CN117765403A - 提高作物抗倒伏能力和籽粒品质的施肥方法 - Google Patents
提高作物抗倒伏能力和籽粒品质的施肥方法 Download PDFInfo
- Publication number
- CN117765403A CN117765403A CN202410194761.9A CN202410194761A CN117765403A CN 117765403 A CN117765403 A CN 117765403A CN 202410194761 A CN202410194761 A CN 202410194761A CN 117765403 A CN117765403 A CN 117765403A
- Authority
- CN
- China
- Prior art keywords
- growth state
- crop growth
- target object
- feature map
- crop
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000013598 vector Substances 0.000 claims abstract description 80
- 238000010586 diagram Methods 0.000 claims abstract description 24
- 230000003993 interaction Effects 0.000 claims abstract description 22
- 239000003337 fertilizer Substances 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 235000013339 cereals Nutrition 0.000 description 33
- 230000004720 fertilization Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 239000000618 nitrogen fertilizer Substances 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 208000012868 Overgrowth Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 235000021048 nutrient requirements Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种提高作物抗倒伏能力和籽粒品质的施肥方法,涉及农业管理技术领域;包括:获取由摄像头采集的作物生长状态图像;对作物生长状态图像进行作物生长状态特征提取,以得到目标对象显著化作物生长状态特征图;获取包含当天在内的未来多天的气象条件;对包含当天在内的未来多天的气象条件进行语义特征提取,以得到气象条件语义关联特征向量;基于目标对象显著化作物生长状态特征图和气象条件语义关联特征向量之间的交互特征,确定是否追肥;本发明提供了一种综合考虑作物和气象因素的科学追肥方法,该方法能够提供更准确的追肥指导,减少人工干预和主观判断的影响,从而提高作物抗倒伏能力和籽粒品质。
Description
技术领域
本发明涉及农业管理技术领域,且更为具体地,涉及一种提高作物抗倒伏能力和籽粒品质的施肥方法。
背景技术
农业是国民经济的基础,农作物的产量和品质对于保障粮食安全和满足人民生活需求具有重要意义;在作物的生长过程中,抗倒伏能力和籽粒品质是影响作物产量和品质的重要因素;抗倒伏能力是指作物在受到风雨等自然灾害时的抵抗能力,而籽粒品质则直接关系到作物的经济价值。
为了提高作物的抗倒伏能力和籽粒品质,农民通常会采取各种措施,如选择优良品种、合理施肥、灌溉等;其中,施肥是提高作物抗倒伏能力和籽粒品质的重要手段之一;施肥方法分为基肥、追肥和叶面肥三个阶段;追肥是在作物生长中期施用的,主要是为了补充作物生长过程中消耗的养分,促进作物茎秆的伸长和加粗,增加作物的抗倒伏能力;然而,传统的追肥方法往往依赖于农民的经验判断,存在一定的盲目性和不准确性;并且,这种追肥方法往往只基于作物生长状态来进行施肥,而忽略了其他因素的影响。
因此,期待一种优化的提高作物抗倒伏能力和籽粒品质的施肥方法。
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提高作物抗倒伏能力和籽粒品质的施肥方法;本发明采用的技术方案如下:
本发明提供了一种提高作物抗倒伏能力和籽粒品质的施肥方法,其包括:
获取由摄像头采集的作物生长状态图像;
对所述作物生长状态图像进行作物生长状态特征提取,以得到目标对象显著化作物生长状态特征图;
获取包含当天在内的未来多天的气象条件;
对所述包含当天在内的未来多天的气象条件进行语义特征提取,以得到气象条件语义关联特征向量;
基于所述目标对象显著化作物生长状态特征图和所述气象条件语义关联特征向量之间的交互特征,确定是否追肥。
在上述提高作物抗倒伏能力和籽粒品质的施肥方法中,对所述作物生长状态图像进行作物生长状态特征提取,以得到目标对象显著化作物生长状态特征图,包括:利用深度学习网络模型对所述作物生长状态图像进行特征提取,以得到作物生长状态特征图;将所述作物生长状态特征图通过目标对象显著注意力层,以得到所述目标对象显著化作物生长状态特征图。
在上述提高作物抗倒伏能力和籽粒品质的施肥方法中,所述深度学习网络模型为基于卷积神经网络模型的作物生长状态特征提取器;其中,所述基于卷积神经网络模型的作物生长状态特征提取器包括输入层、卷积层、激活层、池化层和输出层。
在上述提高作物抗倒伏能力和籽粒品质的施肥方法中,利用深度学习网络模型对所述作物生长状态图像进行特征提取,以得到作物生长状态特征图,包括:将所述作物生长状态图像通过所述基于卷积神经网络模型的作物生长状态特征提取器,以得到所述作物生长状态特征图。
在上述提高作物抗倒伏能力和籽粒品质的施肥方法中,将所述作物生长状态特征图通过目标对象显著注意力层,以得到所述目标对象显著化作物生长状态特征图,包括:以如下显著注意力公式对所述作物生长状态特征图进行目标对象显著化强化以得到所述目标对象显著化作物生长状态特征图;其中,所述显著注意力公式为:
其中,Foutput为所述目标对象显著化作物生长状态特征图,Finput为所述作物生长状态特征图,GAP表示进行池化操作,ReLU表示进行ReLU激活处理,Conv1×1(·)表示进行基于1×1卷积核的卷积操作,Conv3×3(·)表示进行基于3×3卷积核的卷积操作。
在上述提高作物抗倒伏能力和籽粒品质的施肥方法中,对所述包含当天在内的未来多天的气象条件进行语义特征提取,以得到气象条件语义关联特征向量,包括:分别对所述包含当天在内的未来多天的气象条件进行独热编码,以得到气象条件独热编码向量的序列;将所述气象条件独热编码向量的序列通过基于LSTM模型的气象条件时序语义特征提取器,以得到所述气象条件语义关联特征向量。
在上述提高作物抗倒伏能力和籽粒品质的施肥方法中,基于所述目标对象显著化作物生长状态特征图和所述气象条件语义关联特征向量之间的交互特征,确定是否追肥,包括:使用跨模态交互模块对所述目标对象显著化作物生长状态特征图和所述气象条件语义关联特征向量进行处理,以得到气象嵌入目标对象显著化作物生长状态特征图;对所述气象嵌入目标对象显著化作物生长状态特征图进行优化,以得到优化后气象嵌入目标对象显著化作物生长状态特征图;基于所述优化后气象嵌入目标对象显著化作物生长状态特征图来确定是否追肥。
在上述提高作物抗倒伏能力和籽粒品质的施肥方法中,使用跨模态交互模块对所述目标对象显著化作物生长状态特征图和所述气象条件语义关联特征向量进行处理,以得到气象嵌入目标对象显著化作物生长状态特征图,包括:将所述气象条件语义关联特征向量通过点卷积层以得到第一卷积特征向量;将所述第一卷积特征向量通过基于ReLU函数的修正线性单元,以得到第一修正卷积特征向量;将所述第一修正卷积特征向量通过点卷积层,以得到第二卷积特征向量;将所述第二卷积特征向量通过基于Sigmoid函数的修正线性单元,以得到第二修正卷积特征向量;融合所述第二修正卷积特征向量与所述目标对象显著化作物生长状态特征图,以得到所述气象嵌入目标对象显著化作物生长状态特征图。
在上述提高作物抗倒伏能力和籽粒品质的施肥方法中,基于所述优化后气象嵌入目标对象显著化作物生长状态特征图来确定是否追肥,包括:将所述优化后气象嵌入目标对象显著化作物生长状态特征图通过分类器以得到分类结果,所述分类结果用于表示是否追肥。
在上述提高作物抗倒伏能力和籽粒品质的施肥方法中,将所述优化后气象嵌入目标对象显著化作物生长状态特征图通过分类器以得到分类结果,所述分类结果用于表示是否追肥,包括:使用所述分类器以如下分类公式对所述优化后气象嵌入目标对象显著化作物生长状态特征图进行分类处理以得到所述分类结果;其中,所述分类公式为:
其中,Project(F)表示将所述优化后气象嵌入目标对象显著化作物生长状态特征图投影为向量,W1至Wn是权重矩阵,B1至Bn为偏置向量,softmax表示归一化指数函数,O表示所述分类结果。
与现有技术相比,本发明提供的提高作物抗倒伏能力和籽粒品质的施肥方法,通过获取作物生长状态图像并对其进行作物生长状态特征提取以得到目标对象显著化作物生长状态特征图,以及获取包含当天在内的未来多天的气象条件并对其进行语义特征提取以得到气象条件语义关联特征向量,进而基于目标对象显著化作物生长状态特征图和气象条件语义关联特征向量之间的交互特征确定是否追肥,提供了一种综合考虑作物和气象因素的科学追肥方法,该方法能够提供更准确的追肥指导,减少人工干预和主观判断的影响,从而可以提高作物抗倒伏能力和籽粒品质。
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提高作物抗倒伏能力和籽粒品质的施肥方法的流程图;
图2为本发明实施例提供的提高作物抗倒伏能力和籽粒品质的施肥方法的架构示意图;
图3为本发明实施例中对所述作物生长状态图像进行作物生长状态特征提取,以得到目标对象显著化作物生长状态特征图的流程图;
图4为本发明实施例中对所述包含当天在内的未来多天的气象条件进行语义特征提取,以得到气象条件语义关联特征向量的流程图;
图5为本发明实施例中基于所述目标对象显著化作物生长状态特征图和所述气象条件语义关联特征向量之间的交互特征确定是否追肥的流程图;
图6为本发明实施例中使用跨模态交互模块对所述目标对象显著化作物生长状态特征图和所述气象条件语义关联特征向量进行处理,以得到气象嵌入目标对象显著化作物生长状态特征图的流程图。
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提高作物抗倒伏能力和籽粒品质的施肥方法的流程图;图2为本发明实施例提供的提高作物抗倒伏能力和籽粒品质的施肥方法的架构示意图;如图1和图2所示,本发明实施例提供的提高作物抗倒伏能力和籽粒品质的施肥方法,包括步骤:S110,获取由摄像头采集的作物生长状态图像;S120,对所述作物生长状态图像进行作物生长状态特征提取,以得到目标对象显著化作物生长状态特征图;S130,获取包含当天在内的未来多天的气象条件;S140,对所述包含当天在内的未来多天的气象条件进行语义特征提取,以得到气象条件语义关联特征向量;S150,基于所述目标对象显著化作物生长状态特征图和所述气象条件语义关联特征向量之间的交互特征,确定是否追肥。
追肥的时间和施用量需要根据作物的生长阶段和需求来确定;一般来说,在作物生长旺盛期,需要进行追肥以满足作物对养分的需求;例如,在作物的开花期和结荚期,需要增加氮肥的施用量,以促进作物的生长和繁殖。而在作物生长后期,则需要适当减少追肥的施用量,以避免对作物造成负面影响。
在追肥过程中,除了根据作物生长状态来进行施肥,还应考虑气象条件对追肥效果的影响;例如,在南方水稻田,如遇低温(如寒流)应提早追肥,以免影响水稻对养分的吸收;东北地区早霜的危害很大,因此,氮肥不应施得太晚,以免作物推迟成熟而减产;其次,光照条件也是影响追肥效果的重要因素;在常年光照充足的地区,可以适当增加喷施叶面肥的量,以便发挥肥料的增产作用;而在光照不足的情况下,则应控制氮肥的用量,避免作物徒长;然而,传统的追肥方法往往依赖于农民的经验判断,存在一定的盲目性和不准确性;并且,这种追肥方法往往只基于作物生长状态来进行施肥,而忽略了其他因素的影响。
针对上述技术问题,本发明的技术构思为:从作物生长状态图像中提取作物生长状态特征,并基于未来多天的气象条件特征与作物生长状态特征之间的交互特征来判断是否需要追肥;这样,能够提供更准确的追肥指导,减少人工干预和主观判断的影响,从而提高作物抗倒伏能力和籽粒品质。
在上述提高作物抗倒伏能力和籽粒品质的施肥方法中,所述步骤S110,获取由摄像头采集的作物生长状态图像;在本发明的技术方案中,以采集作物生长状态图像的方式来监测和记录作物的生长状态;通过对所述作物生长状态图像进行分析和处理,进而获取作物的叶片形态、颜色、生长速度、茎秆粗细等特征,为后续的追肥判断提供依据。
在上述提高作物抗倒伏能力和籽粒品质的施肥方法中,所述步骤S120,对所述作物生长状态图像进行作物生长状态特征提取,以得到目标对象显著化作物生长状态特征图;图3为本发明实施例中对所述作物生长状态图像进行作物生长状态特征提取,以得到目标对象显著化作物生长状态特征图的流程图;如图3所示,所述步骤S120,包括:S121,利用深度学习网络模型对所述作物生长状态图像进行特征提取,以得到作物生长状态特征图;S122,将所述作物生长状态特征图通过目标对象显著注意力层,以得到所述目标对象显著化作物生长状态特征图。
具体地,所述步骤S121中,所述深度学习网络模型为基于卷积神经网络模型的作物生长状态特征提取器;也就是说,利用深度学习网络模型对所述作物生长状态图像进行特征提取的编码方式是:将所述作物生长状态图像通过所述基于卷积神经网络模型的作物生长状态特征提取器,以得到所述作物生长状态特征图;应可以理解,卷积神经网络是一种深度学习模型,具有良好的图像处理和特征提取能力;通过将所述作物生长状态图像输入到基于卷积神经网络模型的作物生长状态特征提取器中,可以自动学习和提取作物生长状态的相关特征,例如作物的形态、颜色、纹理等信息,进而反映作物的生长状况和健康状态;也就是,利用卷积神经网络模型的图像特征提取能力,将所述作物生长状态图像中的信息转化为更具有语义和抽象性的特征表示,从而更好地表达作物的生长状态,为后续的作物生长状态分析和判断提供基础;更为具体地,所述基于卷积神经网络模型的作物生长状态特征提取器包括输入层、卷积层、激活层、池化层和输出层。
在本发明的技术方案中,考虑到在作物生长状态图像中,可能存在其他干扰因素或背景信息,例如杂草、土壤、周围环境等;这些因素可能会对作物生长状态的分析和判断造成干扰;因此,本发明实施例通过所述步骤S122,进一步对所述作物生长状态特征图进行目标对象显著化处理,以将注意力集中在作物本身上,减少其他干扰因素的影响,突出作物的生长状态特征;应可以理解,目标对象显著化是一种图像处理技术,通过学习和计算图像中每个像素与目标对象的关联程度,以获得目标对象显著化的作物生长状态特征图,用于指示图像中目标对象的位置和重要性;在本发明的技术方案中,目标对象指的是作物本身;通过目标对象显著化处理,可以凸显作物的生长状态特征,提高对作物生长状态的分析和判断的准确性;同时,这也有助于减少对其他干扰因素的敏感性,提高对作物自身生长状态的关注度。
在本发明的一个具体示例中,所述步骤S122,包括:以如下显著注意力公式对所述作物生长状态特征图进行目标对象显著化强化,以得到所述目标对象显著化作物生长状态特征图;其中,所述显著注意力公式为:
其中,Foutput为所述目标对象显著化作物生长状态特征图,Finput为所述作物生长状态特征图,GAP表示进行池化操作,ReLU表示进行ReLU激活处理,Conv1×1(·)表示进行基于1×1卷积核的卷积操作,Conv3×3(·)表示进行基于3×3卷积核的卷积操作。
在上述提高作物抗倒伏能力和籽粒品质的施肥方法中,所述步骤S130,获取包含当天在内的未来多天的气象条件;在本发明的技术方案中,考虑到气象条件对作物的生长和发育有着重要的影响;例如,温度、湿度、降水等气象因素会直接影响作物的生理过程、光合作用、蒸腾作用等;因此,进一步获取包含当天在内的未来多天的气象条件;所述未来多天的气象条件信息能够提供作物的生长环境信息,通过对未来多天的气象条件进行分析处理,可以获取作物生长期间的气象趋势和变化,从而更好地理解作物的生长环境。
在上述提高作物抗倒伏能力和籽粒品质的施肥方法中,所述步骤S140,对所述包含当天在内的未来多天的气象条件进行语义特征提取,以得到气象条件语义关联特征向量;在本发明的技术方案中,考虑到作物的生长状态受到气象条件的影响,而追肥的决策也应该考虑到未来多天的气象预测;因此,进一步对气象条件进行语义特征提取,以将原始的气象数据转化为具有语义关联信息的向量表示,进而可以捕捉到气象条件之间的关系和作物生长的趋势,反映出气象条件对作物生长的影响,从而综合考虑作物生长状态和气象条件的信息,更准确地判断是否需要追肥。
图4为本发明实施例中对所述包含当天在内的未来多天的气象条件进行语义特征提取,以得到气象条件语义关联特征向量的流程图;如图4所示,所述步骤S140,包括:S141,分别对所述包含当天在内的未来多天的气象条件进行独热编码,以得到气象条件独热编码向量的序列;S142,将所述气象条件独热编码向量的序列通过基于LSTM模型的气象条件时序语义特征提取器,以得到所述气象条件语义关联特征向量。
其中,独热编码是一种常用的编码方式,用于将离散的分类变量转换为向量形式;所述独热编码,又称一位有效编码,其方法是使用N位数值来对N个状态进行编码,并且在任意时候,其中只有一位有效;即,只有一位是1,其余都是零值;也就是,独热编码是利用0和1表示一些参数,使用N位数值来对N个状态进行编码;在本发明的技术方案中,所述包含当天在内的未来多天的气象条件,例如天气类型、风向、降水情况等,这些都是离散的分类变量,无法直接作为模型的输入;因此,进一步通过独热编码来将每个气象条件转换为向量表示;例如,对于天气类型,如果它有m个可能值,那么经过独热编码后,就变成了m个二元特征;并且,这些特征互斥,每次只有一个激活,使得更好地区分不同的天气类型;将所述包含当天在内的未来多天的气象条件进行独热编码后,可以获得气象条件独热编码向量的序列,为后续的模型输入提供了一种标准化的形式,并支持作物生长状态与气象条件之间的关联分析;
具体地,LSTM(长短期记忆神经网络模型)是一种递归神经网络(RNN)的变体,其能够有效地捕捉和利用序列数据中的长期依赖关系;LSTM模型通过输入门、遗忘门和输出门的计算,以及记忆单元的更新,可以选择性地记忆和遗忘信息,从而有效地处理长期依赖关系,实现了对序列数据中长期依赖关系的建模和利用,使得LSTM模型能够在处理序列数据时更好地捕捉到重要的上下文信息,并解决了传统RNN模型中的梯度消失和梯度爆炸等问题;在本发明的技术方案中,气象条件的变化通常具有一定的时序关联性,例如温度、湿度、降水等因素之间通常存在相互影响或相关性;通过将所述气象条件独热编码向量的序列输入基于LSTM模型的气象条件时序语义特征提取器进行处理,可以捕捉到气象条件序列中的长期依赖关系和时序模式,进而挖掘出气象条件之间的语义关联特征,以支持作物生长状态与气象条件之间的关联分析和预测。
在上述提高作物抗倒伏能力和籽粒品质的施肥方法中,所述步骤S150,基于所述目标对象显著化作物生长状态特征图和所述气象条件语义关联特征向量之间的交互特征,确定是否追肥;应可以理解,所述目标对象显著化作物生长状态特征图反映了作物当前的生长状态,包括生长状况、叶片状态、植株形态等;这些信息与作物的健康状况和抗倒伏能力密切相关;而所述气象条件语义关联特征向量则反映了当前和未来多天的气象条件对作物生长的影响;例如,高温、干旱、强风等气象条件可能会对作物的生长产生不利影响,而适宜的温度、湿度等气象条件则有利于作物的正常生长;通过对目标对象显著化作物生长状态特征图和气象条件语义关联特征向量之间的交互特征进行分析,可以更全面地评估作物的生长情况和外部环境因素,进而更准确地判断是否需要追肥。
图5为本发明实施例中基于所述目标对象显著化作物生长状态特征图和所述气象条件语义关联特征向量之间的交互特征确定是否追肥的流程图;如图5所示,所述步骤S150,包括:S151,使用跨模态交互模块对所述目标对象显著化作物生长状态特征图和所述气象条件语义关联特征向量进行处理,以得到气象嵌入目标对象显著化作物生长状态特征图;S152,对所述气象嵌入目标对象显著化作物生长状态特征图进行优化,以得到优化后气象嵌入目标对象显著化作物生长状态特征图;S153,基于所述优化后气象嵌入目标对象显著化作物生长状态特征图来确定是否追肥。
具体地,所述目标对象显著化作物生长状态特征图是通过对作物生长状态进行建模和提取得到的,而所述气象条件语义关联特征向量是通过对气象条件进行建模和提取得到的,二者来自不同模态的信息源,所述S151通过跨模态交互模块来将二者进行融合,能够充分利用两者之间的关联性,将气象条件信息嵌入到所述目标对象显著化作物生长状态特征图中,从而使得特征图更加准确地反映气象条件对作物生长的影响,有助于提高作物生长状态特征的表征能力和加肥预测性能;也就是,通过将作物生长状态特征与未来的气象条件特征进行交互融合分析,可以更好地了解作物的生长状况,预测可能的生长问题,并采取相应的施肥措施,以优化作物生长环境,提高作物抗倒伏能力和籽粒品质。
图6为本发明实施例中使用跨模态交互模块对所述目标对象显著化作物生长状态特征图和所述气象条件语义关联特征向量进行处理,以得到气象嵌入目标对象显著化作物生长状态特征图的流程图;如图6所示,所述步骤S151,包括:S1511,将所述气象条件语义关联特征向量通过点卷积层,以得到第一卷积特征向量;S1512,将所述第一卷积特征向量通过基于ReLU函数的修正线性单元,以得到第一修正卷积特征向量;S1513,将所述第一修正卷积特征向量通过点卷积层,以得到第二卷积特征向量;S1514,将所述第二卷积特征向量通过基于Sigmoid函数的修正线性单元,以得到第二修正卷积特征向量;S1515,融合所述第二修正卷积特征向量与所述目标对象显著化作物生长状态特征图,以得到所述气象嵌入目标对象显著化作物生长状态特征图。
具体地,在上述技术方案中,所述作物生长状态特征图表达所述作物生长状态图像的图像语义特征,也就是,其在特征矩阵维度上遵循图像语义特征空间分布,而在通道维度上遵循卷积神经网络模型的通道分布;在将所述作物生长状态特征图通过目标对象显著注意力层时,所述目标对象显著注意力层将位置信息嵌入到通道注意力,不仅能捕获跨通道的信息,还能捕获方向感知和位置感知的信息,使得模型能够更加精准地定位和识别感兴趣区域的目标,也就是,所述目标对象显著化作物生长状态特征图能够凸显作为生长状态特征的图像区域;进一步地,在本发明的技术方案中,所述气象条件语义关联特征向量用于表示气象条件独热编码向量的时间分布的上下文语义关联特征。
这样,在使用跨模态交互模块对所述目标对象显著化作物生长状态特征图和所述气象条件语义关联特征向量进行处理时,所述气象嵌入目标对象显著化作物生长状态特征图在特征矩阵维度上基于浅层图像语义特征空间分布,而在通道维度上基于气象条件独热编码向量的时间分布的上下文语义关联特征的通道分布,这也使得所述气象嵌入目标对象显著化作物生长状态特征图在通道维度上具有与特征矩阵的图像语义分布关联弱化的混合分布,导致所述气象嵌入目标对象显著化作物生长状态特征图的基于图像语义特征空间分布和通道维度分布的整体特征分布在概率密度域下的概率密度表示稀疏化,从而影响通过分类器进行分类时的分类回归收敛效果;基于此,本发明通过S152对所述气象嵌入目标对象显著化作物生长状态特征图F进行优化。
其中,F表示所述气象嵌入目标对象显著化作物生长状态特征图,F⊙2表示特征图的逐位置平方图,Wm为参数可训练的中间权重图,例如基于所述气象嵌入目标对象显著化作物生长状态特征图F的图像语义特征空间分布和通道维度分布性质,初始设置为:中间权重图的每个特征矩阵的特征值为所述语义强化治疗区域状态特征图的相应特征矩阵的特征值均值,再以所述治疗区域位置描述语义编码特征向量沿通道加权,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'表示所述优化后气象嵌入目标对象显著化作物生长状态特征图。
这里,为了优化所述气象嵌入目标对象显著化作物生长状态特征图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,来对所述气象嵌入目标对象显著化作物生长状态特征图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,以实现所述气象嵌入目标对象显著化作物生长状态特征图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,从而提升所述气象嵌入目标对象显著化作物生长状态特征图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,提升分类回归收敛效果,即分类收敛的速度和准确性。
在本发明的一个具体示例中,所述步骤S153基于所述优化后气象嵌入目标对象显著化作物生长状态特征图来确定是否追肥的实现方式是:将所述优化后气象嵌入目标对象显著化作物生长状态特征图通过分类器以得到分类结果,所述分类结果用于表示是否追肥;应可以理解,分类器是一种机器学习模型,其通过学习输入的数据特征和不同类别标签之间的映射关系,从而能够将新的数据样本分配到不同的预定义类别中;在本发明的技术方案中,分类器用于学习所述优化后气象嵌入目标对象显著化作物生长状态特征图中的作物生长状态和气象条件之间的关联规律,从而进行追肥需求的预测,给出追肥建议;也就是说,通过使用分类器进行追肥需求的判断,可以自动化和智能化地进行追肥指导,减少人工干预和主观判断的影响,帮助农民或农业专家及时采取相应的追肥措施,从而提高作物抗倒伏能力和籽粒品质。
在一个具体示例中,所述步骤S153包括:使用所述分类器以如下分类公式对所述优化后气象嵌入目标对象显著化作物生长状态特征图进行分类处理以获得所述分类结果;其中,所述分类公式为:
其中,Project(F)表示将所述优化后气象嵌入目标对象显著化作物生长状态特征图投影为向量,W1至Wn是权重矩阵,B1至Bn为偏置向量,softmax表示归一化指数函数,O表示所述分类结果。
综上,本发明实施例提供的提高作物抗倒伏能力和籽粒品质的施肥方法被阐明,其利用基于深度学习的人工智能技术从作物的生长状态图像中提取作物生长状态特征,并基于未来多天的气象条件特征与作物生长状态特征之间的交互特征来判断是否需要追肥;这样,能够提供更准确的追肥指导,减少人工干预和主观判断的影响,从而提高作物抗倒伏能力和籽粒品质。
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 (10)
1.一种提高作物抗倒伏能力和籽粒品质的施肥方法,其特征在于,包括:
获取由摄像头采集的作物生长状态图像;
对所述作物生长状态图像进行作物生长状态特征提取,以得到目标对象显著化作物生长状态特征图;
获取包含当天在内的未来多天的气象条件;
对所述包含当天在内的未来多天的气象条件进行语义特征提取,以得到气象条件语义关联特征向量;
基于所述目标对象显著化作物生长状态特征图和所述气象条件语义关联特征向量之间的交互特征,确定是否追肥。
2.根据权利要求1所述的提高作物抗倒伏能力和籽粒品质的施肥方法,其特征在于,对所述作物生长状态图像进行作物生长状态特征提取,以得到目标对象显著化作物生长状态特征图,包括:
利用深度学习网络模型对所述作物生长状态图像进行特征提取,以得到作物生长状态特征图;
将所述作物生长状态特征图通过目标对象显著注意力层,以得到所述目标对象显著化作物生长状态特征图。
3.根据权利要求2所述的提高作物抗倒伏能力和籽粒品质的施肥方法,其特征在于,所述深度学习网络模型为基于卷积神经网络模型的作物生长状态特征提取器;其中,所述基于卷积神经网络模型的作物生长状态特征提取器包括输入层、卷积层、激活层、池化层和输出层。
4.根据权利要求3所述的提高作物抗倒伏能力和籽粒品质的施肥方法,其特征在于,利用深度学习网络模型对所述作物生长状态图像进行特征提取,以得到作物生长状态特征图,包括:
将所述作物生长状态图像通过所述基于卷积神经网络模型的作物生长状态特征提取器,以得到所述作物生长状态特征图。
5.根据权利要求4所述的提高作物抗倒伏能力和籽粒品质的施肥方法,其特征在于,将所述作物生长状态特征图通过目标对象显著注意力层,以得到所述目标对象显著化作物生长状态特征图,包括:
以如下显著注意力公式对所述作物生长状态特征图进行目标对象显著化强化,以得到所述目标对象显著化作物生长状态特征图;其中,所述显著注意力公式为:
其中,Foutput为所述目标对象显著化作物生长状态特征图,Finput为所述作物生长状态特征图,GAP表示进行池化操作,ReLU表示进行ReLU激活处理,Conv1×1(·)表示进行基于1×1卷积核的卷积操作,Conv3×3(·)表示进行基于3×3卷积核的卷积操作。
6.根据权利要求5所述的提高作物抗倒伏能力和籽粒品质的施肥方法,其特征在于,对所述包含当天在内的未来多天的气象条件进行语义特征提取,以得到气象条件语义关联特征向量,包括:
分别对所述包含当天在内的未来多天的气象条件进行独热编码,以得到气象条件独热编码向量的序列;
将所述气象条件独热编码向量的序列通过基于LSTM模型的气象条件时序语义特征提取器,以得到所述气象条件语义关联特征向量。
7.根据权利要求6所述的提高作物抗倒伏能力和籽粒品质的施肥方法,其特征在于,基于所述目标对象显著化作物生长状态特征图和所述气象条件语义关联特征向量之间的交互特征,确定是否追肥,包括:
使用跨模态交互模块对所述目标对象显著化作物生长状态特征图和所述气象条件语义关联特征向量进行处理,以得到气象嵌入目标对象显著化作物生长状态特征图;
对所述气象嵌入目标对象显著化作物生长状态特征图进行优化,以得到优化后气象嵌入目标对象显著化作物生长状态特征图;
基于所述优化后气象嵌入目标对象显著化作物生长状态特征图来确定是否追肥。
8.根据权利要求7所述的提高作物抗倒伏能力和籽粒品质的施肥方法,其特征在于,使用跨模态交互模块对所述目标对象显著化作物生长状态特征图和所述气象条件语义关联特征向量进行处理,以得到气象嵌入目标对象显著化作物生长状态特征图,包括:
将所述气象条件语义关联特征向量通过点卷积层,以得到第一卷积特征向量;
将所述第一卷积特征向量通过基于ReLU函数的修正线性单元,以得到第一修正卷积特征向量;
将所述第一修正卷积特征向量通过点卷积层,以得到第二卷积特征向量;
将所述第二卷积特征向量通过基于Sigmoid函数的修正线性单元,以得到第二修正卷积特征向量;
融合所述第二修正卷积特征向量与所述目标对象显著化作物生长状态特征图,以得到所述气象嵌入目标对象显著化作物生长状态特征图。
9.根据权利要求8所述的提高作物抗倒伏能力和籽粒品质的施肥方法,其特征在于,基于所述优化后气象嵌入目标对象显著化作物生长状态特征图来确定是否追肥,包括:
将所述优化后气象嵌入目标对象显著化作物生长状态特征图通过分类器以得到分类结果,所述分类结果用于表示是否追肥。
10.根据权利要求9所述的提高作物抗倒伏能力和籽粒品质的施肥方法,其特征在于,将所述优化后气象嵌入目标对象显著化作物生长状态特征图通过分类器以得到分类结果,所述分类结果用于表示是否追肥,包括:使用所述分类器以如下分类公式对所述优化后气象嵌入目标对象显著化作物生长状态特征图进行分类处理以得到所述分类结果;其中,所述分类公式为:
其中,Project(F)表示将所述优化后气象嵌入目标对象显著化作物生长状态特征图投影为向量,W1至Wn是权重矩阵,B1至Bn为偏置向量,softmax表示归一化指数函数,O表示所述分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410194761.9A CN117765403B (zh) | 2024-02-22 | 2024-02-22 | 提高作物抗倒伏能力和籽粒品质的施肥方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410194761.9A CN117765403B (zh) | 2024-02-22 | 2024-02-22 | 提高作物抗倒伏能力和籽粒品质的施肥方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117765403A true CN117765403A (zh) | 2024-03-26 |
CN117765403B CN117765403B (zh) | 2024-04-30 |
Family
ID=90324104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410194761.9A Active CN117765403B (zh) | 2024-02-22 | 2024-02-22 | 提高作物抗倒伏能力和籽粒品质的施肥方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117765403B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180189564A1 (en) * | 2016-12-30 | 2018-07-05 | International Business Machines Corporation | Method and system for crop type identification using satellite observation and weather data |
CN112215716A (zh) * | 2020-10-13 | 2021-01-12 | 浙江省气候中心 | 农作物生长干预方法、装置、设备及存储介质 |
CN113762788A (zh) * | 2021-09-13 | 2021-12-07 | 中化现代农业有限公司 | 农地数据模型与画像构建方法和系统 |
CN114442705A (zh) * | 2021-12-31 | 2022-05-06 | 浙江优控云科技有限公司 | 一种基于物联网的智慧农业系统及控制方法 |
WO2022094854A1 (zh) * | 2020-11-05 | 2022-05-12 | 深圳市大疆创新科技有限公司 | 农作物的生长监测方法、设备及存储介质 |
US20220330468A1 (en) * | 2019-09-20 | 2022-10-20 | Seeing Systems Pty Ltd | System and methods for gathering data relating to crops and for managing crop growing operations |
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 |
CN116403048A (zh) * | 2023-04-17 | 2023-07-07 | 哈尔滨工业大学 | 一种基于多模态数据融合的农作物生长估计模型构建方法 |
CN116721389A (zh) * | 2023-07-28 | 2023-09-08 | 吉林隆源农业服务有限公司 | 农作物的种植管理方法 |
CN116957838A (zh) * | 2023-08-04 | 2023-10-27 | 宜宾学院 | 一种基于知识图表示学习的农作物生长环境监测方法 |
CN117063820A (zh) * | 2023-10-16 | 2023-11-17 | 武安市园林绿化管理局 | 基于大数据的智慧园林监控平台及其方法 |
CN117197595A (zh) * | 2023-11-08 | 2023-12-08 | 四川省农业科学院农业信息与农村经济研究所 | 基于边缘计算的果树生育期识别方法、装置及管理平台 |
CN117434082A (zh) * | 2023-12-22 | 2024-01-23 | 广东岚瑞新材料科技集团有限公司 | 用于硅胶制品生产线的质量检测方法及其系统 |
CN117496356A (zh) * | 2023-11-28 | 2024-02-02 | 北京佳格天地科技有限公司 | 农业人工智能作物检测方法及系统 |
CN117530031A (zh) * | 2024-01-10 | 2024-02-09 | 北京科百宏业科技有限公司 | 智能水肥管理方法、装置、设备及存储介质 |
CN117540908A (zh) * | 2023-11-07 | 2024-02-09 | 北京佳格天地科技有限公司 | 基于大数据的农业资源整合方法和系统 |
CN117668743A (zh) * | 2023-10-26 | 2024-03-08 | 长江信达软件技术(武汉)有限责任公司 | 一种关联时空关系的时序数据预测方法 |
-
2024
- 2024-02-22 CN CN202410194761.9A patent/CN117765403B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180189564A1 (en) * | 2016-12-30 | 2018-07-05 | International Business Machines Corporation | Method and system for crop type identification using satellite observation and weather data |
US20220330468A1 (en) * | 2019-09-20 | 2022-10-20 | Seeing Systems Pty Ltd | System and methods for gathering data relating to crops and for managing crop growing operations |
CN112215716A (zh) * | 2020-10-13 | 2021-01-12 | 浙江省气候中心 | 农作物生长干预方法、装置、设备及存储介质 |
WO2022094854A1 (zh) * | 2020-11-05 | 2022-05-12 | 深圳市大疆创新科技有限公司 | 农作物的生长监测方法、设备及存储介质 |
CN113762788A (zh) * | 2021-09-13 | 2021-12-07 | 中化现代农业有限公司 | 农地数据模型与画像构建方法和系统 |
CN114442705A (zh) * | 2021-12-31 | 2022-05-06 | 浙江优控云科技有限公司 | 一种基于物联网的智慧农业系统及控制方法 |
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 |
CN116403048A (zh) * | 2023-04-17 | 2023-07-07 | 哈尔滨工业大学 | 一种基于多模态数据融合的农作物生长估计模型构建方法 |
CN116721389A (zh) * | 2023-07-28 | 2023-09-08 | 吉林隆源农业服务有限公司 | 农作物的种植管理方法 |
CN116957838A (zh) * | 2023-08-04 | 2023-10-27 | 宜宾学院 | 一种基于知识图表示学习的农作物生长环境监测方法 |
CN117063820A (zh) * | 2023-10-16 | 2023-11-17 | 武安市园林绿化管理局 | 基于大数据的智慧园林监控平台及其方法 |
CN117668743A (zh) * | 2023-10-26 | 2024-03-08 | 长江信达软件技术(武汉)有限责任公司 | 一种关联时空关系的时序数据预测方法 |
CN117540908A (zh) * | 2023-11-07 | 2024-02-09 | 北京佳格天地科技有限公司 | 基于大数据的农业资源整合方法和系统 |
CN117197595A (zh) * | 2023-11-08 | 2023-12-08 | 四川省农业科学院农业信息与农村经济研究所 | 基于边缘计算的果树生育期识别方法、装置及管理平台 |
CN117496356A (zh) * | 2023-11-28 | 2024-02-02 | 北京佳格天地科技有限公司 | 农业人工智能作物检测方法及系统 |
CN117434082A (zh) * | 2023-12-22 | 2024-01-23 | 广东岚瑞新材料科技集团有限公司 | 用于硅胶制品生产线的质量检测方法及其系统 |
CN117530031A (zh) * | 2024-01-10 | 2024-02-09 | 北京科百宏业科技有限公司 | 智能水肥管理方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
张加楠;张雪芬;简萌;胡树贞;毋立芳;: "先验阈值优化卷积神经网络的作物覆盖度提取算法", 信号处理, no. 09, 25 September 2017 (2017-09-25), pages 1230 - 1238 * |
Also Published As
Publication number | Publication date |
---|---|
CN117765403B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Palanivel et al. | An approach for prediction of crop yield using machine learning and big data techniques | |
Ruiz-Ruiz et al. | Testing different color spaces based on hue for the environmentally adaptive segmentation algorithm (EASA) | |
CN110084417A (zh) | 一种基于grnn神经网络的草莓温室环境参数智能监测系统 | |
CN110119766A (zh) | 一种多组合智能化模型的青椒温室温度智能化预警装置 | |
CN117540908B (zh) | 基于大数据的农业资源整合方法和系统 | |
CN116957838A (zh) | 一种基于知识图表示学习的农作物生长环境监测方法 | |
CN117391482B (zh) | 一种基于大数据监测的大棚温度智能预警方法及系统 | |
KR20190136774A (ko) | 작물의 수확시기 예측시스템 및 그 방법 | |
CN117743975A (zh) | 山坡耕地土壤环境改良方法 | |
CN113545280A (zh) | 一种基于植株萎蔫程度进行精准灌溉的系统及方法 | |
Manocha et al. | IoT-digital twin-inspired smart irrigation approach for optimal water utilization | |
CN118014519A (zh) | 基于物联网的数字乡村应用系统及方法 | |
Prabavathi et al. | A comprehensive review on machine learning approaches for yield prediction using essential soil nutrients | |
Sundari et al. | Crop recommendation and yield prediction using machine learning algorithms | |
CN117765403B (zh) | 提高作物抗倒伏能力和籽粒品质的施肥方法 | |
CN117520823A (zh) | 基于特征挖掘的动态监测数据处理系统及方法 | |
CN114004389A (zh) | 一种对农作物产量预测的混合方法 | |
Monica et al. | Soil NPK prediction using enhanced genetic algorithm | |
CN116579873A (zh) | 基于高温干旱气象评估作物灾害减产情况的方法及系统 | |
CN116484193A (zh) | 一种作物产量的预测方法、系统、设备及介质 | |
Balakrishnan et al. | Agricultural crop recommendation system | |
Shah et al. | Rain Prediction using Polynomial Regression for the Field of Agriculture Prediction for Karnatakka | |
Elghamrawy | An AI-Based Prediction Model for Climate Change Effects on Crop production using IoT | |
Song et al. | Real-time determination of flowering period for field wheat based on improved YOLOv5s model | |
Ahmed et al. | Micronutrient classification in IoT based agriculture using machine learning (ML) Algorithm |
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 |