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。
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。