壤状态的特征信息,以此来进行土壤含水率的检测,需要对于这些局部的隐含特征进行关联性的特征信息捕捉。基于此,需要首先将所述土壤状态特征图的沿通道维度的各个特征矩阵进行特征矩阵展开以得到多个土壤状态局部特征展开特征向量,特别地,这里,每个所述土壤状态局部特征展开特征向量代表了土壤状态的每个局部特征。
步骤S150,将所述多个土壤状态局部特征展开特征向量通过基于转换器的上下文编码器以得到第一尺度土壤状态全局语义特征向量。应理解,考虑到由于所述土壤状态的各个局部特征之间具有着隐含关联性关系,这些土壤状态的局部隐含关联特征共同对于土壤的含水率检测产生影响,因此,在本申请的技术方案中,进一步再将所述多个土壤状态局部特征展开特征向量通过基于转换器的上下文编码器中进行编码,以此来提取出所述土壤状态的各个局部特征之间基于全局的语义关联特征信息,从而得到第一尺度土壤状态全局语义特征向量。
可选地,在本申请一实施例中,将所述多个土壤状态局部特征展开特征向量通过基于转换器的上下文编码器以得到第一尺度土壤状态全局语义特征向量,包括:S310,将所述多个土壤状态局部特征展开特征向量的序列进行一维排列以得到土壤状态特征向量;S320,计算所述土壤状态特征向量与所述多个土壤状态局部特征展开特征向量的序列中各个土壤状态局部特征展开特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;S330,分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;S340,将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;S350,分别以所述多个概率值中各个概率值作为权重对所述多个土壤状态局部特征展开特征向量的序列中各个土壤状态局部特征展开特征向量进行加权以得到多个土壤状态上下文特征向量;以及,S360,将所述多个土壤状态上下文特征向量进行级联以得到所述第一尺度土壤状态全局语义特征向量。
步骤S160,将所述多个土壤状态局部特征展开特征向量进行级联以得到第二尺度土壤状态全局语义特征向量。应理解,将所述多个土壤状态局部特征展开特征向量进行级联以得到第二尺度土壤状态全局语义特征向量,以此来表示所述土壤状态的全局隐含特征信息。
可选地,在本申请一实施例中,将所述多个土壤状态局部特征展开特征向量进行级联以得到第二尺度土壤状态全局语义特征向量,包括:使用如下级联函数来对所述多个土壤状态局部特征展开特征向量进行级联以得到所述第二尺度土壤状态全局语义特征向量;
其中,所述级联函数为:
f(Xi)=Relu(Wf[θ(Xi)])
其中,Xi表示所述多个土壤状态局部特征展开特征向量,θ(Xi)表示对所述多个土壤状态局部特征展开特征向量进行点卷积,Wf表示对输入进行点卷积,Relu为激活函数,[]表示拼接操作,f(Xi)表示所述第二尺度土壤状态全局语义特征向量。
步骤S170,融合所述第一尺度土壤状态全局语义特征向量和所述第二尺度土壤状态全局语义特征向量以得到土壤状态特征向量。应理解,融合所述第一尺度土壤状态全局语义特征向量和所述第二尺度土壤状态全局语义特征向量以得到土壤状态特征向量,以此来表示所述土壤状态的各个局部隐含特征信息之间基于全局长距离依赖关联和局部短距离依赖关联的多尺度特征分布信息。
可选地,在本申请一实施例中,融合所述第一尺度土壤状态全局语义特征向量和所述第二尺度土壤状态全局语义特征向量以得到土壤状态特征向量,包括:以如下级联公式融合所述第一尺度土壤状态全局语义特征向量和所述第二尺度土壤状态全局语义特征向量以得到所述土壤状态特征向量;
其中,所述级联公式为:
V=Concat[V1,V2]
其中,V1是所述第一尺度土壤状态全局语义特征向量,V2是所述第二尺度土壤状态全局语义特征向量,V是所述土壤状态特征向量,Concat[·,·]表示级联函数。
步骤S180,将所述土壤状态特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示土壤含水率。应理解,将所述土壤状态特征向量通过解码器中进行解码回归以得到解码值,所述解码值用于表示土壤含水率。也就是,以所述土壤状态的各个局部特征的多尺度关联特征信息来进行解码,从而对于土壤含水率进行检测,以确保泡桐幼苗的健康生长。
可选地,在本申请一实施例中,将所述土壤状态特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示土壤含水率,包括:使用所述解码器以如下解码公式对所述土壤状态特征向量进行解码回归以得到所述用于表示土壤含水率的解码值,其中,所述公式为其中,V表示所述土壤状态特征向量,Y是所述用于表示土壤含水率的解码值,W是所述解码器的权重矩阵,/>表示矩阵乘法。
综上,本申请提供的一种用于泡桐幼苗栽培的土壤含水率检测方法,其首先获取由摄像头采集的土壤状态监测图像,然后,将所述土壤状态监测图像分别通过基于卷积神经网络模型的土壤特征提取器、进行特征分布优化和特征矩阵展开以得到多个土壤状态局部特征展开特征向量;接着,分别将所述多个土壤状态局部特征展开特征向量通过基于转换器的上下文编码器和级联并融合以得到土壤状态特征向量;最后,将所述土壤状态特征向量通过解码器进行解码回归以得到用于表示土壤含水率的解码值,通过这样的方式,来实现无触式土壤含水率的准确检测,以确保泡桐幼苗的健康生长。
图6是本申请实施例的用于泡桐幼苗栽培的土壤含水率检测系统的示意性框图。如图6所示,所述用于泡桐幼苗栽培的土壤含水率检测系统包括:用于泡桐幼苗栽培的土壤含水率检测系统100,包括:监测图像获取模块110,用于获取由摄像头采集的土壤状态监测图像;土壤特征提取模块120,用于将所述土壤状态监测图像通过基于卷积神经网络模型的土壤特征提取器以得到土壤状态特征图;特征分布优化模块130,用于对所述土壤状态特征图进行特征分布优化以得到优化土壤状态特征图;特征矩阵展开模块140,用于将所述优化土壤状态特征图的沿通道维度的各个特征矩阵进行特征矩阵展开以得到多个土壤状态局部特征展开特征向量;上下文编码模块150,用于将所述多个土壤状态局部特征展开特征向量通过基于转换器的上下文编码器以得到第一尺度土壤状态全局语义特征向量;向量级联模块160,用于将所述多个土壤状态局部特征展开特征向量进行级联以得到第二尺度土壤状态全局语义特征向量;特征向量融合模块170,用于融合所述第一尺度土壤状态全局语义特征向量和所述第二尺度土壤状态全局语义特征向量以得到土壤状态特征向量;以及,向量解码模块180,用于将所述土壤状态特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示土壤含水率。
可选地,在本申请一实施例中,所述土壤特征提取模块120,用于:使用所述基于卷积神经网络模型的土壤特征提取器以如下特征提取公式对所述土壤状态监测图像进行处理以得到所述土壤状态特征图;其中,所述特征提取公式为:
fi=GP{Sigmoid(Ni×fi-1+Bi)}
其中,fi-1为第i层土壤特征提取器的输入,fi为第i层土壤特征提取器的输出,Ni为第i层土壤特征提取器的过滤器,且Bi为第i层土壤特征提取器的偏置矩阵,Sigmoid表示非线性激活函数,且GP表示对特征图的每个特征矩阵进行局部特征池化操作。
可选地,在本申请一实施例中,所述特征分布优化模块130,包括:逐片近似因数计算单元,用于计算所述土壤状态特征图沿通道维度的各个土壤状态特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到多个基于凸分解的特征几何度量的逐片近似因数;加权优化单元,用于以所述多个基于凸分解的特征几何度量的逐片近似因数作为加权系数对所述多个土壤状态特征矩阵进行加权优化以得到多个优化后土壤状态特征矩阵;以及,维度重构单元,用于将所述多个优化后土壤状态特征矩阵进行维度重构以得到所述优化土壤状态特征图。
可选地,在本申请一实施例中,所述逐片近似因数计算单元,用于:以如下优化公式计算所述土壤状态特征图沿通道维度的各个土壤状态特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到所述多个基于凸分解的特征几何度量的逐片近似因数;
其中,所述优化公式为:
其中,Vij是第i个所述土壤状态特征矩阵的第j个行向量或者列向量,Sigmoid(·)表示Sigmoid函数,LogSumExp(·)表示LogSumExp函数,[:V:]表示将各个向量级联,且表示向量的二范数的平方,wi表示所述多个基于凸分解的特征几何度量的逐片近似因数中第i个基于凸分解的特征几何度量的逐片近似因数。
可选地,在本申请一实施例中,所述上下文编码模块150,包括:将所述多个土壤状态局部特征展开特征向量的序列进行一维排列以得到土壤状态特征向量;计算所述土壤状态特征向量与所述多个土壤状态局部特征展开特征向量的序列中各个土壤状态局部特征展开特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;分别以所述多个概率值中各个概率值作为权重对所述多个土壤状态局部特征展开特征向量的序列中各个土壤状态局部特征展开特征向量进行加权以得到多个土壤状态上下文特征向量;以及,将所述多个土壤状态上下文特征向量进行级联以得到所述第一尺度土壤状态全局语义特征向量。
可选地,在本申请一实施例中,所述特征向量融合模块170,包括:以如下级联公式融合所述第一尺度土壤状态全局语义特征向量和所述第二尺度土壤状态全局语义特征向量以得到所述土壤状态特征向量;
其中,所述级联公式为:
V=Concat[V1,V2]
其中,V1是所述第一尺度土壤状态全局语义特征向量,V2是所述第二尺度土壤状态全局语义特征向量,V是所述土壤状态特征向量,Concat[·,·]表示级联函数。
可选地,在本申请一实施例中,所述向量解码模块180,包括:使用所述解码器以如下解码公式对所述土壤状态特征向量进行解码回归以得到所述用于表示土壤含水率的解码值,其中,所述公式为其中,V表示所述土壤状态特征向量,Y是所述用于表示土壤含水率的解码值,W是所述解码器的权重矩阵,/>表示矩阵乘法。
这里,本领域技术人员可以理解,上述用于泡桐幼苗栽培的土壤含水率检测系统中的各个模块和单元的具体操作已经在上面参考图2到图5的用于泡桐幼苗栽培的土壤含水率检测方法的描述中得到了详细介绍,并因此,将省略其重复描述。
本发明实施例还提供一种芯片系统,芯片系统包括至少一个处理器,当程序指令在该至少一个处理器中执行时,使得本申请实施例提供的方法得以实现。
本发明实施例还提供一种计算机存储介质,其上存储有计算机程序,该计算机程序被计算机执行时使得,该计算机执行上述方法实施例的方法。
本发明实施例还提供一种包含指令的计算机程序产品,该指令被计算机执行时使得计算机执行上述方法实施例的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其他任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc,DVD))、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
Claims (10)
1.一种用于泡桐幼苗栽培的土壤含水率检测方法,其特征在于,包括:
获取由摄像头采集的土壤状态监测图像;
将所述土壤状态监测图像通过基于卷积神经网络模型的土壤特征提取器以得到土壤状态特征图;
对所述土壤状态特征图进行特征分布优化以得到优化土壤状态特征图;
将所述优化土壤状态特征图的沿通道维度的各个特征矩阵进行特征矩阵展开以得到多个土壤状态局部特征展开特征向量;
将所述多个土壤状态局部特征展开特征向量通过基于转换器的上下文编码器以得到第一尺度土壤状态全局语义特征向量;
将所述多个土壤状态局部特征展开特征向量进行级联以得到第二尺度土壤状态全局语义特征向量;
融合所述第一尺度土壤状态全局语义特征向量和所述第二尺度土壤状态全局语义特征向量以得到土壤状态特征向量;
将所述土壤状态特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示土壤含水率。
2.根据权利要求1所述的用于泡桐幼苗栽培的土壤含水率检测方法,其特征在于,将所述土壤状态监测图像通过基于卷积神经网络模型的土壤特征提取器以得到土壤状态特征图,包括:使用所述基于卷积神经网络模型的土壤特征提取器以如下特征提取公式对所述土壤状态监测图像进行处理以得到所述土壤状态特征图;
其中,所述特征提取公式为:
fi=GP{Sigmoid(Ni×fi-1+Bi)}
其中,fi-1为第i层土壤特征提取器的输入,fi为第i层土壤特征提取器的输出,Ni为第i层土壤特征提取器的过滤器,且Bi为第i层土壤特征提取器的偏置矩阵,Sigmoid表示非线性激活函数,且GP表示对特征图的每个特征矩阵进行局部特征池化操作。
3.根据权利要求2所述的用于泡桐幼苗栽培的土壤含水率检测方法,其特征在于,对所述土壤状态特征图进行特征分布优化以得到优化土壤状态特征图,包括:
计算所述土壤状态特征图沿通道维度的各个土壤状态特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到多个基于凸分解的特征几何度量的逐片近似因数;
以所述多个基于凸分解的特征几何度量的逐片近似因数作为加权系数对所述多个土壤状态特征矩阵进行加权优化以得到多个优化后土壤状态特征矩阵;
将所述多个优化后土壤状态特征矩阵进行维度重构以得到所述优化土壤状态特征图。
4.根据权利要求3所述的用于泡桐幼苗栽培的土壤含水率检测方法,其特征在于,计算所述土壤状态特征图沿通道维度的各个土壤状态特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到多个基于凸分解的特征几何度量的逐片近似因数,包括:
以如下优化公式计算所述土壤状态特征图沿通道维度的各个土壤状态特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到所述多个基于凸分解的特征几何度量的逐片近似因数;
其中,所述优化公式为:
其中,Vij是第i个所述土壤状态特征矩阵的第j个行向量或者列向量,Sigmoid(·)表示Sigmoid函数,LogSumExp(·)表示LogSumExp函数,[:V:]表示将各个向量级联,且表示向量的二范数的平方,wi表示所述多个基于凸分解的特征几何度量的逐片近似因数中第i个基于凸分解的特征几何度量的逐片近似因数。
5.根据权利要求4所述的用于泡桐幼苗栽培的土壤含水率检测方法,其特征在于,将所述多个土壤状态局部特征展开特征向量通过基于转换器的上下文编码器以得到第一尺度土壤状态全局语义特征向量,包括:
将所述多个土壤状态局部特征展开特征向量的序列进行一维排列以得到土壤状态特征向量;
计算所述土壤状态特征向量与所述多个土壤状态局部特征展开特征向量的序列中各个土壤状态局部特征展开特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;
分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;
将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;
分别以所述多个概率值中各个概率值作为权重对所述多个土壤状态局部特征展开特征向量的序列中各个土壤状态局部特征展开特征向量进行加权以得到多个土壤状态上下文特征向量;以及
将所述多个土壤状态上下文特征向量进行级联以得到所述第一尺度土壤状态全局语义特征向量。
6.根据权利要求5所述的用于泡桐幼苗栽培的土壤含水率检测方法,其特征在于,融合所述第一尺度土壤状态全局语义特征向量和所述第二尺度土壤状态全局语义特征向量以得到土壤状态特征向量,包括:以如下级联公式融合所述第一尺度土壤状态全局语义特征向量和所述第二尺度土壤状态全局语义特征向量以得到所述土壤状态特征向量;
其中,所述级联公式为:
V=Concat[V1,V2]
其中,V1是所述第一尺度土壤状态全局语义特征向量,V2是所述第二尺度土壤状态全局语义特征向量,V是所述土壤状态特征向量,Concat[·,·]表示级联函数。
7.根据权利要求6所述的用于泡桐幼苗栽培的土壤含水率检测方法,其特征在于,将所述土壤状态特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示土壤含水率,包括:使用所述解码器以如下解码公式对所述土壤状态特征向量进行解码回归以得到所述用于表示土壤含水率的解码值,其中,所述公式为其中,V表示所述土壤状态特征向量,Y是所述用于表示土壤含水率的解码值,W是所述解码器的权重矩阵,表示矩阵乘法。
8.一种用于泡桐幼苗栽培的土壤含水率检测系统,其特征在于,包括:
监测图像获取模块,用于获取由摄像头采集的土壤状态监测图像;
土壤特征提取模块,用于将所述土壤状态监测图像通过基于卷积神经网络模型的土壤特征提取器以得到土壤状态特征图;
特征分布优化模块,用于对所述土壤状态特征图进行特征分布优化以得到优化土壤状态特征图;
特征矩阵展开模块,用于将所述优化土壤状态特征图的沿通道维度的各个特征矩阵进行特征矩阵展开以得到多个土壤状态局部特征展开特征向量;
上下文编码模块,用于将所述多个土壤状态局部特征展开特征向量通过基于转换器的上下文编码器以得到第一尺度土壤状态全局语义特征向量;
向量级联模块,用于将所述多个土壤状态局部特征展开特征向量进行级联以得到第二尺度土壤状态全局语义特征向量;
特征向量融合模块,用于融合所述第一尺度土壤状态全局语义特征向量和所述第二尺度土壤状态全局语义特征向量以得到土壤状态特征向量;
向量解码模块,用于将所述土壤状态特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示土壤含水率。
9.根据权利要求8所述的用于泡桐幼苗栽培的土壤含水率检测系统,其特征在于,所述特征分布优化模块,包括:
逐片近似因数计算单元,用于计算所述土壤状态特征图沿通道维度的各个土壤状态特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到多个基于凸分解的特征几何度量的逐片近似因数;
加权优化单元,用于以所述多个基于凸分解的特征几何度量的逐片近似因数作为加权系数对所述多个土壤状态特征矩阵进行加权优化以得到多个优化后土壤状态特征矩阵;
维度重构单元,用于将所述多个优化后土壤状态特征矩阵进行维度重构以得到所述优化土壤状态特征图。
10.根据权利要求9所述的用于泡桐幼苗栽培的土壤含水率检测系统,其特征在于,所述逐片近似因数计算单元,用于:
以如下优化公式计算所述土壤状态特征图沿通道维度的各个土壤状态特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到所述多个基于凸分解的特征几何度量的逐片近似因数;
其中,所述优化公式为:
其中,Vij是第i个所述土壤状态特征矩阵的第j个行向量或者列向量,Sigmoid(·)表示Sigmoid函数,LogSumExp(·)表示LogSumExp函数,[:V:]表示将各个向量级联,且表示向量的二范数的平方,wi表示所述多个基于凸分解的特征几何度量的逐片近似因数中第i个基于凸分解的特征几何度量的逐片近似因数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310698223.9A CN116740567A (zh) | 2023-06-13 | 2023-06-13 | 用于泡桐幼苗栽培的土壤含水率检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310698223.9A CN116740567A (zh) | 2023-06-13 | 2023-06-13 | 用于泡桐幼苗栽培的土壤含水率检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116740567A true CN116740567A (zh) | 2023-09-12 |
Family
ID=87905698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310698223.9A Pending CN116740567A (zh) | 2023-06-13 | 2023-06-13 | 用于泡桐幼苗栽培的土壤含水率检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116740567A (zh) |
Cited By (1)
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 |
-
2023
- 2023-06-13 CN CN202310698223.9A patent/CN116740567A/zh active Pending
Cited By (1)
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113095370B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN111126481A (zh) | 一种神经网络模型的训练方法及装置 | |
CN116740567A (zh) | 用于泡桐幼苗栽培的土壤含水率检测方法及系统 | |
CN111539314A (zh) | 面向云雾遮挡的海面目标显著性检测方法 | |
CN116977001A (zh) | 地质灾害防治工程造价管理系统及其方法 | |
CN112036249A (zh) | 端对端行人检测及属性识别的方法、系统、介质及终端 | |
CN114511710A (zh) | 一种基于卷积神经网络的图像目标检测方法 | |
CN113988357A (zh) | 基于深度学习的高层建筑风致响应预测方法及装置 | |
CN112785479B (zh) | 一种基于少样本学习的图像隐形水印通用检测方法 | |
CN114022742B (zh) | 红外与可见光图像融合方法、装置及计算机存储介质 | |
CN112884721B (zh) | 一种异常检测方法、系统及计算机可读存储介质 | |
CN116431004B (zh) | 康复机器人交互行为的控制方法及系统 | |
CN116664213A (zh) | 基于大数据分析的农产品市场价格预警管理系统及方法 | |
CN112464172A (zh) | 生长参数主被动遥感反演方法及装置 | |
CN117079005A (zh) | 一种光缆故障监测方法、系统、装置及可读存储介质 | |
CN109800815B (zh) | 基于随机森林模型的训练方法、小麦识别方法和训练系统 | |
CN116342628A (zh) | 病理图像分割方法、装置和计算机设备 | |
CN111478742A (zh) | 一种sm4算法的分析方法、系统以及设备 | |
CN116168235A (zh) | 一种基于双分支注意力网络的高光谱图像分类方法 | |
CN116246171A (zh) | 一种空-谱多尺度高光谱遥感图像目标检测方法及设备 | |
CN115565115A (zh) | 一种舾装件智能识别方法、计算机设备 | |
CN115578624A (zh) | 农业病虫害模型构建方法、检测方法及装置 | |
CN114140879A (zh) | 基于多头级联注意网络与时间卷积网络的行为识别方法及装置 | |
CN115757365A (zh) | 多维时序数据异常检测方法、模型训练方法及装置 | |
CN112200222A (zh) | 模型训练设备 |
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 |