一种水稻氮素胁迫程度检测方法及系统

本发明涉及水稻种植，特别涉及一种水稻氮素胁迫程度检测方法及系统。

背景技术：

1、随着科技的进步以及生产力的快速发展，我国的农业生产技术也得到了快速的发展，对应大幅提升了农作物的生长效率以及产量，从而大幅提升了农作物的经济效益。

2、其中，水稻是一种在我国南方大范围种植的农作物，在其生长的过程中，氮素是必不可少的元素，具体的，水稻氮素过少，容易导致水稻生长缓慢，同时产量较低，对应的，水稻氮素过多，则会导致水稻倒伏的现象发生，因此，控制水稻氮素的含量是水稻生长的关键环节之一。

3、进一步的，现有技术大部分通过采集水稻的植株样品并在实验室内进行对应的化学分析，或者利用卫星遥感技术获取水稻大范围的数据，来进行对应的分析，然而，上述检测方式的操作较为繁琐、周期较长，同时需要耗费大量的人力以及物力，导致检测效率较低。

技术实现思路

1、基于此，本发明的目的是提供一种水稻氮素胁迫程度检测方法及系统，以解决现有的检测方式的操作较为繁琐、周期较长，同时需要耗费大量人力以及物力的问题。

2、本发明实施例第一方面提出了：

3、一种水稻氮素胁迫程度检测方法，其中，所述方法包括：

4、实时采集水稻的叶片图像，并将所述叶片图像输入至优化后的resnet主干网络中，以通过主干网络提取出输入的叶片图像的特征并生成对应的原始特征图；

5、对所述原始特征图依次进行最大值池化处理以及平均值池化处理，以计算获得出所述原始特征图中包含的特征通道的最大值以及平均值，并通过预设全连接层将所述最大值以及所述最小值映射至同一通道权重内；

6、通过所述通道权重对所述原始特征图进行加权处理，以生成对应的目标特征图，并根据所述目标特征图检测出所述水稻的氮素胁迫程度。

7、本发明的有益效果是：通过实时采集水稻的叶片图像，并进一步通过预设resnet模型快速的提取出与当前叶片图像对应的原始特征图，具体的，该原始特征图能够对应的反映出当前水稻的氮素胁迫程度情况，基于此，根据当前原始特征图进一步生成需要的目标特征图，从而能够最终准确的检测出当前水稻内部的氮素胁迫程度，从而能够大幅缩短氮素含量的检测周期，同时能够实现自动化的处理，对应大幅提升了用户的使用体验。

8、进一步的，所述对所述原始特征图依次进行最大值池化处理以及平均值池化处理的步骤包括：

9、检测出所述原始特征图的原始图像尺寸以及原始通道数，并通过第一残差块将所述原始图像尺寸缩小成目标图像尺寸；

10、依次通过第二残差块、第三残差块以及第四残差块将所述原始通道数调整为目标通道数，以完成对所述原始特征图的最大值池化处理。

11、进一步的，所述对所述原始特征图依次进行最大值池化处理以及平均值池化处理的步骤还包括：

12、将所述目标图像尺寸以及所述目标通道数同时输入至全局平均池化层中，所述目标图像尺寸包括目标宽度以及目标高度；

13、通过所述全局平均池化层将所述目标宽度以及所述目标高度均缩小为1，并保持所述目标通道数不变，以对应完成所述平均值池化处理。

14、进一步的，所述通过所述主干网络提取出与所述叶片图像对应的原始特征图的步骤包括：

15、当获取到所述叶片图像时，基于第一预设算法对所述叶片图像进行图像标准化处理，以生成对应的中间图像，并将所述中间图像输入至所述主干网络中的bn层中；

16、基于第二预设算法在所述bn层中将所述中间图像转换成所述原始特征图，所述第一预设算法的表达式为：

17、

18、其中，x_hat表示所述中间图像，x表示所述叶片图像，μ表示均值，σ2表示方差，ε表示正数。

19、进一步的，所述第二预设算法的表达式为：

20、y＝γ*x_hat+β

21、其中，y表示所述原始特征图，x_hat表示所述中间图像，γ和β均表示学习参数。

22、进一步的，所述方法还包括：

23、根据所述水稻的氮素胁迫程度确定出与所述水稻对应的氮素胁迫程度等级，并根据所述氮素胁迫程度等级在预设数据库中确定出对应的氮素补充系数；

24、根据所述氮素胁迫程度检测出与所述水稻对应的氮素含量值，并根据所述氮素含量值以及所述氮素补充系数计算出对应的氮素补充值；

25、对所述氮素补充值以及所述氮素含量值进行累加处理，以对应计算出与所述水稻对应的氮素需求值，所述氮素补充值为正数或者负数。

26、进一步的，所述方法还包括：

27、实时监测所述氮素需求值是否高于预设氮素阈值；

28、若实时监测到所述氮素需求值高于所述预设氮素阈值，则在预设显示终端内发出对应的提示信息，所述提示信息包括声音提示以及文字提示。

29、本发明实施例第二方面提出了：

30、一种水稻氮素胁迫程度检测系统，其中，所述系统包括：

31、采集模块，用于实时采集水稻的叶片图像，并将所述叶片图像输入至优化后的resnet模型的主干网络中，以通过所述主干网络提取出与所述叶片图像对应的原始特征并生成对应的原始特征图；

32、检测模块，用于对所述原始特征图依次进行最大值池化处理以及平均值池化处理，以检测出所述原始特征图中包含的特征通道的最大值以及平均值，并通过预设全连接层将所述最大值以及所述最小值映射至同一通道权重内；

33、处理模块，用于通过所述通道权重对所述原始特征图进行加权处理，以生成对应的目标特征图，并根据所述目标特征图检测出所述水稻的氮素胁迫程度。

34、进一步的，所述检测模块具体用于：

35、检测出所述原始特征图的原始图像尺寸以及原始通道数，并通过第一残差块将所述原始图像尺寸缩小成目标图像尺寸；

36、依次通过第二残差块、第三残差块以及第四残差块将所述原始通道数调整为目标通道数，以完成对所述原始特征图的最大值池化处理。

37、进一步的，所述检测模块还具体用于：

38、将所述目标图像尺寸以及所述目标通道数同时输入至全局平均池化层中，所述目标图像尺寸包括目标宽度以及目标高度；

39、通过所述全局平均池化层将所述目标宽度以及所述目标高度均缩小为1，并保持所述目标通道数不变，以对应完成所述平均值池化处理。

40、进一步的，所述采集模块具体用于：

41、当获取到所述叶片图像时，基于第一预设算法对所述叶片图像进行图像标准化处理，以生成对应的中间图像，并将所述中间图像输入至所述主干网络中的bn层中；

42、基于第二预设算法在所述bn层中将所述中间图像转换成所述原始特征图，所述第一预设算法的表达式为：

43、

44、其中，x_hat表示所述中间图像，x表示所述叶片图像，μ表示均值，σ2表示方差，ε表示正数。

45、进一步的，所述第二预设算法的表达式为：

46、y＝γ*x_hat+β

47、其中，y表示所述原始特征图，x_hat表示所述中间图像，γ和β均表示学习参数。

48、进一步的，所述水稻氮素胁迫程度检测系统还包括计算模块，所述计算模块具体用于：

49、根据所述水稻的氮素胁迫程度确定出与所述水稻对应的氮素含量等级，并根据所述氮素含量等级在预设数据库中确定出对应的氮素补充系数；

50、根据所述氮素缺乏程度检测出与所述水稻对应的氮素含量值，并根据所述氮素含量值以及所述氮素补充系数计算出对应的氮素补充值；

51、对所述氮素补充值以及所述氮素含量值进行累加处理，以对应计算出与所述水稻对应的氮素需求值，所述氮素补充值为正数或者负数。

52、进一步的，所述水稻氮素含量检测系统还包括监测模块，所述监测模块具体用于：

53、实时监测所述氮素需求值是否高于预设氮素阈值；

54、若实时监测到所述氮素需求值高于所述预设氮素阈值，则在预设显示终端内发出对应的提示信息，所述提示信息包括声音提示以及文字提示。

55、本发明实施例第三方面提出了：

56、一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如上面所述的水稻氮素胁迫程度检测方法。

57、本发明实施例第四方面提出了：

58、一种可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上面所述的水稻氮素胁迫程度检测方法。

59、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。