基于多光谱图像的土壤有机质含量检测系统与APP研究.pdf
《基于多光谱图像的土壤有机质含量检测系统与APP研究.pdf》由会员分享,可在线阅读,更多相关《基于多光谱图像的土壤有机质含量检测系统与APP研究.pdf(9页珍藏版)》请在咨信网上搜索。
1、2023年9 月第54卷第9 期农报业机械学doi:10.6041/j.issn.1000-1298.2023.09.027基于多光谱图像的土壤有机质含量检测系统与APP研究杨玮于李浩曹永研郝子源(中国农业大学智慧农业系统集成研究教育部重点实验室,北京10 0 0 8 3)摘要:受到土壤种类、水分等客观因素的干扰,基于图像预测土壤有机质(Soil organicmatter,SOM)含量与传统方法在检测精度上仍存在差距,限制了相关技术的推广和普及。为提升基于图像预测SOM含量的精度,本研究提出N_DenseNet网络模型,在DenseNetl69基础上加人多尺度池化模块,通过获取更多的维度特征
2、提升模型的性能,并结合Android端开发SOM实时检测应用程序(APP),通过内网透射实现PC端与手机端数据的及时传输。以黑龙江省友谊县、北京市昌平区、山东省泰安市3地的350 份土样为基础,通过手机以及多光谱无人机获取原位土壤的高清图像,R波段、红边波段与近红外波段图像,以丰富数据信息,并通过室内胁迫的方式拍摄土壤样品在不同水分梯度下的图像缓解水分对图像造成的影响。对比不同深度学习模型,基于多光谱图像数据训练的N_DenseNet表现最好,整体表现优于DenseNet169,测试集R为0.8 33,RMSE为3.943g/kg,R相比于可见光数据提升0.0 16,证明了训练过程加入R波段与
3、红边和近红外波段图像后有助于提升模型的性能,证明了该方法的可行性。手机端APP与后台端数据相连实现数据实时传输,实现了田间土样SOM含量的实时预测,经田间试验验证,模型预测集R为0.805,检测时间为2.8 s,满足了田间SOM含量检测的需求,为SOM含量实时检测提供了新的思路。关键词:土壤有机质;检测系统;多光谱图像;深度学习;Android;A PP中图分类号:S237文献标识码:A文章编号:10 0 0-12 98(2 0 2 3)0 9-0 2 7 0-0 9OSID:Detection System and APP Development of Soil Organic Matter
4、 ContentBased on Multispectral ImagesYANG WeiYU HaoLI HaoCAo YongyanHAo Ziyuan(Key Laboratory of Smart Agriculture Systems,Ministry of Education,China Agricultural University,Beijing 100083,China)Abstract:Predicting soil organic matter(SO M)c o n t e n t b a s e d o n i m a g e s h a s t h e a d v a
5、 n t a g e s o fconvenience and low cost.Interfered by objective factors such as soil type and moisture,there is still agap between the detection accuracy of image prediction SOM content and traditional methods,whichlimits the promotion and popularization of related technologies.In order to improve
6、the accuracy of imageprediction of SOM content,a N_DenseNet multi-scale pooling module was added to DenseNetl69 toimprove the performance of the model by obtaining more dimensional features,and combined thedevelopment of SOM real-time detection APP on the Android side to realize the timely transmiss
7、ion ofserver and mobile phone data through intranet projection.Based on 350 soil samples from Youyi County,Heilongjiang Province,Changping District,Beijing City and Taian City,Shandong Province,high-definition images,R-band,red-edged band and near-infrared band images of in situ soil were obtainedth
8、rough mobile phones and multispectral drones to enrich data information,and image samples of soilsamples under different moisture gradients were taken through indoor stress to alleviate the impact ofmoisture on the image.Compared with different deep learning models,the N_DenseNet trained based onmul
9、tispectral image data performed the best,the overall performance was better than that ofDenseNet169,the test set R?was 0.833,RMSE was 3.943 g/kg,and R was improved by 0.011compared with the visible light data,which proved that the addition of R-band and red-edged and near-infrared images to the trai
10、ning process helped to improve the performance of the model,which proved thefeasibility of the method.The mobile phone APP was connected to the background data to realize real-time data transmission,and realized the real-time detection of SOM content of soil samples in the field,收稿日期:2 0 2 3-0 3-0 2
11、 修回日期:2 0 2 3-0 3-2 8基金项目:浙江省科技计划项目(2 0 2 1C02023)作者简介:杨玮(198 1一),女,副教授,博士生导师,主要从事精细农业系统集成研究,E-mail:c a u y w c a u.e d u.c n271杨玮等:基于多光谱图像的土壤有机质含量检测系统与APP研究第9 期and the model predicted R as 0.805 and the detection time was 2.8 s after field verification,which metthe needs of SOM content detection in
12、 the field and provided an idea for real-time detection of SOMcontent.Key words:SOM;detection systems;multispectral image;deep learning;Android;APP0引言SOM是土壤的主要养分,对作物的生长至关重要,也是评估土壤肥力的重要指标。土壤有机碳(So i l o r g a n i c c a r b o n,SO C)主要存在 SOM中,二者之间可以实现定量转换,SOC也是全球碳循环和气候调节的重要参考指标,通过测定SOM含量可以实现SOC 含量的高效测
13、定 1-6 。传统的 SOM 含量测量手段,如重铬酸钾测定法以及灼烧法等实验室方法测量精度高,但存在成本高昂、检测周期长、破坏性和污染性较强的问题 7 。光谱学分析方法具有高效、环保等特点,近年来已经逐渐成为了最具潜力取代传统方法测量SOM含量的技术手段 8 。由于光谱数据处理步骤繁琐,基于光谱学分析预测SOM含量的工作大多在实验室环境下进行,无法实现原位SOM含量的测量,较高的造价也限制了方法的推广性 9-13。综上所述,确立一种廉价、高效的原位SOM含量测量方法,对于土壤养分检测以及田间作业生产意义重大。受到SOM含量变化的影响,土壤的颜色、孔隙度、贮水能力和团聚性也会产生明显的变化 14
14、-17 。已有研究证明,随着SOM含量的增加,土壤的团聚能力变强,孔隙度变大,同时土壤的颜色也会逐渐加深,当SOM质量分数超过4%后,土壤会呈现黑褐色,这些特征有助于通过图像建立SOM含量的预测模型 18-19。虽然图像数据容易获取,但也容易受到客观因素的影响,水分含量的变化以及土壤组成不同都会导致土壤在颜色上呈现出明显的差异 2 0 。与此同时,基于传统机器学习手段利用图像预测SOM也存在着性能不足以及泛化性差的问题,这些都导致了基于图像预测SOM含量的准确性受限。如何建立更高精度的SOM预测模型成为当下研究的重点。目前,利用图像预测SOM含量的研究在国内外已经取得了一定的进展,证明了利用图
15、像预测SOM含量的可行性。吴才武等 2 1-2 提取数字图像的颜色特征建立模型预测SOM含量,并通过分析数据证明RGB图像中R通道图像建模效果最佳,为后续相关研究奠定了基础。FU等 2 3 用智能手机拍摄土壤图像,建立了不同含水量条件下的SOM预测模型,并利用不同色彩空间对图像颜色参数进行量化,模型性能更加稳定,预测R为0.8 19,证明了通过手机端图像实现SOM含量预测的潜力。也有研究 2 4 证明了通过图像数据建立模型,可以反映出相关波段受到SOM的影响程度,证明了图像信息与波段之间的联系。以上研究结果表明,可见光图像与SOM存在较强的关联性,利用图像进行SOM预测具有成本低、普适性高、易
16、于推广等特点,图像信息获取便捷,也包含了所在光谱波段的特征,通过图像进行SOM含量的检测有助于提升田间工作的效率。相较于土壤光谱数据获取流程繁琐复杂,获取土壤图像数据具有便捷、高效的特点,且图像中也包含了纹理、颜色等多种特征信息。研究证明,在可见光区间内SOM含量存在着多个敏感区间,通过获取更多波段的图像信息,有助于获取到更多特征,提升模型的性能 2 5-2 6 。相比于传统机器学习手段,深度学习在图像特征提取领域展现出了巨大的技术优势,基于深度学习手段有助于实现更高精度的SOM含量预测,但深度学习对于更多数据样本的需求对于田间采样工作提出了巨大的挑战。基于以上问题,本文采集不同水分梯度可见光
17、图像与无人机采集的R波段(6 50 nm16nm)、红边波段(7 30 nm16nm)与近红外光谱波段(8 40 nm26nm)图像,建立改进的N_DenseNet模型预测SOM含量,并开发手机端APP实现田间原位的SOM实时检测。基于北京市、山东省、黑龙江省3个省市采集不同种类土壤作为样品。于实验室环境下配置并采集不同水分梯度图像增加数据样本,去除水分对土壤颜色的影响,结合无人机拍摄R波段与近红外波段图像建立基于手机端APP的N_DenseNet模型,以实现土壤田间图像采样以及SOM含量实时检测。1数据获取与方法1.1样品采集我国幅员辽阔,不同地区SOM含量分布受气候、土壤种类等多种因素影响
18、呈现出明显差异,这对土壤样本的采集以及模型的性能提出了更高要求。根据全国土壤普查养分分级标准,将SOM含量按照梯度划分为一级土(大于40 g/kg)至六级土(小于6g/kg)共6 个等级。为尽可能采集到更多等级土壤,本研究选择土壤种类和SOM含量分布具有明显差异的北京市昌平区(试验区1,10 35g/kg)、黑龙农2722023年机报业学械江省双鸭山市友谊县(试验区2,30 6 0 g/kg)和山东省泰安市泰山区(试验区3,2 0 40 g/kg)3个地区作为土壤样本采集试验地点,3个试验采样点分别属于寒温带与温带大陆性季风气候、温带大陆性季风气候和温带暖风气候,土壤类型主要为棕土、褐土、黑土
19、,SOM含量涵盖了一级土到五级土。3个试验区总占地面积超过10 0 hm,采样点信息如图1 所示。N.0.008tNNEEWESS泰安N.0,096昌平区N,0,000N.0,0.9t友谊具75150km50100km070140280kml111160E11700E13100E13300E13500E11600E11700E11800E(a)试验区1(b)试验区2(c)试验区3图1研究区地理信息Fig.1Geographic information of study area为减少天气以及光线强度等客观因素对图像数据集造成的影响,采集试验在10 月进行,采样时间均选择晴朗无云天气的10:0
20、0 一11:0 0 之间。共采集350 份样品,其中在北京市上庄实验站采样16 0份、黑龙江省友谊县采样90 份,山东省泰安市采样100份。土壤采样深度为10 cm,每份样品采集500g并用牛皮纸袋封存后带回实验室。土样采集回实验室后进行350 份土壤样品SOM真值的测定。首先,将土样在10 5的干燥箱内干燥2 4h,剔除秸秆等杂质后采用9mm筛子过筛称量,之后采用干烧炉对土壤样本的SOM含量进行测定。总体数据按照6:2:2 的比例分为训练集、验证集、测试集。各数据集SOM含量描述性统计如表1所示。土壤样本整体S0M含量区间为9.2 5 51.50 g/kg,训练集样本区间为9.40 51.5
21、0 g/kg,验证集样本区间为9.2551.10g/kg,测试集样本区间为9.6 8 49.20g/kg,训练集涵盖了测试集的全部范围,总体变异系数为43%,属于中等变异。表1土壤样本SOM含量统计Tab.1Soil organic matter and content compositionstatistics最大值/最小值/平均值/标准差/变异系样本集数目(g.kg-)(g.kg-)(g.kg-)(g.kg-)数/%训练集21051.509.4023.6010.4043验证集7051.109.2523.3010.1043测试集7049.209.6822.409.7043总计35051.50
22、9.2523.2010.3043在图像采集工作中,每份土壤样品均通过多光谱无人机拍摄3幅多光谱图像(红边波段、R波段和近红外波段图像)、不同通道的多光谱数据样本以及手机拍摄的不同含水率梯度图像样本信息如图2 所示。手机端拍摄5幅水分梯度图像,训练集样本数量为16 8 0 幅,验证集与测试集样本数分别为56 0 幅,总数量为2 8 0 0 幅。首先通过手机相机获取高清图像,然后使用大疆Phantom4型无人机搭载的多光谱相机获取光谱图像,相机可获取红(6 50 16)n m)、绿(56 0 16)nm)、蓝(450 16)n m)、红边(7 30 16)nm)、近红外波段(8 40 2 6)n
23、m)图像信息,结合已有研究可知,SOM在6 6 0、7 40、8 40 nm 附近存在明显的特征波长 2 7 ,由于图像中反映了所在波长的特征,所以选择R波段、红边波段和近红外波段的光谱图像结合梯度图像构建数据集。同时为避免土壤水分对于图像信息的干扰,同时提升数据样本数量以满足深度学习的需求,本研究通过实验室内水分胁迫的方式,将350组土壤样品分别配置为含水率5%、10%、15%、20%梯度,并通过手机拍摄图像作为数据集。通过无人机获取的多光谱图像尺寸更小(16 0 0 像素130 0 像素),为保证数据输人的一致,在数据输入神经网络前,将每份SOM含量数值标签对应的近红外、R波段以及红边波段
24、光谱图像进行通道叠加,将3幅单通道多光谱图像转换为1幅具有3通道的光谱图像。本研究数据集每份样品对应5幅可见光图像和1幅3通道多光谱图像,在进行模型训练时,6 幅图像会被压缩为2 2 4像素224像素进行计算。1.2方法1.2.1DenseNetDenseNet的基本网络结构主要由稠密块(D e n s e Bl o c k)和Transition组成,不同深度的DenseNet网络基本结构相同,主要是在卷积层数量上的差异,DenseBlock和Transition结构如图3所示,DenseNet169是由4个DenseBlock 和Transition(卷积层与池化层)结构组成,DenseB
25、lock和273杨玮等:基于多光谱图像的土壤有机质含量检测系统与APP研究第9 期干土含水率5%含水率10%含水率15%含水率2 0%近红外波段红波段红边波段(a)有机质质量比10 2 0 g/kg干土含水率5%含水率10%含水率15%含水率2 0%近红外波段红波段红边波段(b)有机质质量比2 0 30 g/kg干土含水率5%含水率10%含水率15%含水率2 0%近红外波段红波段红边波段(c)有机质质量比30 40 g/kg千土含水率5%含水率10%含水率15%含水率2 0%近红外波段红波段红边波段(d)有机质质量比40 50 g/kg图2多光谱图像数据Fig.2Multispectral i
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 光谱 图像 土壤有机质 含量 检测 系统 APP 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。