基于特征图极值局域的土壤修复的出液量智能控制方法

技术领域

本发明涉及智慧环保领域下的智能控制决策，且更为具体地，涉及一种基于特征图极值局域的土壤修复的出液量智能控制方法、基于特征图极值局域的土壤修复的出液量智能控制系统和电子设备。

背景技术

随着社会与科技的不断发展，对自然资源的保护也逐渐重视起来，其中土壤资源的保护就是重要的一部分。为了保证被污染的土壤可以正常使用，会通过各种方式对污染土壤进行修复，对于受到石油污染的土壤，比如已完成开采的油井附近的土壤，现在大多数使用微生物修复的方式进行修复。

在微生物修复过程中，一般会将出液的管道插入到污染土壤中，使微生物修复液渗入到污染土壤中，对污染土壤进行修复。然而，由于土壤的受污染情况的不同，目前都是出液管道的出液量都是凭经验确定，甚至大多数情况下都是随意确定，这在一定程度上影响了污染土壤的修复效果。

因此，期待一种土壤修复的出液量智能控制方法。

目前，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。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

深度学习以及神经网络的发展为土壤修复的出液量智能控制提供了新的解决思路和方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于特征图极值局域的土壤修复的出液量智能控制方法、基于特征图极值局域的土壤修复的出液量智能控制系统和电子设备，其首先通过滑动窗口搜索土壤图像在高维特征空间中的多个局部区域及其特征极值，然后基于局部区域内的特征值与所述特征极值点之间的差值通过编码器以获得用于表示插入深度的编码结果；接着，以特征极值点为中心提取大小为n*n的第一特征矩阵并将地表特征图下采样为n*n大小的第二特征矩阵，然后计算所述第一特征矩阵和第二特征矩阵之间的均方误差作为比较特征值来表达土壤的局部污染相对于整体污染的关系。然后，通过编码器对由比较特征值和插入深度构造的向量进行编码，以获得出液管道的出液量的值的编码结果。

根据本申请的一个方面，提供了一种基于特征图极值局域的土壤修复的出液量智能控制方法，其包括：

获取待检测图像，所述待检测图像为待插入微生物修复液的输入管道的被石油污染的土壤的地表图像；

将所述待检测图像通过深度卷积神经网络，以获得地表特征图；

以滑动窗口搜索所述地表特征图，以获得多个预定大小的局部区域和所述多个局部区域中每个所述局部区域内的特征极值点；

对所述多个局部区域，计算每个所述局部区域内的特征值与所述特征极值点之间的差值的绝对值并相加以获得每个所述局部区域对应的差异特征值，以获得由多个差异特征值构成的差异特征向量；

将所述差异特征向量通过第一编码器进行编码，以获得第一编码结果，所述第一编码结果与所述差异特征向量的位数相同且所述第一编码结果的每位的值对应于所述特征极值点插入所述微生物修复液的输入管道的深度值；

对所述多个局部区域，以每个所述局部区域内的特征极值点为中心提取尺寸为n*n的第一特征矩阵，以获得多个第一特征矩阵；

将所述地表特征图下采样为n*n尺寸的第二特征矩阵；

对所述多个第一特征矩阵，分别计算所述第一特征矩阵与所述第二特征矩阵之间的距离，以获得多个比较特征值；以及

将由所述多个比较特征值构成的第一特征向量和由所述多个深度值构成的第二特征向量级联后通过第二编码器，以获得第二编码结果，所述第二编码结果的输出位数为所述输入管道的数量，所述第二编码结果的每位的值对应于所述输入管道的出液量的值。

在上述基于特征图极值局域的土壤修复的出液量智能控制方法中，将所述地表特征图下采样为n*n尺寸的第二特征矩阵，包括：对所述地表特征图进行平均值池化，以获得池化特征图；以及，将所述池化特征图通过多个卷积层，以获得所述第二特征矩阵。

在上述基于特征图极值局域的土壤修复的出液量智能控制方法中，对所述多个第一特征矩阵，分别计算所述第一特征矩阵与所述第二特征矩阵之间的距离，以获得多个比较特征值，包括：对所述多个第一特征矩阵，分别计算所述第一特征矩阵与所述第二特征矩阵之间的均方误差，以获得多个比较特征值。

在上述基于特征图极值局域的土壤修复的出液量智能控制方法中，对所述多个第一特征矩阵，分别计算所述第一特征矩阵与所述第二特征矩阵之间的距离，以获得多个比较特征值，包括：对所述多个第一特征矩阵，分别计算所述第一特征矩阵与所述第二特征矩阵之间的余弦距离，以获得多个比较特征值。

在上述基于特征图极值局域的土壤修复的出液量智能控制方法中，将由所述多个比较特征值构成的第一特征向量和由所述多个深度值构成的第二特征向量级联后通过第二编码器，以获得第二编码结果，包括：将由所述多个比较特征值构成的第一特征向量和由所述多个深度值构成的第二特征向量级联后通过多个全连接层，以获得所述第二编码结果，其中，所述多个全连接层中最后一个全连接层的输出位的数量等于所述输入管道的数量且每个输出位的值对应于所述输入管道的出液量的值。

在上述基于特征图极值局域的土壤修复的出液量智能控制方法中，所述深度卷积神经网络为深度残差网络。

根据本申请的另一方面，提供了一种基于特征图极值局域的土壤修复的出液量智能控制系统，其包括：

待检测图像获取单元，用于获取待检测图像，所述待检测图像为待插入微生物修复液的输入管道的被石油污染的土壤的地表图像；

地表特征图生成单元，用于将所述待检测图像获取单元获得的所述待检测图像通过深度卷积神经网络，以获得地表特征图；

局部区域搜索单元，用于以滑动窗口搜索所述地表特征图生成单元获得的所述地表特征图，以获得多个预定大小的局部区域和所述多个局部区域中每个所述局部区域内的特征极值点；

差异特征向量生成单元，用于对所述局部区域搜索单元获得的所述多个局部区域，计算每个所述局部区域内的特征值与所述特征极值点之间的差值的绝对值并相加以获得每个所述局部区域对应的差异特征值，以获得由多个差异特征值构成的差异特征向量；

第一编码结果生成单元，用于将所述差异特征向量生成单元获得的所述差异特征向量通过第一编码器进行编码，以获得第一编码结果，所述第一编码结果与所述差异特征向量的位数相同且所述第一编码结果的每位的值对应于所述特征极值点插入所述微生物修复液的输入管道的深度值；

第一特征矩阵生成单元，用于对所述局部区域搜索单元获得的所述多个局部区域，以每个所述局部区域内的特征极值点为中心提取尺寸为n*n的第一特征矩阵，以获得多个第一特征矩阵；

第二特征矩阵生成单元，用于将所述地表特征图生成单元获得的所述地表特征图下采样为n*n尺寸的第二特征矩阵；

比较特征值生成单元，用于对所述第一特征矩阵生成单元获得的所述多个第一特征矩阵，分别计算所述第一特征矩阵与所述第二特征矩阵之间的距离，以获得多个比较特征值；

第二编码结果生成单元，用于将由所述比较特征值生成单元获得的所述多个比较特征值构成的第一特征向量和由所述多个深度值构成的第二特征向量级联后通过第二编码器，以获得第二编码结果，所述第二编码结果的输出位数为所述输入管道的数量，所述第二编码结果的每位的值对应于所述输入管道的出液量的值。

在上述基于特征图极值局域的土壤修复的出液量智能控制系统中，所述第二特征矩阵生成单元，包括：池化特征图生成子单元，用于对所述地表特征图进行平均值池化，以获得池化特征图；以及，卷积子单元，用于将所述池化特征图生成子单元获得的所述池化特征图通过多个卷积层，以获得所述第二特征矩阵。

在上述基于特征图极值局域的土壤修复的出液量智能控制系统中，所述比较特征值生成单元，进一步用于：对所述多个第一特征矩阵，分别计算所述第一特征矩阵与所述第二特征矩阵之间的均方误差，以获得多个比较特征值。

在上述基于特征图极值局域的土壤修复的出液量智能控制系统中，所述比较特征值生成单元，进一步用于：对所述多个第一特征矩阵，分别计算所述第一特征矩阵与所述第二特征矩阵之间的余弦距离，以获得多个比较特征值。

在上述基于特征图极值局域的土壤修复的出液量智能控制系统中，所述第二编码结果生成单元，进一步用于：将由所述多个比较特征值构成的第一特征向量和由所述多个深度值构成的第二特征向量级联后通过多个全连接层，以获得所述第二编码结果，其中，所述多个全连接层中最后一个全连接层的输出位的数量等于所述输入管道的数量且每个输出位的值对应于所述输入管道的出液量的值。

在上述基于特征图极值局域的土壤修复的出液量智能控制系统中，所述深度卷积神经网络为深度残差网络。

根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于特征图极值局域的土壤修复的出液量智能控制方法。

根据本申请的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于特征图极值局域的土壤修复的出液量智能控制方法。

与现有技术相比，本申请提供的基于特征图极值局域的土壤修复的出液量智能控制方法、基于特征图极值局域的土壤修复的出液量智能控制系统和电子设备，其首先通过滑动窗口搜索土壤图像在高维特征空间中的多个局部区域及其特征极值，然后基于局部区域内的特征值与所述特征极值点之间的差值通过编码器以获得用于表示插入深度的编码结果；接着，以特征极值点为中心提取大小为n*n的第一特征矩阵并将地表特征图下采样为n*n大小的第二特征矩阵，然后计算所述第一特征矩阵和第二特征矩阵之间的均方误差作为比较特征值来表达土壤的局部污染相对于整体污染的关系。然后，通过编码器对由比较特征值和插入深度构造的向量进行编码，以获得出液管道的出液量的值的编码结果。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1图示了根据本申请实施例的基于特征图极值局域的土壤修复的出液量智能控制方法的应用场景图；

图2图示了根据本申请实施例的基于特征图极值局域的土壤修复的出液量智能控制方法的流程图；

图3图示了根据本申请实施例的基于特征图极值局域的土壤修复的出液量智能控制方法的系统架构示意图；

图4图示了根据本申请实施例的基于特征图极值局域的土壤修复的出液量智能控制方法中，将所述地表特征图下采样为n*n尺寸的第二特征矩阵的流程图；

图5图示了根据本申请实施例的基于特征图极值局域的土壤修复的出液量智能控制系统的框图。

图6图示了根据本申请实施例的基于特征图极值局域的土壤修复的出液量智能控制系统中第二特征矩阵生成单元的框图。

图7图示了根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

如前所述，在微生物修复过程中，一般会将出液的管道插入到污染土壤中，使微生物修复液渗入到污染土壤中，对污染土壤进行修复。然而，由于土壤的受污染情况的不同，目前都是出液管道的出液量都是凭经验确定，甚至大多数情况下都是随意确定，这在一定程度上影响了污染土壤的修复效果。

由于出液量是由石油污染的土壤的污染情况决定的，并且每个出液管道的出液量也与每个出液管道的插入位置和插入深度有关。因此，在确定出液管道插入土壤中的位置时，从直观上来说，需要选择土壤中受污染情况相对严重的部分插入出液管道，并且相应地，需要按照出液管道所插入的局部区域的整体污染情况来确定插入深度。因此，在本申请的技术方案中，在获得石油污染的土壤的地表图像并通过卷积神经网络获得特征图之后，首先通过滑动窗口搜索特征图以获得预定大小的局部区域内的特征极值，也就是特征的最大值和最小值。这里，因为卷积神经网络获取的特征图表达的是图像的像素之间的高维特征，因此不仅特征图中的最大值，最小值也可以反映出原始图像内相对于其它像素的具有特定关系的像素点，从而可能对应于需要插入出液管道的位置。

在获得特征极值点之后，以该特征极值点为中心提取大小为n*n的第一特征矩阵，并且将特征图下采样为n*n大小的第二特征矩阵，并计算所述第一特征矩阵和第二特征矩阵之间的均方误差作为特征值，该特征值可以表达土壤的局部污染相对于整体污染的关系，从而作为表达出液量的特征的重要参数。

另外，出液量也与插入深度有关，因此由上述特征值构造成的特征向量与由插入深度构成的特征向量级联之后，通过多个全连接层，以提取出各个出液管道所对应的相对污染情况之间的关联，各个出液管道所对应的插入深度之间的关联，以及相对污染情况与插入深度之间的关联。其中，最后一个全连接层的输出位数为出液管道的数目，也就是，编码结果的每位的值对应于该出液管道的出液量的值。

基于此，本申请提出了一种基于特征图极值局域的土壤修复的出液量智能控制方法，其包括：获取待检测图像，所述待检测图像为待插入微生物修复液的输入管道的被石油污染的土壤的地表图像；将所述待检测图像通过深度卷积神经网络，以获得地表特征图；以滑动窗口搜索所述地表特征图，以获得多个预定大小的局部区域和所述多个局部区域中每个所述局部区域内的特征极值点；对所述多个局部区域，计算每个所述局部区域内的特征值与所述特征极值点之间的差值的绝对值并相加以获得每个所述局部区域对应的差异特征值，以获得由多个差异特征值构成的差异特征向量；将所述差异特征向量通过第一编码器进行编码，以获得第一编码结果，所述第一编码结果与所述差异特征向量的位数相同且所述第一编码结果的每位的值对应于所述特征极值点插入所述微生物修复液的输入管道的深度值；对所述多个局部区域，以每个所述局部区域内的特征极值点为中心提取尺寸为n*n的第一特征矩阵，以获得多个第一特征矩阵；将所述地表特征图下采样为n*n尺寸的第二特征矩阵；对所述多个第一特征矩阵，分别计算所述第一特征矩阵与所述第二特征矩阵之间的距离，以获得多个比较特征值；以及，将由所述多个比较特征值构成的第一特征向量和由所述多个深度值构成的第二特征向量级联后通过第二编码器，以获得第二编码结果，所述第二编码结果的输出位数为所述输入管道的数量，所述第二编码结果的每位的值对应于所述输入管道的出液量的值。

图1图示了根据本申请实施例的基于特征图极值局域的土壤修复的出液量智能控制方法的应用场景图。

如图1所示，在该应用场景中，通过摄像头(例如，如图1中所示意的C)获取待检测图像，其中，所述待检测图像为待插入微生物修复液的输入管道的被石油污染的土壤的地表图像；然后，将所述待检测图像输入至部署有基于特征图极值局域的土壤修复的出液量智能控制算法的服务器中(例如，如图1中所示意的S)，其中，所述服务器能够基于特征图极值局域的土壤修复的出液量智能控制算法对所述待检测图像进行处理，以生成第二编码结果，所述第二编码结果的输出位数为所述输入管道的数量，所述第二编码结果的每位的值对应于所述输入管道的出液量的值。

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图示了基于特征图极值局域的土壤修复的出液量智能控制方法的流程图。如图2所示，根据本申请实施例的基于特征图极值局域的土壤修复的出液量智能控制方法，包括：S110，获取待检测图像，所述待检测图像为待插入微生物修复液的输入管道的被石油污染的土壤的地表图像；S120，将所述待检测图像通过深度卷积神经网络，以获得地表特征图；S130，以滑动窗口搜索所述地表特征图，以获得多个预定大小的局部区域和所述多个局部区域中每个所述局部区域内的特征极值点；S140，对所述多个局部区域，计算每个所述局部区域内的特征值与所述特征极值点之间的差值的绝对值并相加以获得每个所述局部区域对应的差异特征值，以获得由多个差异特征值构成的差异特征向量；S150，将所述差异特征向量通过第一编码器进行编码，以获得第一编码结果，所述第一编码结果与所述差异特征向量的位数相同且所述第一编码结果的每位的值对应于所述特征极值点插入所述微生物修复液的输入管道的深度值；S160，对所述多个局部区域，以每个所述局部区域内的特征极值点为中心提取尺寸为n*n的第一特征矩阵，以获得多个第一特征矩阵；S170，将所述地表特征图下采样为n*n尺寸的第二特征矩阵；S180，对所述多个第一特征矩阵，分别计算所述第一特征矩阵与所述第二特征矩阵之间的距离，以获得多个比较特征值；以及，S190，将由所述多个比较特征值构成的第一特征向量和由所述多个深度值构成的第二特征向量级联后通过第二编码器，以获得第二编码结果，所述第二编码结果的输出位数为所述输入管道的数量，所述第二编码结果的每位的值对应于所述输入管道的出液量的值。

图3图示了根据本申请实施例的基于特征图极值局域的土壤修复的出液量智能控制方法的架构示意图。如图3所示，在所述基于特征图极值局域的土壤修复的出液量智能控制方法的网络架构中，首先，将通过摄像头获取的待检测图像(例如，如图3中所示意的IN1)输入深度卷积神经网络(例如，如图3中所示意的CNN)以获得地表特征图(例如，如图3中所示意的F1)；接着，以滑动窗口搜索所述地表特征图，以获得多个预定大小的局部区域(例如，如图3中所示意的A1到An)和所述多个局部区域中每个所述局部区域内的特征极值点(例如，如图3中所示意的D1到Dn)；接着，对所述多个局部区域，计算每个所述局部区域内的特征值与所述特征极值点之间的差值的绝对值并相加以获得每个所述局部区域对应的差异特征值，以获得由多个差异特征值构成的差异特征向量(例如，如图3中所示意的Vd)；接着，将所述差异特征向量通过第一编码器(例如，如图3中所示意的第一编码器)进行编码，以获得第一编码结果(例如，如图3中所示意的C1)；接着，对所述多个局部区域，以每个所述局部区域内的特征极值点为中心提取尺寸为n*n的第一特征矩阵，以获得多个第一特征矩阵(例如，如图3中所示意的M11到M1n)；接着，将所述地表特征图下采样为n*n尺寸的第二特征矩阵(例如，如图3中所示意的M2)；接着，对所述多个第一特征矩阵，分别计算所述第一特征矩阵与所述第二特征矩阵之间的距离，以获得多个比较特征值；接着，将由所述多个比较特征值构成的第一特征向量(例如，如图3中所示意的V1)和由所述多个深度值构成的第二特征向量级联后通过第二编码器(例如，如图3中所示意的第二编码器)，以获得第二编码结果(例如，如图3中所示意的C2)，所述第二编码结果的输出位数为所述输入管道的数量，所述第二编码结果的每位的值对应于所述输入管道的出液量的值。

在步骤S110中，获取待检测图像，所述待检测图像为待插入微生物修复液的输入管道的被石油污染的土壤的地表图像。具体地，在本申请实施例中，可通过摄像头获取待插入微生物修复液的输入管道的被石油污染的土壤的地表图像作为待检测图像，也就是，在本申请方案中，通过计算机视觉技术，来进一步在视觉层面上对被石油污染的土壤的地表图像的进行检测。

在步骤S120中，将所述待检测图像通过深度卷积神经网络，以获得地表特征图。也就是，采用深度卷积神经网络提取所述待检测图像中的高维特征。

特别地，在本申请实施例中，所述深度卷积神经网络被实施为深度残差神经网络，例如，ResNet 50。本领域普通技术人员应知晓，相较于传统的卷积神经网络，深度残差网络为在传统卷积神经网络的基础上提出的一种优化网络结构，其主要解决在训练过程中的梯度消失的问题。深度残差网络引入了残差网络结构，通过残差网络结构可以把网络层弄得更深，并且，不会发生梯度消失的问题。残差网络借鉴了高速网络的跨层链接思想，其打破了传统的神经网络从N-1层的输入层只能给N层作为输入的惯例，使某一层的输出可以直接跨过几层作为后面某一层的输入，其意义在于为迭加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。

在步骤S130中，以滑动窗口搜索所述地表特征图，以获得多个预定大小的局部区域和所述多个局部区域中每个所述局部区域内的特征极值点。本领域普通技术人员应知晓，以滑动窗口搜索所述地表特征图，可以从所述地表特征图中提取感兴趣区域。应可以理解，在确定出液管道插入土壤中的位置时，从直观上来说，需要选择土壤中受污染情况相对严重的部分插入出液管道，并且相应地，需要按照出液管道所插入的局部区域的整体污染情况来确定插入深度。因此，在本申请的技术方案中，通过滑动窗口搜索特征图以获得预定大小的局部区域内的特征极值，也就是特征的最大值和最小值。

这里，因为卷积神经网络获取的特征图表达的是图像的像素之间的高维特征，因此不仅特征图中的最大值，最小值也可以反映出原始图像内相对于其它像素的具有特定关系的像素点，从而可能对应于需要插入出液管道的位置。

特别地，在本申请实施例中，所述滑动窗口的尺寸参数和移动步长作为超参数参与到训练过程中，这样，可以减小训练时的计算量。

在步骤S140中，对所述多个局部区域，计算每个所述局部区域内的特征值与所述特征极值点之间的差值的绝对值并相加以获得每个所述局部区域对应的差异特征值，以获得由多个差异特征值构成的差异特征向量。应可以理解，针对所获得的预定大小的局部区域，计算所述局部区域内的每个特征值与所述极值之间的差值的绝对值并将这些绝对值相加以获得差异特征值，该差异特征值能够表示局部区域内的像素特征之间的关联关系。

在步骤S150中，将所述差异特征向量通过第一编码器进行编码，以获得第一编码结果，所述第一编码结果与所述差异特征向量的位数相同且所述第一编码结果的每位的值对应于所述特征极值点插入所述微生物修复液的输入管道的深度值。

具体地，在本申请实施例中，所述编码器包括一个或多个全连接层，编码器可以基于差异特征向量考虑编码结果的每一位与对应的特征值之间的关联，以及从全局角度考虑插入编码结果的各个位彼此之间的关联。并且，全连接层的最后一层可以将该差异特征向量编码为预定长度的编码结果，这里，编码结果与差异特征向量的位数相同，且编码结果的每位的值对应于该极值点插入出液管道的深度值。

在步骤S160中，对所述多个局部区域，以每个所述局部区域内的特征极值点为中心提取尺寸为n*n的第一特征矩阵，以获得多个第一特征矩阵。应可以理解，以该特征极值点为中心提取大小为n*n的第一特征矩阵，所述第一特征矩阵可以表达土壤的局部污染特征。

在步骤S170中，将所述地表特征图下采样为n*n尺寸的第二特征矩阵。

具体地，在本申请实施例中，将所述地表特征图下采样为n*n尺寸的第二特征矩阵的过程，包括：首先，对所述地表特征图进行平均值池化，以获得池化特征图，也就是，通过对所述地表特征图进行平均值池化，所获得的池化特征图尺寸得到缩小，并且能保留图像中的背景信息，即可以表达土壤的整体污染特征。然后，将所述池化特征图通过多个卷积层，以获得所述第二特征矩阵。这里，因为在平均值池化过程中实质上损失了某些位置的特征信息，因此进一步通过多个卷积层挖掘更高维度的图像特征信息来作为补偿。

图4图示了根据本申请实施例的基于特征图极值局域的土壤修复的出液量智能控制方法中，将所述地表特征图下采样为n*n尺寸的第二特征矩阵的流程图。如图4所示，在本申请实施例中，将所述地表特征图下采样为n*n尺寸的第二特征矩阵，包括：S210，对所述地表特征图进行平均值池化，以获得池化特征图；以及，S220，将所述池化特征图通过多个卷积层，以获得所述第二特征矩阵。

在步骤S180中，对所述多个第一特征矩阵，分别计算所述第一特征矩阵与所述第二特征矩阵之间的距离，以获得多个比较特征值。

具体地，在本申请实施例中，对所述多个第一特征矩阵，分别计算所述第一特征矩阵与所述第二特征矩阵之间的距离，以获得多个比较特征值的过程，包括：对所述多个第一特征矩阵，分别计算所述第一特征矩阵与所述第二特征矩阵之间的均方误差，以获得多个比较特征值。本领域普通技术人员应知晓，均方误差是反映估计量与被估计量之间差异程度的一种度量。应可以理解，计算所述第一特征矩阵和第二特征矩阵之间的均方误差作为特征值，该特征值可以表达土壤的局部污染相对于整体污染的关系，从而作为表达出液量的特征的重要参数。

值得一提的是，在本申请的其他示例中，还可以用过其他方式计算所述第一特征矩阵与所述第二特征矩阵之间的距离，以获得多个比较特征值。例如，在本申请的另一示例中，对所述多个第一特征矩阵，分别计算所述第一特征矩阵与所述第二特征矩阵之间的距离，以获得多个比较特征值的过程，包括：对所述多个第一特征矩阵，分别计算所述第一特征矩阵与所述第二特征矩阵之间的余弦距离，以获得多个比较特征值。应可以理解，在分析两个特征矩阵之间的相似性时，常使用余弦相似度来表示，两个特征矩阵之间的余弦距离，关注的是特征矩阵之间的角度关系，并不关心它们的绝对大小，计算所述第一特征矩阵和第二特征矩阵之间的余弦距离作为特征值，该特征值可以表达土壤的局部污染相对于整体污染的相似关系，从而作为表达出液量的特征的重要参数。

在步骤S190中，将由所述多个比较特征值构成的第一特征向量和由所述多个深度值构成的第二特征向量级联后通过第二编码器，以获得第二编码结果，所述第二编码结果的输出位数为所述输入管道的数量，所述第二编码结果的每位的值对应于所述输入管道的出液量的值。

具体地，在本申请实施例中，将由所述多个比较特征值构成的第一特征向量和由所述多个深度值构成的第二特征向量级联后通过第二编码器，以获得第二编码结果的过程，包括：将由所述多个比较特征值构成的第一特征向量和由所述多个深度值构成的第二特征向量级联后通过多个全连接层，以获得所述第二编码结果，其中，所述多个全连接层中最后一个全连接层的输出位的数量等于所述输入管道的数量且每个输出位的值对应于所述输入管道的出液量的值。也就是，所述第二编码器为多个全连接层，应可以理解，出液量也与插入深度有关，因此由比较特征值构造成的第一特征向量与由插入深度构成的第二特征向量级联之后，通过多个全连接层，以提取出各个出液管道所对应的相对污染情况之间的关联，各个出液管道所对应的插入深度之间的关联，以及相对污染情况与插入深度之间的关联。

综上，本申请实施例的基于特征图极值局域的土壤修复的出液量智能控制方法被阐明，其通过滑动窗口搜索土壤图像在高维空间中的局部区域内的特征极值，基于局部特征极值进行处理，获得由插入深度构成的特征向量和土壤的局部污染相对于整体污染的特征值构成的特征向量，并将两个特征向量进行级联，通过多个全连接层获得编码结果，以提取出各个出液管道所对应的相对污染情况之间的关联，各个出液管道所对应的插入深度之间的关联，以及相对污染情况与插入深度之间的关联。从而，获得的编码结果的每位的值对应于该出液管道的出液量的值。

图5图示了根据本申请实施例的基于特征图极值局域的土壤修复的出液量智能控制系统的框图。

如图5所示，根据本申请实施例的基于特征图极值局域的土壤修复的出液量智能控制系统500，包括：待检测图像获取单元510，用于获取待检测图像，所述待检测图像为待插入微生物修复液的输入管道的被石油污染的土壤的地表图像；地表特征图生成单元520，用于将所述待检测图像获取单元510获得的所述待检测图像通过深度卷积神经网络，以获得地表特征图；局部区域搜索单元530，用于以滑动窗口搜索所述地表特征图生成单元520获得的所述地表特征图，以获得多个预定大小的局部区域和所述多个局部区域中每个所述局部区域内的特征极值点；差异特征向量生成单元540，用于对所述局部区域搜索单元530获得的所述多个局部区域，计算每个所述局部区域内的特征值与所述特征极值点之间的差值的绝对值并相加以获得每个所述局部区域对应的差异特征值，以获得由多个差异特征值构成的差异特征向量；第一编码结果生成单元550，用于将所述差异特征向量生成单元540获得的所述差异特征向量通过第一编码器进行编码，以获得第一编码结果，所述第一编码结果与所述差异特征向量的位数相同且所述第一编码结果的每位的值对应于所述特征极值点插入所述微生物修复液的输入管道的深度值；第一特征矩阵生成单元560，用于对所述局部区域搜索单元530获得的所述多个局部区域，以每个所述局部区域内的特征极值点为中心提取尺寸为n*n的第一特征矩阵，以获得多个第一特征矩阵；第二特征矩阵生成单元570，用于将所述地表特征图生成单元520获得的所述地表特征图下采样为n*n尺寸的第二特征矩阵；比较特征值生成单元580，用于对所述第一特征矩阵生成单元560获得的所述多个第一特征矩阵，分别计算所述第一特征矩阵与所述第二特征矩阵之间的距离，以获得多个比较特征值；以及，第二编码结果生成单元590，用于将由所述比较特征值生成单元580获得的所述多个比较特征值构成的第一特征向量和由所述多个深度值构成的第二特征向量级联后通过第二编码器，以获得第二编码结果，所述第二编码结果的输出位数为所述输入管道的数量，所述第二编码结果的每位的值对应于所述输入管道的出液量的值。

在一个示例中，在上述智能控制系统500中，所述第二特征矩阵生成单元570，包括：池化特征图生成子单元571，用于对所述地表特征图进行平均值池化，以获得池化特征图；以及，卷积子单元572，用于将所述池化特征图生成子单元571获得的所述池化特征图通过多个卷积层，以获得所述第二特征矩阵。

在一个示例中，在上述智能控制系统500中，所述比较特征值生成单元580，进一步用于：对所述多个第一特征矩阵，分别计算所述第一特征矩阵与所述第二特征矩阵之间的均方误差，以获得多个比较特征值。

在一个示例中，在上述智能控制系统500中，所述比较特征值生成单元580，进一步用于：对所述多个第一特征矩阵，分别计算所述第一特征矩阵与所述第二特征矩阵之间的余弦距离，以获得多个比较特征值。

在一个示例中，在上述智能控制系统500中，所述第二编码结果生成单元590，进一步用于：将由所述多个比较特征值构成的第一特征向量和由所述多个深度值构成的第二特征向量级联后通过多个全连接层，以获得所述第二编码结果，其中，所述多个全连接层中最后一个全连接层的输出位的数量等于所述输入管道的数量且每个输出位的值对应于所述输入管道的出液量的值。

在一个示例中，在上述智能控制系统500中，所述深度卷积神经网络为深度残差网络。

这里，本领域技术人员可以理解，上述智能控制系统500中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的基于特征图极值局域的土壤修复的出液量智能控制方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的智能控制系统500可以实现在各种终端设备中，例如用于土壤修复的出液量智能控制的服务器等。在一个示例中，根据本申请实施例的智能控制系统500可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该智能控制系统500可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该智能控制系统500同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该智能控制系统500与该终端设备也可以是分立的设备，并且该智能控制系统500可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

下面，参考图7来描述根据本申请实施例的电子设备。

图7图示了根据本申请实施例的电子设备的框图。

如图7所示，电子设备包括10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于特征图极值局域的土壤修复的出液量智能控制方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如差异特征向量、比较特征值等各种内容。

在一个示例中，电子设备10还可以包括：输入系统13和输出系统14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

该输入系统13可以包括例如键盘、鼠标等等。

该输出系统14可以向外部输出各种信息，包括第二编码结果等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图7中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于特征图极值局域的土壤修复的出液量智能控制方法中的功能中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的基于特征图极值局域的土壤修复的出液量智能控制方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。