1.一种作物冠层表型信息提取方法，其特征在于，包括如下步骤：

S110：获取田间作物高分辨率遥感图像，将所述田间作物高分辨率遥感图像归一化处理，将归一化处理后的图像随机切片，得到作物切片图像，标注作物切片图像建立作物冠层数据集；

S120：构建基于多维权重聚合的动态卷积神经网络，所述神经网络由基于多维注意力的动态卷积模块残差连接堆叠而成，所述基于多维注意力的动态卷积模块包括多维注意力提取模块和多维注意力聚合模块；

S130：构建基于级联自注意力的作物特征提取网络，所述提取网络包括固定间隔自注意力模块、局部分区自注意力模块和随机窗口自注意力模块；

S140：构建作物上下文信息提取模块，所述提取模块由并行连接的不同空洞率空洞卷积模块、作物上下文信息交互融合子模块构成；

S150：构建作物多尺度特征聚合模块，该模块旨在聚合模型不同层次的特征图，特征图按不同深度可分为浅层特征、中间层特征和深层特征；

所述作物多尺度特征聚合模块构建步骤包括：

将三种来自解码模块不同层次特征图上采样至输入图像分辨率大小；

将三种来自解码模块不同层次特征图使用1×1卷积调整至相同通道数得到，其中 表示由浅至深的第 层特征图，并按从浅层至深层顺序进行拼接得到 ；

将拼接得到的特征图Xcat在双分支中分别使用1×1卷积调整通道数、按特征尺度在通道上求和，得到聚合分支输出特征图XAdj和累加分支输出特征图XSum；

在双分支上分别添加可学习参数 、 用于调整 和 的重要性权重，并将结果进行残差连接以获取输出特征图，该过程可表示为；

S160：配置面向作物冠层表型信息提取的语义分割模型，所述语义分割模型包括编码器结构、解码器结构和跳跃连接结构；所述编码器结构包括步骤S120所述的基于多维权重聚合的动态卷积神经网络和步骤S130所述的基于级联自注意力的作物特征提取网络，跳跃连接结构包括步骤S140所述的作物上下文信息提取模块；解码器结构包括从上至下的第一解码模块、第二解码模块、第三解码模块、第四解码模块，各解码模块由堆叠的卷积操作和一个上采样操作构成，通过依次连接的解码模块将编码器分支提取到的特征图恢复到原始分辨率，在第一解码模块后引入步骤S150所述的作物多尺度特征聚合模块；

S170：输入作物图像数据训练步骤S160所述语义分割模型，训练结果用于后续作物表型信息提取；

S180：计算作物冠层表型信息，计算的表型信息包括但不限于叶面积指数、冠层宽度、冠层长度、冠层覆盖度和长势情况。

2.根据权利要求1所述的一种作物冠层表型信息提取方法，其特征在于，步骤S120中，所述多维注意力提取模块根据输入样本，计算不同维度上的注意力权重；所述多维注意力聚合模块，将计算出的注意力权重与卷积核参数进行聚合；

残差连接结构将所述基于多维注意力的动态卷积模块构建为作物特征提取模块；并分别构建第一作物特征提取模块、第二作物特征提取模块和第三作物特征提取模块，三个串联的作物特征提取模块构成基于多维权重聚合的动态卷积神经网络；

输入的作物切片图像通过一系列依次连接的作物特征提取模块提取不同感受野下的语义特征。

3.根据权利要求2所述一种作物冠层表型信息提取方法，其特征在于，步骤S130中，所述固定间隔自注意力模块用于感知作物整体分布特征，该模块将输入特征图按超参数指定的切片数量进行划分，进而对每个切片中的像素点按从上至下、从左至右进行编号，最后对相同编号的像素点按组分别进行多头自注意力运算；

所述局部分区自注意力模块用于充分提取每个地块中作物冠层特征，该模块将输入特征图划分为固定大小切片，进而对每个固定大小切片内所有像素点进行多头自注意力运算；

所述随机窗口自注意力模块用于增强模型对作物种植标准差异的鲁棒性，该模块将输入特征图按超参数指定的窗口数量进行划分，随机抽取每个窗口内的单个像素点按组分别进行多头自注意力运算；

固定间隔自注意力模块、局部分区自注意力模块和随机窗口自注意力模块以级联的形式构建基于级联自注意力的作物特征提取基础模块，并将基于级联自注意力的作物特征提取基础模块重复堆叠构建基于级联自注意力的作物特征提取网络。

4.根据权利要求3所述一种作物冠层表型信息提取方法，其特征在于，步骤S140中，所述作物上下文信息提取模块构建与输入处理过程包括：配置满足作物冠层表型信息提取需求感受野大小的空洞率组合 ；

根据所述空洞率组合构建空洞卷积模块 ；

并联所述空洞卷积模块得到输出结果 ，随后传入作物上下文信息交互融合子模块合并输出结果得到作物上下文交互融合信息Xout。

5.根据权利要求4所述的一种作物冠层表型信息提取方法，其特征在于：作物上下文信息交互融合子模块构建与输入处理过程包括：首先将作物上下文多尺度信息 按通道数进行展开得到作物多头独立上下文信息；进而，通过矩阵映射，将作物多头独立上下文信息 映射至高维空间，得到作物高维上下文信息 ；随后，对作物高维上下文信息每个通道进行自注意力运算得到作物上下文融合信息 ；对作物上下文融合信息分别开展双层交互计算分别得到作物上下文空间交互信息 、作物上下文通道交互信息 ；最后，将作物上下文融合信息与上下文空间交互信息、上下文通道交互信息分别作逐元素相乘并将二者输出逐元素相加得到作物上下文交互融合信息 ，该过程可表示为：其中， 、 、 均表示映射矩阵， 表示矩阵转置， 表示作物多头独立上下文信息， 表示多头自注意力运算， 表示作物上下文融合信息， 表示双层交互计算中的空间交互计算， 表示双层交互计算中的通道交互计算，表示矩阵逐元素乘法， 表示矩阵逐元素加法， 表示本模块输出的作物上下文交互融合信息。

6.根据权利要求5所述一种作物冠层表型信息提取方法，其特征在于，步骤S180中，获取待分割的作物图像，将所述作物图像输入步骤S160构建的面向作物冠层表型信息提取的语义分割模型；获取对应的分割结果，所述分割结果表示为作物像素与背景像素；基于分割结果，结合球面叶片倾斜分布函数计算叶面积指数，依据单位像素对应的实际长度计算冠层宽度、冠层长度，统计作物像素与总像素的比值获取冠层覆盖度，结合关键表型信息设计作物长势评价体系。

7.一种电子设备，其特征在于，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器依次连接，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1‑6任一项所述的方法。

8.一种可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1‑6任一项所述的方法。