CN117764762B - 用于提高玉米种植中氮肥利用率的方法 - Google Patents
用于提高玉米种植中氮肥利用率的方法 Download PDFInfo
- Publication number
- CN117764762B CN117764762B CN202410194836.3A CN202410194836A CN117764762B CN 117764762 B CN117764762 B CN 117764762B CN 202410194836 A CN202410194836 A CN 202410194836A CN 117764762 B CN117764762 B CN 117764762B
- Authority
- CN
- China
- Prior art keywords
- feature map
- growth state
- corn growth
- corn
- depth
- 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
Links
- 240000008042 Zea mays Species 0.000 title claims abstract description 306
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 306
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 306
- 235000005822 corn Nutrition 0.000 title claims abstract description 306
- 239000000618 nitrogen fertilizer Substances 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000012010 growth Effects 0.000 claims abstract description 291
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 118
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 59
- 239000002689 soil Substances 0.000 claims abstract description 57
- 238000011161 development Methods 0.000 claims abstract description 35
- 230000014509 gene expression Effects 0.000 claims description 51
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000012546 transfer Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 238000005728 strengthening Methods 0.000 claims 2
- 238000005070 sampling Methods 0.000 claims 1
- 239000013589 supplement Substances 0.000 abstract description 3
- 238000009826 distribution Methods 0.000 description 17
- 241000196324 Embryophyta Species 0.000 description 9
- 241001057636 Dracaena deremensis Species 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000004720 fertilization Effects 0.000 description 4
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 3
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 3
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 108020004707 nucleic acids Proteins 0.000 description 2
- 102000039446 nucleic acids Human genes 0.000 description 2
- 150000007523 nucleic acids Chemical class 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000020477 pH reduction Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种用于提高玉米种植中氮肥利用率的方法，涉及农业管理技术领域。包括：获取由摄像头采集的玉米生长发育状态图像；提取玉米生长发育状态图像的多深度特征，以得到多深度玉米生长状态信息特征图；基于多深度玉米生长状态信息特征图确定土壤氮含量推荐值；基于土壤氮含量推荐值和当前土壤氮含量之间的比较确定是否需要施加氮肥。本发明提供了一种科学的氮肥施用方法，该方法可以基于土壤氮含量的推荐值适时适量地补充氮肥，以实现氮肥的合理施用，进而提高氮肥利用率。
Description
技术领域
本发明涉及农业管理技术领域，且更为具体地，涉及一种用于提高玉米种植中氮肥利用率的方法。
背景技术
玉米作为全球重要的农作物之一，其产量和品质受到多种因素的影响，其中氮肥的施用是影响玉米生长和产量的重要因素之一。氮肥中的氮元素是构成植物体内多种生物化学物质的重要成分，如蛋白质、核酸、氨基酸等。这些生物化学物质的形成和合成都需要充足的氮元素才能顺利进行，因此，供应充足的氮肥可以使植株健壮生长，快速增长。
在玉米种植中使用氮肥可以提高产量和植株的生长速度，但是，氮肥过量会导致玉米植株徒长，茎秆细弱，容易倒伏，影响玉米的产量和品质，并且污染水源和土壤，对生态环境造成不良影响。
传统的氮肥施用往往依赖于人工经验，这种施肥方式缺乏科学依据，容易受到个人主观因素的影响，导致施肥不足或施肥过量。因此，期待一种优化的用于提高玉米种植中氮肥利用率的方法。
发明内容
为了解决上述技术问题，本发明实施例提供了一种用于提高玉米种植中氮肥利用率的方法。本发明采用的技术方案如下：
一种用于提高玉米种植中氮肥利用率的方法，其包括：
获取由摄像头采集的玉米生长发育状态图像；
提取所述玉米生长发育状态图像的多深度特征，以得到多深度玉米生长状态信息特征图；
基于所述多深度玉米生长状态信息特征图，确定土壤氮含量推荐值；
基于所述土壤氮含量推荐值和当前土壤氮含量之间的比较，确定是否需要施加氮肥。
在上述用于提高玉米种植中氮肥利用率的方法中，提取所述玉米生长发育状态图像的多深度特征，以得到多深度玉米生长状态信息特征图，包括：提取所述玉米生长发育状态图像的生长状态浅层特征，以得到玉米生长状态浅层特征图；对所述玉米生长状态浅层特征图进行特征强化表达，以得到空间维度强化表达玉米生长状态浅层特征图；提取所述空间维度强化表达玉米生长状态浅层特征图的生长状态语义特征，以得到玉米生长状态语义特征图；融合所述玉米生长状态语义特征图和所述空间维度强化表达玉米生长状态浅层特征图，以得到所述多深度玉米生长状态信息特征图。
在上述用于提高玉米种植中氮肥利用率的方法中，提取所述玉米生长发育状态图像的生长状态浅层特征，以得到玉米生长状态浅层特征图，包括：将所述玉米生长发育状态图像通过基于第一卷积神经网络模型的生长状态浅层特征提取器，以得到所述玉米生长状态浅层特征图。
在上述用于提高玉米种植中氮肥利用率的方法中，所述基于第一卷积神经网络模型的生长状态浅层特征提取器包括输入层、卷积层、基于ReLU激活函数的激活层、池化层和全连接层。
在上述用于提高玉米种植中氮肥利用率的方法中，对所述玉米生长状态浅层特征图进行特征强化表达，以得到空间维度强化表达玉米生长状态浅层特征图，包括：将所述玉米生长状态浅层特征图通过空间自注意力强化模块，以得到所述空间维度强化表达玉米生长状态浅层特征图。
在上述用于提高玉米种植中氮肥利用率的方法中，将所述玉米生长状态浅层特征图通过空间自注意力强化模块，以得到所述空间维度强化表达玉米生长状态浅层特征图，包括：将所述玉米生长状态浅层特征图通过第一卷积层，以得到降维特征图；将所述降维特征图通过第二卷积层，以得到高效关联构造图；利用余弦相似性操作计算所述高效关联构造图的关系矩阵；利用Softmax函数对所述关系矩阵进行归一化处理，以得到归一化后关系矩阵；利用逐元素相乘操作完成所述归一化后关系矩阵对所述降维特征图中任意两个特征值之间关系的建模，以得到关联特征图；对所述关联特征图进行反卷积操作，以得到反卷积后关联特征图；将所述反卷积后关联特征图与所述降维特征图进行逐元素相加，以得到初步结果特征图；对所述初步结果特征图进行通道扩充得到扩充后初步结果特征图后，将所述扩充后初步结果特征图和所述玉米生长状态浅层特征图残差连接，以得到所述空间维度强化表达玉米生长状态浅层特征图。
在上述用于提高玉米种植中氮肥利用率的方法中，提取所述空间维度强化表达玉米生长状态浅层特征图的生长状态语义特征，以得到玉米生长状态语义特征图，包括：将所述空间维度强化表达玉米生长状态浅层特征图通过基于第二卷积神经网络模型的生长状态语义特征提取器，以得到所述玉米生长状态语义特征图。
在上述用于提高玉米种植中氮肥利用率的方法中，融合所述玉米生长状态语义特征图和所述空间维度强化表达玉米生长状态浅层特征图，以得到所述多深度玉米生长状态信息特征图，包括：使用跨深度信息传递融合模块对所述玉米生长状态语义特征图和所述空间维度强化表达玉米生长状态浅层特征图进行处理，以得到所述多深度玉米生长状态信息特征图。
在上述用于提高玉米种植中氮肥利用率的方法中，使用跨深度信息传递融合模块对所述玉米生长状态语义特征图和所述空间维度强化表达玉米生长状态浅层特征图进行处理，以得到所述多深度玉米生长状态信息特征图，包括：对所述玉米生长状态语义特征图进行上采样和卷积处理，以得到重构玉米生长状态语义特征图；计算所述重构玉米生长状态语义特征图和所述空间维度强化表达玉米生长状态浅层特征图之间的按位置差值，以得到差值特征图；将所述差值特征图进行基于Sigmoid函数的非线性激活处理，以得到掩码特征图；将所述空间维度强化表达玉米生长状态浅层特征图与所述掩码特征图进行点乘，以得到融合特征图；对所述融合特征图进行基于注意力的PMA池化操作，以得到所述多深度玉米生长状态信息特征图。
在上述用于提高玉米种植中氮肥利用率的方法中，基于所述多深度玉米生长状态信息特征图，确定土壤氮含量推荐值，包括：对所述多深度玉米生长状态信息特征图进行优化，以得到优化后多深度玉米生长状态信息特征图；将所述优化后多深度玉米生长状态信息特征图通过基于解码器的土壤氮含量推荐值生成器，以得到所述土壤氮含量推荐值。
与现有技术相比，本发明提供的用于提高玉米种植中氮肥利用率的方法，通过获取玉米生长发育状态图像并提取其多深度特征得到多深度玉米生长状态信息特征图后，基于多深度玉米生长状态信息特征图确定土壤氮含量推荐值，进而基于土壤氮含量推荐值和当前土壤氮含量之间的比较确定是否需要施加氮肥，提供了一种科学的氮肥施用方法，该方法可以基于土壤氮含量的推荐值适时适量地补充氮肥，以实现氮肥的合理施用，进而提高氮肥利用率。
附图说明
通过结合附图对本发明实施例进行更详细的描述，本发明的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与本发明实施例一起用于解释本发明，并不构成对本发明的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为本发明实施例提供的用于提高玉米种植中氮肥利用率的方法的流程图。
图2为本发明实施例提供的用于提高玉米种植中氮肥利用率的方法的架构示意图。
图3为本发明实施例中提取所述玉米生长发育状态图像的多深度特征，以得到多深度玉米生长状态信息特征图的流程图。
图4为本发明实施例中将所述玉米生长状态浅层特征图通过空间自注意力强化模块，以得到所述空间维度强化表达玉米生长状态浅层特征图的流程图。
图5为本发明实施例中使用跨深度信息传递融合模块对所述玉米生长状态语义特征图和所述空间维度强化表达玉米生长状态浅层特征图进行处理，以得到所述多深度玉米生长状态信息特征图的流程图。
图6为本发明实施例中基于所述多深度玉米生长状态信息特征图确定土壤氮含量推荐值的流程图。
具体实施方式
下面，将参考附图详细地描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。
图1为本发明实施例提供的用于提高玉米种植中氮肥利用率的方法的流程图。图2为本发明实施例提供的用于提高玉米种植中氮肥利用率的方法的架构示意图。如图1和图2所示，本发明实施例提供的用于提高玉米种植中氮肥利用率的方法，包括步骤：S110，获取由摄像头采集的玉米生长发育状态图像；S120，提取所述玉米生长发育状态图像的多深度特征，以得到多深度玉米生长状态信息特征图；S130，基于所述多深度玉米生长状态信息特征图，确定土壤氮含量推荐值；S140，基于所述土壤氮含量推荐值和当前土壤氮含量之间的比较，确定是否需要施加氮肥。
如上述背景技术所言，玉米是需氮量较高的作物之一，适量的氮肥供应对于玉米的生长和发育至关重要。氮是植物体内蛋白质、核酸、叶绿素等重要化合物的重要组成部分。施用氮肥可以增加玉米植株的穗数、粒数和粒重，促进叶片的发育，提高光合作用效率，从而为玉米的高产打下基础。
然而，不同的氮肥施用方式和施加时间对玉米植株产生的效果不同。过量的氮肥施用可能导致玉米植株过度生长，这意味着植株叶片过于繁茂，但茎秆却变得细弱。这样的玉米植株容易倒伏，抵抗风雨的能力降低，进而影响产量和品质。并且，过量的氮肥在土壤中积累，可能导致土壤酸化，破坏土壤结构，影响土壤的生态平衡。因此，在玉米种植中，应根据玉米的生长状态来合理施用氮肥，才能提高氮肥利用率，实现玉米的高产。传统氮肥施用依赖人工经验的施肥方式缺乏科学依据，容易受到个人主观因素的影响，导致施肥不足或施肥过量。
针对上述技术问题，本发明的技术构思为：对摄像头采集的玉米生长发育状态图像进行多深度特征提取，以获取多深度玉米生长状态信息特征图，并基于多深度玉米生长状态信息特征图解码出土壤氮含量推荐值。这样，可以基于土壤氮含量的推荐值适时适量地补充氮肥，以实现氮肥的合理施用，进而提高氮肥利用率。
在上述用于提高玉米种植中氮肥利用率的方法中，所述步骤S110，获取由摄像头采集的玉米生长发育状态图像。应可以理解，所述玉米生长发育状态图像可以提供丰富的视觉信息，包括叶片颜色、叶片形态、茎干高度、穗粒形成情况等。通过计算机视觉技术对所述玉米生长发育状态图像进行分析处理，可以了解玉米的健康程度、生长状态等信息，从而根据玉米的生长状态来适时适量地施加氮肥。在本发明的一个具体示例中，选择一台高分辨率相机来采集玉米生长发育状态图像，并根据实际情况调整相机的设置，包括曝光、对焦和白平衡等参数，确保相机具有良好的图像质量和适当的焦距，以获得清晰、准确的图像，从而实现玉米生长情况的非接触式监测。
在上述用于提高玉米种植中氮肥利用率的方法中，所述步骤S120，提取所述玉米生长发育状态图像的多深度特征，以得到多深度玉米生长状态信息特征图。应可以理解，玉米的生长过程可以分为不同的阶段，每个阶段对土壤氮含量的需求和利用效率都可能有所不同。通过提取多深度的玉米生长发育状态特征，可以更准确地了解玉米的生长发育情况，从而进行更加精确和适时的氮肥施用。具体来说，不同深度的特征可以提供不同层次的信息。浅层特征主要包含玉米的外观特征和形态信息，如叶片颜色、叶片形状等。而深层特征则更多地反映了玉米的组织特征，如叶片纹理、茎秆粗细等。通过融合多深度特征，可以综合考虑玉米的表面浅层特征和更深层的细节特征，得到更全面的玉米生长状态信息。
图3为本发明实施例中提取所述玉米生长发育状态图像的多深度特征，以得到多深度玉米生长状态信息特征图的流程图。如图3所示，所述步骤S120，包括：S121，提取所述玉米生长发育状态图像的生长状态浅层特征，以得到玉米生长状态浅层特征图；S122，对所述玉米生长状态浅层特征图进行特征强化表达，以得到空间维度强化表达玉米生长状态浅层特征图；S123，提取所述空间维度强化表达玉米生长状态浅层特征图的生长状态语义特征，以得到玉米生长状态语义特征图；S124，融合所述玉米生长状态语义特征图和所述空间维度强化表达玉米生长状态浅层特征图，以得到所述多深度玉米生长状态信息特征图。
在本发明的一个具体示例中，提取所述玉米生长发育状态图像的生长状态浅层特征，以得到玉米生长状态浅层特征图的编码方式是将所述玉米生长发育状态图像通过基于第一卷积神经网络模型的生长状态浅层特征提取器，以得到所述玉米生长状态浅层特征图。应可以理解，卷积神经网络（Convolutional Neural Network，CNN）是一种在计算机视觉任务中广泛应用的深度学习模型。通过在卷积层中使用卷积核进行特征提取，CNN可以学习到图像的局部特征，如边缘、纹理等。这些局部特征的组合可以形成更高级的特征表示，用于描述图像的整体特征。在玉米生长发育状态图像处理中，通过使用基于第一卷积神经网络模型的生长状态浅层特征提取器，可以从玉米生长发育状态图像中提取出与玉米生长状态相关的浅层特征表示，例如玉米植株的轮廓、叶片的形状、叶片的颜色分布等。这些特征信息能够提供关于玉米生长状态的基本信息，例如植株的生长情况和叶片的健康程度，进而为后续的分析和推断提供数据基础。更为具体地，所述基于第一卷积神经网络模型的生长状态浅层特征提取器包括输入层、卷积层、基于ReLU激活函数的激活层、池化层和全连接层。
具体地，所述步骤S122，对所述玉米生长状态浅层特征图进行特征强化表达，以得到空间维度强化表达玉米生长状态浅层特征图。在本发明的技术方案中，为了提高特征图的表达能力和区分度，更好地捕捉到图像中的空间关系和上下文信息，进一步对所述玉米生长状态浅层特征图进行空间维度特征强化表达。在本发明的一个具体示例中，对所述玉米生长状态浅层特征图进行特征强化表达，以得到空间维度强化表达玉米生长状态浅层特征图的实现方式是：将所述玉米生长状态浅层特征图通过空间自注意力强化模块，以得到所述空间维度强化表达玉米生长状态浅层特征图。应可以理解，在图像处理和计算机视觉任务中，空间自注意力机制已被广泛应用。空间自注意力机制能够对特征图中的不同位置进行自适应的加权，使得网络能够更加关注重要的区域和特征，而减少对无关信息的关注。在本发明的技术方案中，通过引入空间自注意力机制，可以增强所述玉米生长状态浅层特征图中的空间维度特征表达，提高对图像中不同区域的感知能力，并增强所述玉米生长状态浅层特征图中不同位置的相关性和上下文信息，有助于网络更好地理解图像中的空间结构和关系，捕捉到玉米植株不同部位之间的相互影响和依赖关系。并且，通过空间自注意力强化模块的处理，可以使得所述玉米生长状态浅层特征图中的每个位置能够在全局范围内获取到更多的上下文信息，从而提高特征的区分度和表达能力，进而为后续的土壤氮含量推荐任务提供更准确和丰富的特征表示。
图4为本发明实施例中将所述玉米生长状态浅层特征图通过空间自注意力强化模块，以得到所述空间维度强化表达玉米生长状态浅层特征图的流程图。如图4所示，所述步骤S122，包括：S1221，将所述玉米生长状态浅层特征图通过第一卷积层，以得到降维特征图；S1222，将所述降维特征图通过第二卷积层，以得到高效关联构造图；S1223，利用余弦相似性操作计算所述高效关联构造图的关系矩阵；S1224，利用Softmax函数对所述关系矩阵进行归一化处理，以得到归一化后关系矩阵；S1225，利用逐元素相乘操作完成所述归一化后关系矩阵对所述降维特征图中任意两个特征值之间关系的建模，以得到关联特征图；S1226，对所述关联特征图进行反卷积操作，以得到反卷积后关联特征图；S1227，将所述反卷积后关联特征图与所述降维特征图进行逐元素相加，以得到初步结果特征图；S1228，对所述初步结果特征图进行通道扩充得到扩充后初步结果特征图后，将所述扩充后初步结果特征图和所述玉米生长状态浅层特征图残差连接，以得到所述空间维度强化表达玉米生长状态浅层特征图。
具体地，所述步骤S123，提取所述空间维度强化表达玉米生长状态浅层特征图的生长状态语义特征，以得到玉米生长状态语义特征图的编码方式是：将所述空间维度强化表达玉米生长状态浅层特征图通过基于第二卷积神经网络模型的生长状态语义特征提取器，以得到所述玉米生长状态语义特征图。应可以理解，卷积神经网络能够通过多层卷积和池化操作来学习更抽象和语义丰富的特征表示，进而捕捉到玉米生长状态图像中的复杂模式和结构信息，提供更丰富的生长状态语义特征。也就是说，通过基于第二卷积神经网络模型的生长状态语义特征提取器来对所述空间维度强化表达玉米生长状态浅层特征图进行深层次的特征提取和抽象，能够捕捉到更复杂的语义信息，如植株的结构、叶片的纹理、植株的形态等。基于这些特征信息可以更好地区分玉米不同的生长状态，例如幼苗期、生长期、成熟期等，进而为后续的土壤氮含量推荐任务提供更丰富和有意义的特征表示。并且，卷积神经网络模型具有更强的非线性建模能力和自适应性，可以更好地适应不同的生长状态图像变化和噪声干扰，以提高特征的鲁棒性，使其在不同环境和条件下都能有效地捕捉到生长状态语义特征。
在本发明的一个具体示例中，所述步骤S124，融合所述玉米生长状态语义特征图和所述空间维度强化表达玉米生长状态浅层特征图，以得到所述多深度玉米生长状态信息特征图的实现方式是：使用跨深度信息传递融合模块对所述玉米生长状态语义特征图和所述空间维度强化表达玉米生长状态浅层特征图进行处理，以得到所述多深度玉米生长状态信息特征图。也就是说，使用跨深度信息传递融合模块来综合不同深度的玉米生长状态特征信息，以获得更全面和丰富的多深度玉米生长状态信息特征图。应可以理解，不同深度的玉米生长特征往往具有不同的特征表达能力和语义信息。较浅的层次通常能够捕捉到更细节的局部信息，而较深的层次则能够提取更抽象和语义丰富的特征。通过将不同深度的特征进行融合，可以充分利用它们的优势，提高对玉米生长状态的理解和判断能力。跨深度信息传递融合模块通过引入跨深度的残差连接和信息增强机制，能够将不同深度的特征进行交互和整合，以得到多深度玉米生长状态信息特征图。具体来说，跨深度信息传递融合模块允许所述空间维度强化表达玉米生长状态浅层特征图通过跳跃连接的方式与所述玉米生长状态语义特征图进行融合。同时，通过残差连接的方式学习到所述玉米生长状态语义特征图和所述空间维度强化表达玉米生长状态浅层特征图之间的差异，并利用该差异性实现所述空间维度强化表达玉米生长状态浅层特征图的特征强化，以得到综合了不同深度特征表达的多深度玉米生长状态信息特征图，从而为后续的预测任务提供更全面和准确的特征表示，提高对玉米生长状态的分析和判断能力。
图5为本发明实施例中使用跨深度信息传递融合模块对所述玉米生长状态语义特征图和所述空间维度强化表达玉米生长状态浅层特征图进行处理，以得到所述多深度玉米生长状态信息特征图的流程图。如图5所示，所述步骤S124，包括：S1241，对所述玉米生长状态语义特征图进行上采样和卷积处理，以得到重构玉米生长状态语义特征图；S1242，计算所述重构玉米生长状态语义特征图和所述空间维度强化表达玉米生长状态浅层特征图之间的按位置差值，以得到差值特征图；S1243，将所述差值特征图进行基于Sigmoid函数的非线性激活处理，以得到掩码特征图；S1244，将所述空间维度强化表达玉米生长状态浅层特征图与所述掩码特征图进行点乘，以得到融合特征图；S1245，对所述融合特征图进行基于注意力的PMA池化操作，以得到所述多深度玉米生长状态信息特征图。
在上述用于提高玉米种植中氮肥利用率的方法中，所述步骤S130，基于所述多深度玉米生长状态信息特征图，确定土壤氮含量推荐值。应可以理解，所述多深度玉米生长状态信息特征图中包含了不同层次的玉米生长状态信息，包括植株的形态特征、叶片的颜色、纹理等，能够反映出植株的健康状况、生长速度以及受到的环境影响。通过进一步利用机器学习算法对所述多深度玉米生长状态信息特征图进行分析和处理，可以挖掘出与土壤氮含量相关的特征，建立一个回归模型，来预测适合当前玉米生长状态的土壤氮含量推荐值。
图6为本发明实施例中基于所述多深度玉米生长状态信息特征图确定土壤氮含量推荐值的流程图。如图6所示，所述步骤S130，包括：S131，对所述多深度玉米生长状态信息特征图进行优化，以得到优化后多深度玉米生长状态信息特征图；S132，将所述优化后多深度玉米生长状态信息特征图通过基于解码器的土壤氮含量推荐值生成器，以得到所述土壤氮含量推荐值。
具体地，所述步骤S131，对所述多深度玉米生长状态信息特征图进行优化，以得到优化后多深度玉米生长状态信息特征图。在上述技术方案中，所述玉米生长状态浅层特征图表达所述玉米生长发育状态图像的浅层图像语义特征，并且，通过将所述玉米生长状态浅层特征图通过空间自注意力强化模块，以得到空间强化玉米生长状态浅层特征图，并将所述空间强化玉米生长状态浅层特征图通过图像语义特征提取器，以得到空间维度强化表达玉米生长状态浅层特征图，可以使得所述空间维度强化表达玉米生长状态浅层特征图在图像语义特征的空间分布和深度分布上强化特征分布。所述玉米生长状态语义特征图是通过对所述空间维度强化表达玉米生长状态浅层特征图进行进一步的卷积编码得到，其表达所述玉米生长发育状态图像的深层图像语义特征。
这样，当使用跨深度信息传递融合模块来对所述空间维度强化表达玉米生长状态浅层特征图和所述玉米生长状态语义特征图进行处理时，所述多深度玉米生长状态信息特征图在整体分布维度，即特征矩阵内空间分布维度和特征矩阵间通道分布维度上，均具有与图像语义特征的不同关联分布对应的空间信息属性。这样，虽然可以强化所述多深度玉米生长状态信息特征图的各个特征矩阵的空间信息，但也同时会导致所述多深度玉米生长状态信息特征图的特征矩阵间的通道分布稀疏性，从而导致所述多深度玉米生长状态信息特征图通过解码器进行解码时，在类概率密度域下的概率密度表示稀疏化，影响其通过解码器进行解码时的回归收敛效果。
基于此，在本发明的技术方案中，以如下优化公式对所述多深度玉米生长状态信息特征图F进行优化，以得到优化后多深度玉米生长状态信息特征图；其中，所述优化公式为：
其中，F表示所述多深度玉米生长状态信息特征图，F⊙2表示所述多深度玉米生长状态信息特征图F的逐位置平方图，Wm为参数可训练的中间权重图，例如基于所述多深度玉米生长状态信息特征图的通道分布稀疏性，初始设置为：中间权重图的每个特征矩阵的特征值为所述多深度玉米生长状态信息特征图F的全局特征值均值，此外，WI为所有特征值为1的单位图，Fm表示过渡图，Fm ⊙2表示所述过渡图的逐位置平方图，⊕表示按位置相加，⊙表示按位置点乘，F'表示所述优化后多深度玉米生长状态信息特征图。
这里，为了优化所述多深度玉米生长状态信息特征图F的稀疏概率密度在整体概率空间内的分布均匀性和一致性，通过类标准柯西分布式的尾部分布加强机制，来对所述多深度玉米生长状态信息特征图F在高维特征空间内的距离式空间分布进行基于空间角度倾斜式的距离分布优化，以实现所述多深度玉米生长状态信息特征图F的各个局部特征分布的距离弱相关的特征分布空间共振，从而提升所述多深度玉米生长状态信息特征图F整体在概率密度分布层面相对于回归概率收敛的均匀性和一致性，提升解码收敛效果，即解码收敛的速度和解码结果的准确性。
具体地，所述步骤S132，将所述优化后多深度玉米生长状态信息特征图通过基于解码器的土壤氮含量推荐值生成器，以得到所述土壤氮含量推荐值。应可以理解，解码器是一种机器学习模型，其主要任务是将输入的编码表示转换为目标输出。在本发明的技术方案中，解码器模型用于学习所述优化后多深度玉米生长状态信息特征图中的关键模式和信息，并将其转化为土壤氮含量推荐值的预测。也就是，利用解码器从所述优化后多深度玉米生长状态信息特征图中挖掘和提取与土壤氮含量相关的特征，并将其映射到土壤氮含量推荐值的数值空间中，从而根据玉米植株的生长状态，预测适合的土壤氮含量推荐值，以支持农业管理和施肥决策。
在上述用于提高玉米种植中氮肥利用率的方法中，所述步骤S140，基于所述土壤氮含量推荐值和当前土壤氮含量之间的比较，确定是否需要施加氮肥。也就是说，如果当前土壤氮含量低于推荐值，说明土壤中氮素的供应不足，可能会限制玉米的生长和发育。在这种情况下，施加适量的氮肥可以补充土壤中的氮素，提供玉米所需的养分，促进其正常生长和发育。另一方面，如果当前土壤氮含量高于推荐值，说明土壤中氮素的供应过剩。过量的氮素供应可能导致玉米生长过于茂盛，增加病虫害的风险，并可能导致氮素的流失和环境污染。在这种情况下，施加额外的氮肥可能是不必要的，甚至是有害的。因此，通过比较土壤氮含量推荐值和当前土壤氮含量，来合理调控氮肥的使用，从而避免浪费和环境负担，并确保玉米作物获得适量的氮素供应，以实现最佳生长和产量。
综上，本发明实施例提供的用于提高玉米种植中氮肥利用率的方法被阐明，其基于计算机视觉技术和人工智能技术，对摄像头采集的玉米生长发育状态图像进行多深度特征提取，以获取多深度玉米生长状态信息特征图，并基于多深度玉米生长状态信息特征图解码出土壤氮含量推荐值。这样，可以基于土壤氮含量的推荐值适时适量地补充氮肥，以实现氮肥的合理施用，进而提高氮肥利用率。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种用于提高玉米种植中氮肥利用率的方法，其特征在于，包括：
获取由摄像头采集的玉米生长发育状态图像；
提取所述玉米生长发育状态图像的多深度特征，以得到多深度玉米生长状态信息特征图；
基于所述多深度玉米生长状态信息特征图，确定土壤氮含量推荐值；
基于所述土壤氮含量推荐值和当前土壤氮含量之间的比较，确定是否需要施加氮肥；
提取所述玉米生长发育状态图像的多深度特征，以得到多深度玉米生长状态信息特征图，包括：
提取所述玉米生长发育状态图像的生长状态浅层特征，以得到玉米生长状态浅层特征图；
对所述玉米生长状态浅层特征图进行特征强化表达，以得到空间维度强化表达玉米生长状态浅层特征图；
提取所述空间维度强化表达玉米生长状态浅层特征图的生长状态语义特征，以得到玉米生长状态语义特征图；
融合所述玉米生长状态语义特征图和所述空间维度强化表达玉米生长状态浅层特征图，以得到所述多深度玉米生长状态信息特征图；
基于所述多深度玉米生长状态信息特征图，确定土壤氮含量推荐值，包括：
对所述多深度玉米生长状态信息特征图进行优化，以得到优化后多深度玉米生长状态信息特征图；
将所述优化后多深度玉米生长状态信息特征图通过基于解码器的土壤氮含量推荐值生成器，以得到所述土壤氮含量推荐值；
以如下优化公式对所述多深度玉米生长状态信息特征图进行优化，以得到优化后多深度玉米生长状态信息特征图；其中，所述优化公式为：
其中，F表示所述多深度玉米生长状态信息特征图，F⊙2表示所述多深度玉米生长状态信息特征图F的逐位置平方图，Wm为参数可训练的中间权重图，初始设置为：中间权重图的每个特征矩阵的特征值为所述多深度玉米生长状态信息特征图F的全局特征值均值，WI为所有特征值为1的单位图，Fm表示过渡图，Fm ⊙2表示所述过渡图的逐位置平方图，⊕表示按位置相加，⊙表示按位置点乘，F'表示所述优化后多深度玉米生长状态信息特征图。
2.根据权利要求1所述的用于提高玉米种植中氮肥利用率的方法，其特征在于，提取所述玉米生长发育状态图像的生长状态浅层特征，以得到玉米生长状态浅层特征图，包括：
将所述玉米生长发育状态图像通过基于第一卷积神经网络模型的生长状态浅层特征提取器，以得到所述玉米生长状态浅层特征图。
3.根据权利要求2所述的用于提高玉米种植中氮肥利用率的方法，其特征在于，所述基于第一卷积神经网络模型的生长状态浅层特征提取器包括输入层、卷积层、基于ReLU激活函数的激活层、池化层和全连接层。
4.根据权利要求3所述的用于提高玉米种植中氮肥利用率的方法，其特征在于，对所述玉米生长状态浅层特征图进行特征强化表达，以得到空间维度强化表达玉米生长状态浅层特征图，包括：
将所述玉米生长状态浅层特征图通过空间自注意力强化模块，以得到所述空间维度强化表达玉米生长状态浅层特征图。
5.根据权利要求4所述的用于提高玉米种植中氮肥利用率的方法，其特征在于，将所述玉米生长状态浅层特征图通过空间自注意力强化模块，以得到所述空间维度强化表达玉米生长状态浅层特征图，包括：
将所述玉米生长状态浅层特征图通过第一卷积层，以得到降维特征图；
将所述降维特征图通过第二卷积层，以得到高效关联构造图；
利用余弦相似性操作计算所述高效关联构造图的关系矩阵；
利用Softmax函数对所述关系矩阵进行归一化处理，以得到归一化后关系矩阵；
利用逐元素相乘操作完成所述归一化后关系矩阵对所述降维特征图中任意两个特征值之间关系的建模，以得到关联特征图；
对所述关联特征图进行反卷积操作，以得到反卷积后关联特征图；
将所述反卷积后关联特征图与所述降维特征图进行逐元素相加，以得到初步结果特征图；
对所述初步结果特征图进行通道扩充得到扩充后初步结果特征图后，将所述扩充后初步结果特征图和所述玉米生长状态浅层特征图残差连接，以得到所述空间维度强化表达玉米生长状态浅层特征图。
6.根据权利要求5所述的用于提高玉米种植中氮肥利用率的方法，其特征在于，提取所述空间维度强化表达玉米生长状态浅层特征图的生长状态语义特征，以得到玉米生长状态语义特征图，包括：
将所述空间维度强化表达玉米生长状态浅层特征图通过基于第二卷积神经网络模型的生长状态语义特征提取器，以得到所述玉米生长状态语义特征图。
7.根据权利要求6所述的用于提高玉米种植中氮肥利用率的方法，其特征在于，融合所述玉米生长状态语义特征图和所述空间维度强化表达玉米生长状态浅层特征图，以得到所述多深度玉米生长状态信息特征图，包括：
使用跨深度信息传递融合模块对所述玉米生长状态语义特征图和所述空间维度强化表达玉米生长状态浅层特征图进行处理，以得到所述多深度玉米生长状态信息特征图。
8.根据权利要求7所述的用于提高玉米种植中氮肥利用率的方法，其特征在于，使用跨深度信息传递融合模块对所述玉米生长状态语义特征图和所述空间维度强化表达玉米生长状态浅层特征图进行处理，以得到所述多深度玉米生长状态信息特征图，包括：
对所述玉米生长状态语义特征图进行上采样和卷积处理，以得到重构玉米生长状态语义特征图；
计算所述重构玉米生长状态语义特征图和所述空间维度强化表达玉米生长状态浅层特征图之间的按位置差值，以得到差值特征图；
将所述差值特征图进行基于Sigmoid函数的非线性激活处理，以得到掩码特征图；
将所述空间维度强化表达玉米生长状态浅层特征图与所述掩码特征图进行点乘，以得到融合特征图；
对所述融合特征图进行基于注意力的PMA池化操作，以得到所述多深度玉米生长状态信息特征图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410194836.3A CN117764762B (zh) | 2024-02-22 | 2024-02-22 | 用于提高玉米种植中氮肥利用率的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410194836.3A CN117764762B (zh) | 2024-02-22 | 2024-02-22 | 用于提高玉米种植中氮肥利用率的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117764762A CN117764762A (zh) | 2024-03-26 |
| CN117764762B true CN117764762B (zh) | 2024-05-10 |
Family
ID=90318653
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410194836.3A Active CN117764762B (zh) | 2024-02-22 | 2024-02-22 | 用于提高玉米种植中氮肥利用率的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117764762B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118940971A (zh) * | 2024-10-11 | 2024-11-12 | 江西省林业科学院 | 用于雷竹种植的氮肥管理系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340721A (zh) * | 2020-02-18 | 2020-06-26 | 国网电子商务有限公司 | 一种像素的修正方法、装置、设备及可读存储介质 |
| AU2020102343A4 (en) * | 2020-09-19 | 2020-10-29 | Behera, Santi Kumari MRS | n4riceleaf: AN ANDROID/WEB BASED APPLICATION TO ESTIMATE NITROGEN CONCENTRATION IN RICE CROP |
| CN112990262A (zh) * | 2021-02-08 | 2021-06-18 | 内蒙古大学 | 一种草原生态数据监测与智能决策一体化解决系统 |
| CN114764868A (zh) * | 2021-01-12 | 2022-07-19 | 北京三星通信技术研究有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9779491B2 (en) * | 2014-08-15 | 2017-10-03 | Nikon Corporation | Algorithm and device for image processing |
-
2024
- 2024-02-22 CN CN202410194836.3A patent/CN117764762B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340721A (zh) * | 2020-02-18 | 2020-06-26 | 国网电子商务有限公司 | 一种像素的修正方法、装置、设备及可读存储介质 |
| AU2020102343A4 (en) * | 2020-09-19 | 2020-10-29 | Behera, Santi Kumari MRS | n4riceleaf: AN ANDROID/WEB BASED APPLICATION TO ESTIMATE NITROGEN CONCENTRATION IN RICE CROP |
| CN114764868A (zh) * | 2021-01-12 | 2022-07-19 | 北京三星通信技术研究有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
| CN112990262A (zh) * | 2021-02-08 | 2021-06-18 | 内蒙古大学 | 一种草原生态数据监测与智能决策一体化解决系统 |
Non-Patent Citations (4)
| Title |
|---|
| 基于数字图像处理技术的玉米氮肥营养状态诊断;刘洪见;曾爱平;郑丽敏;;农业网络信息;20071231(第12期);31-35 * |
| 基于遗传算法优化的BP神经网络进行水稻氮素营养诊断;罗建军;杨红云;路艳;易文龙;孙爱珍;;中国农业科技导报;20200831(第8期);全文 * |
| 杨红云 等.计算机视觉技术在水稻氮素营养诊断中应用的研究进展.中国农学通报.2020,第36卷(第16期),149-155. * |
| 计算机视觉技术在水稻氮素营养诊断中应用的研究进展;杨红云 等;中国农学通报;20200630;第36卷(第16期);149-155 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117764762A (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113557890A (zh) | 一种用于日光温室果菜栽培的智能水分精准灌溉控制系统及方法 | |
| CN113545280B (zh) | 一种基于植株萎蔫程度进行精准灌溉的系统及方法 | |
| CN117764762B (zh) | 用于提高玉米种植中氮肥利用率的方法 | |
| CN111127423B (zh) | 一种基于cnn-bp神经网络算法水稻病虫害识别方法 | |
| CN119151974B (zh) | 一种基于语义分割的海浪高度检测方法、介质及系统 | |
| CN117876823B (zh) | 一种茶园图像检测方法及其模型训练方法和系统 | |
| CN117743975A (zh) | 山坡耕地土壤环境改良方法 | |
| CN117765403B (zh) | 提高作物抗倒伏能力和籽粒品质的施肥方法 | |
| Paçal et al. | Data-efficient vision transformer models for robust classification of sugarcane | |
| CN115063602A (zh) | 基于改进yolox-s网络的农作物病虫害识别方法 | |
| CN116612435A (zh) | 一种玉米高产栽培方法 | |
| CN118656601A (zh) | 一种温室土壤温度预测方法 | |
| CN119128634A (zh) | 一种基于因果推断的多模态智能灌溉决策算法 | |
| Yi et al. | AC-UNet: an improved UNet-based method for stem and leaf segmentation in Betula luminifera | |
| He et al. | CMENet: A cross-modal enhancement network for tobacco leaf grading | |
| Sun et al. | Research on tomato disease image recognition method based on DeiT | |
| CN118486017B (zh) | 基于数据库的信息处理方法、装置及存储介质 | |
| CN117876879B (zh) | 一种基于空域与频域特征融合的猕猴桃花朵识别方法 | |
| CN117730669B (zh) | 一种甘薯智能水肥药一体化装置及控制方法 | |
| CN118587480A (zh) | 一种基于遥感影像的复杂背景下作物种植区域识别方法 | |
| CN117152609A (zh) | 一种农作物外形特征检测系统 | |
| CN114782750B (zh) | 一种小样本高分辨率遥感影像场景分类方法 | |
| CN119516316B (zh) | 基于人工智能的多模态数据融合方法及系统 | |
| CN119152317B (zh) | 一种铁路异物短语定位模型的训练方法、装置、设备及介质 | |
| CN118644783B (zh) | 基于多模态深度学习的农作物遥感识别方法 |
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 | ||
| CP03 | Change of name, title or address |
Address after: 034000 No. 1, dunqi East Street, Xinzhou City, Shanxi Province Patentee after: XINZHOU TEACHERS University Country or region after: China Patentee after: Shanxi Yudeshui Agriculture and Animal Husbandry Co.,Ltd. Address before: No. 18 Nanxiao Village, Donglou Township, Xinfu District, Xinzhou City, Shanxi Province, 034000 Patentee before: Shanxi Yudeshui Agriculture and Animal Husbandry Co.,Ltd. Country or region before: China Patentee before: XINZHOU TEACHERS University |
|
| CP03 | Change of name, title or address |