CN113203689A - 土壤全氮含量检测方法、装置、电子设备和存储介质 - Google Patents
土壤全氮含量检测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113203689A CN113203689A CN202110395304.2A CN202110395304A CN113203689A CN 113203689 A CN113203689 A CN 113203689A CN 202110395304 A CN202110395304 A CN 202110395304A CN 113203689 A CN113203689 A CN 113203689A
- Authority
- CN
- China
- Prior art keywords
- soil
- nitrogen content
- total nitrogen
- detected
- information
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种土壤全氮含量检测方法、装置、电子设备和存储介质,所述方法包括:获取待检测土壤表面漫反射的土壤光谱信息;获取所述待检测土壤的土壤表面图像,并基于所述土壤表面图像,提取出与土壤全氮含量相关的图像特征;将所述土壤光谱信息与所述图像特征进行数据融合,并将融合所得的土壤信息输入至全氮含量检测模型中,得到所述待检测土壤的全氮含量;所述全氮含量检测模型是基于土壤样本的土壤信息以及所述土壤样本的全氮含量训练得到的。本发明提供的方法、装置、电子设备和存储介质,通过将土壤光谱信息与图像特征进行数据融合,进行土壤全氮含量检测,提高了土壤全氮含量检测的精度,同时满足了土壤全氮含量快速检测的需要。
Description
技术领域
本发明涉及农业技术领域,尤其涉及一种土壤全氮含量检测方法、装置、电子设备和存储介质。
背景技术
土壤氮素对于作物的生长、健康以及品质等有着明显的影响,同时对于作物生长过程中有机物的形成起到了十分关键的作用。
近红外光谱分析可以检测到土壤中含N(氮)基团的明显光谱特征,并且含N基团的敏感波段与其他的物质有明显的区分。近红外光谱分析主要分为透射光谱分析和漫反射光谱分析,具有分析简便、测试速度快、低成本、非破坏和多组分同时测定等优点,并且可实现在线或实时检测。
目前,已经推出的移动式分析直读光谱仪器采用了以往只在实验室仪器上才使用的光学***,经过特殊改进以适应便携式光谱仪的需要。它可以接收分析波长范围的全部元素谱线,其特点主要包括:操作方便,稳定性好,检测现场直接进行金属分析等。但该仪器并不能检测对植物生长重要的氮元素含量,并不适合用于车载式和自动大规模测量,不能满足现代精细农业要求短时间内完成大批量测量的要求。
发明内容
本发明提供一种土壤全氮含量检测方法、装置、电子设备和存储介质,用以解决现有技术中不能检测氮元素含量、不能短时间内完成大批量测量的缺陷,实现土壤全氮含量的精确检测和满足土壤全氮含量快速检测的需要。
本发明提供一种土壤全氮含量检测方法,该方法包括:
获取待检测土壤表面漫反射的土壤光谱信息;
获取所述待检测土壤的土壤表面图像,并基于所述土壤表面图像,提取出与土壤全氮含量相关的图像特征;
将所述土壤光谱信息与所述图像特征进行数据融合,并将融合所得的土壤信息输入至全氮含量检测模型中,得到所述待检测土壤的全氮含量;
所述全氮含量检测模型是基于土壤样本的土壤信息以及所述土壤样本的全氮含量训练得到的。
根据本发明提供的一种土壤全氮含量检测方法,所述土壤光谱信息包括多个预设特征波长的光谱信息,所述多个预设特征波长是与土壤全氮含量相关的光谱特征波长。
根据本发明提供的一种土壤全氮含量检测方法,所述图像特征包括至少一个维度的图像特征值,所述至少一个维度是基于相关性分析确定的,所述至少一个维度包括熵值、能量、相关性、对比度、惯性矩和灰度均值中的至少一种。
本发明还提供一种土壤全氮含量检测装置,该装置包括:
光谱采集设备,用于获取待检测土壤表面漫反射的土壤光谱信息;
图像采集设备,用于获取所述待检测土壤的土壤表面图像;
控制器,用于基于所述土壤表面图像,提取出与土壤全氮含量相关的图像特征;将所述土壤光谱信息与所述图像特征进行数据融合,并将融合所得的土壤信息输入至全氮含量检测模型中,得到所述待检测土壤的全氮含量;
所述全氮含量检测模型是基于样本土壤信息以及所述样本土壤信息的全氮含量训练得到的。
根据本发明提供的一种土壤全氮含量检测装置,所述光谱采集设备包括卤钨光源、与土壤全氮含量相关的各特征波长对应的滤光片、光电探测器、电流电压放大器和模拟数字转换器;
所述卤钨光源用于产生连续波段光线照射到所述待检测土壤上;
所述滤光片用于过滤所述待检测土壤表面漫反射的光线,得到对应特征波长的光信号;
所述光电探测器用于将各滤光片得到的光信号转化为电流信号;
所述电流电压放大器用于将所述电流信号进行转化和放大,得到模拟光谱信息;
所述模拟数字转换器用于将所述模拟光谱信息转化为包括所述土壤光谱信息的数字信号,并将所述数字信号传输至所述控制器。
根据本发明提供的一种土壤全氮含量检测装置,该装置还包括GPS模块;
所述GPS模块与所述控制器电性连接,用于获取所述待检测土壤的位置信息;
所述控制器还用于基于所述待检测土壤的全氮含量和位置信息,绘制土壤全氮含量分布示意图。
根据本发明提供的一种土壤全氮含量检测装置,该装置还包括:
通信模块,所述通信模块与所述控制器电性连接,用于将所述待检测土壤的全氮含量以及对应的位置信息发送至服务端,以供第三方设备通过服务端进行读取。
根据本发明提供的一种土壤全氮含量检测装置,该装置还包括深松犁、图像设备安装箱和电子设备安装箱,分别用于安装所述光谱采集设备、所述图像采集设备和所述控制器。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述土壤全氮含量检测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述土壤全氮含量检测方法的步骤。
本发明提供的土壤全氮含量检测方法、装置、电子设备和存储介质,通过将土壤光谱信息与图像特征进行数据融合,进行土壤的全氮含量检测,充分考虑了光谱信息与图像特征的贡献,缓解了光谱信息预测时存在的“同物异谱,同谱异物”现象,提高了土壤全氮含量检测的精度,同时可以满足土壤全氮含量快速检测的需要,为指导工作人员精确施肥提供了可靠的依据。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的土壤全氮含量检测方法的流程示意图;
图2是本发明实施例提供的土壤全氮含量检测装置的结构示意图;
图3是本发明实施例提供的土壤全氮含量检测装置的软件流程图;
图4是本发明实施例提供的深松犁暗室的结构示意图;
图5是本发明实施例提供的深松犁暗室内的传感器安装板的结构示意图;
图6是本发明实施例提供的土壤全氮含量检测装置的机械结构示意图;
图7是本发明实施例提供的土壤全氮含量检测装置的右视图;
图8是本发明实施例提供的土壤全氮含量检测装置的工作流程图;
图9是本发明实施例提供的电子设备的结构示意图;
附图标记:
1:卤钨光源; 2:传感器安装板; 3:滤光片与光电探测
器安装孔;
4:蓝宝石玻璃固定孔; 5:光学部分固定孔; 6:蓝宝石玻璃;
7:卤钨光源固定孔; 8:卤钨光源透光孔; 9:三点悬挂结构;
10:电子设备安装箱; 11:散热孔; 12:载物支撑平台;
13:车轮安装杆; 14:可调节图像设备 15:图像设备安装箱;
安装箱架;
16:深松犁; 17:深松犁尖; 18:光学单元安装板;
19:卤钨光源固定板; 20:深松犁防尘罩; 21:深松犁安装孔;
22:显示屏安装孔; 23:电子设备安装箱门。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明实施例提供的土壤全氮含量检测方法的流程示意图,如图1所示,该方法包括:
步骤110,获取待检测土壤表面漫反射的土壤光谱信息。
此处,待检测土壤即需要进行全氮含量检测的土壤。当包含近红外波段的光线照射到待检测土壤上,光线经土壤表面漫反射后转化为带有土壤全氮含量信息的光信号,对该光信号进行相应处理后即可得到土壤光谱信息,用于后续的全氮含量检测。此处的土壤光谱信息可以是连续波段的光谱信息,也可以是多个特征波长的光谱信息,本发明实施例对此不作具体限定。
步骤120,获取待检测土壤的土壤表面图像,并基于土壤表面图像,提取出与土壤全氮含量相关的图像特征。
步骤130,将土壤光谱信息与图像特征进行数据融合,并将融合所得的土壤信息输入至全氮含量检测模型中,得到待检测土壤的全氮含量。
全氮含量检测模型是基于土壤样本的土壤信息以及土壤样本的全氮含量训练得到的。
具体地,考虑到近红外光谱分析技术存在一定的缺陷,例如,不能够获得土壤的纹理特征、空间信息、大小形状特征等,因此,本发明实施例在获取土壤光谱信息的同时还获取待检测土壤的土壤表面图像,从土壤表面图像中提取出与土壤全氮含量相关的图像特征,并通过将土壤光谱信息与图像特征进行数据融合来预测待检测土壤的全氮含量,从而在一定程度上弥补了近红外光谱分析仅能获得物体光谱信息的缺陷,提高了对于土壤全氮含量的预测精度。
待检测土壤的全氮含量检测具体可以通过将融合所得的土壤信息输入至全氮含量检测模型中实现,全氮含量检测模型可以对输入的土壤信息即图谱联合特征进行全氮含量检测,并输出检测所得的待检测土壤的全氮含量。此处,本发明实施例对全氮含量检测模型的结构和类型不作具体限定,例如,可以是BP(Back Propagation,反向传播)神经网络,也可以是CatBoost模型。
另外,在执行步骤130之前,还可以预先训练得到全氮含量检测模型,具体可通过如下方式训练得到全氮含量检测模型:首先,收集大量土壤样本的土壤信息以及与其对应的全氮含量。其中,土壤信息是将土壤样本的土壤光谱信息与图像特征进行数据融合后得到的。随即,基于土壤样本的土壤信息以及土壤样本的全氮含量,对初始全氮含量检测模型进行训练,从而得到全氮含量检测模型。
本发明实施例提供的方法,通过将土壤光谱信息与图像特征进行数据融合,进行土壤的全氮含量检测,充分考虑了光谱信息与图像特征的贡献,缓解了光谱信息预测时存在的“同物异谱,同谱异物”现象,提高了土壤全氮含量检测的精度,同时可以满足土壤全氮含量快速检测的需要,为指导工作人员精确施肥提供了可靠的依据。
基于上述任一实施例,土壤光谱信息包括多个预设特征波长的光谱信息,多个预设特征波长是与土壤全氮含量相关的光谱特征波长。
具体地,考虑到如果使用连续波段的土壤光谱信息来进行土壤全氮含量的预测,数据计算量将会非常大,针对这一问题,本发明实施例仅获取多个预设特征波长的光谱信息用于后续的全氮含量检测,这些预设特征波长都是与土壤全氮含量相关性较强的光谱特征波长,从而不仅可以简化数据计算量,同时也保证了土壤全氮含量的检测精度。
进一步地,与土壤全氮含量相关的光谱特征波长具体可以通过如下方式确定:对土壤样本的光谱信息采用无信息变量消除算法(UVE)初步筛选特征波长,然后使用竞争自适应加权算法(CARS)对UVE筛选的波长进行进一步的选择,将最终得到的特征波长作为与土壤全氮含量相关的光谱特征波长。
基于上述任一实施例,图像特征包括至少一个维度的图像特征值,至少一个维度是基于相关性分析确定的,至少一个维度包括熵值、能量、相关性、对比度、惯性矩和灰度均值中的至少一种。
具体地,在提取图像特征之前,还需要对土壤样本的多个图像特征值与土壤全氮含量进行相关性分析,筛选出与土壤全氮含量相关性比较高的图像特征值,根据这些图像特征值所对应的纬度可以确定出与土壤全氮含量相关性比较高的维度为熵值、能量、相关性、对比度、惯性矩和灰度均值。在此基础上,即可从待检测土壤的土壤表面图像中,提取出包括熵值、能量、相关性、对比度、惯性矩和灰度均值中的至少一种纬度的图像特征值,并将其作为图像特征用于后续的全氮含量检测。可选的,可以利用IBM SPSS Statistics软件对土壤样本的多个图像特征值与土壤全氮含量进行相关性分析。
基于上述任一实施例,表1为不同输入参数的CatBoost模型预测土壤全氮含量的结果对比,从表中可以看出,基于图谱联合特征建立的预测模型的R2(coefficient ofdetermination,决定系数)为0.9239,RMSE(Root Mean Square Error,均方根误差)为0.1365,均在一定程度上比基于单一光谱信息和基于单一图像特征建立的预测模型结果较好,说明了本发明实施例选用的图谱特征联合方法在预测土壤全氮含量中更具优势,充分考虑了光谱信息与图像特征的贡献。
表1
输入参数 | 特征波长 | 全谱段 | 图像特征 | 图谱特征联合 |
R<sup>2</sup> | 0.9059 | 0.9227 | 0.8906 | 0.9239 |
RMSE | 0.1654 | 0.1388 | 0.1838 | 0.1365 |
下面对本发明提供的土壤全氮含量检测装置进行描述,下文描述的土壤全氮含量检测装置与上文描述的土壤全氮含量检测方法可相互对应参照。
基于上述任一实施例,图2为本发明实施例提供的土壤全氮含量检测装置的结构示意图,如图2所示,该装置包括:光谱采集设备210、图像采集设备220和控制器230。
其中,光谱采集设备210用于获取待检测土壤表面漫反射的土壤光谱信息;
图像采集设备220用于获取待检测土壤的土壤表面图像;
控制器230用于基于土壤表面图像,提取出与土壤全氮含量相关的图像特征;将土壤光谱信息与图像特征进行数据融合,并将融合所得的土壤信息输入至全氮含量检测模型中,得到待检测土壤的全氮含量;
全氮含量检测模型是基于样本土壤信息以及样本土壤信息的全氮含量训练得到的。
此处,光谱采集设备210可以是已制作成成品的光谱仪设备,也可以是由滤光片、红外光电探测器等部件组成的设备,本发明实施例对此不作具体限定。图像采集设备220可以是扫描仪,也可以是相机,也可以是其他能够采集图像的设备。
具体地,待检测土壤即需要进行全氮含量检测的土壤,当包含近红外波段的光线照射到待检测土壤上,光谱采集设备210即可获取到待检测土壤表面漫反射的土壤光谱信息,并将土壤光谱信息传输至控制器230用于待检测土壤的全氮含量检测。此处的土壤光谱信息可以是连续波段的光谱信息,也可以是多个特征波长的光谱信息,本发明实施例对此不作具体限定。
考虑到近红外光谱分析技术存在一定的缺陷,例如,不能够获得土壤的纹理特征、空间信息、大小形状特征等,因此,本发明实施例在设置光谱采集设备210获取土壤光谱信息的同时,还设置了图像采集设备220获取待检测土壤的土壤表面图像,光谱采集设备210和图像采集设备220均与控制器230电性连接,在此基础上,控制器230即可获取到土壤光谱信息和土壤表面图像,从土壤表面图像中提取出与土壤全氮含量相关的图像特征,并通过将土壤光谱信息与图像特征进行数据融合来预测待检测土壤的全氮含量,从而在一定程度上弥补了近红外光谱分析仅能获得物体光谱信息的缺陷,提高了对于土壤全氮含量的预测精度。
待检测土壤的全氮含量检测具体可以通过将融合所得的土壤信息输入至全氮含量检测模型中实现,全氮含量检测模型可以对输入的土壤信息即图谱联合特征进行全氮含量检测,并输出检测所得的待检测土壤的全氮含量。此处,本发明实施例对全氮含量检测模型的结构和类型不作具体限定,例如,可以是BP神经网络,也可以是CatBoost模型。
另外,在控制器230检测待检测土壤之前,还可以预先训练得到全氮含量检测模型,具体可通过如下方式训练得到全氮含量检测模型:首先,收集大量土壤样本的土壤信息以及与其对应的全氮含量。其中,土壤信息是将土壤样本的土壤光谱信息与图像特征进行数据融合后得到的。随即,基于土壤样本的土壤信息以及土壤样本的全氮含量,对初始全氮含量检测模型进行训练,从而得到全氮含量检测模型。
进一步地,控制器230可以对土壤表面图像采用去噪、分割、灰度化等方法,从而提取出与土壤全氮含量相关的图像特征,例如,所确定出的与土壤全氮含量相关性比较高的维度为熵值、能量、相关性、对比度、惯性矩和灰度均值,则所提取出的图像特征可以为包括熵值、能量、相关性、对比度、惯性矩和灰度均值中的至少一种纬度的图像特征值。
本发明实施例提供的装置,通过将土壤光谱信息与图像特征进行数据融合,进行土壤的全氮含量检测,充分考虑了光谱信息与图像特征的贡献,缓解了光谱信息预测时存在的“同物异谱,同谱异物”现象,提高了土壤全氮含量检测的精度,同时可以满足土壤全氮含量快速检测的需要,为指导工作人员精确施肥提供了可靠的依据。
基于上述任一实施例,光谱采集设备包括卤钨光源、与土壤全氮含量相关的各特征波长对应的滤光片、光电探测器、电流电压放大器和模拟数字转换器;
卤钨光源用于产生连续波段光线照射到待检测土壤上;
滤光片用于过滤待检测土壤表面漫反射的光线,得到对应特征波长的光信号;
光电探测器用于将各滤光片得到的光信号转化为电流信号;
电流电压(IV)放大器用于将电流信号进行转化和放大,得到模拟光谱信息;
模拟数字(AD)转换器用于将模拟光谱信息转化为包括土壤光谱信息的数字信号,并将数字信号传输至控制器。
具体地,考虑到现有技术中的光谱仪不适合用于车载式和自动大规模测量,不能满足现代精细农业要求短时间内完成大批量测量的要求,针对这一问题,本发明实施例设置光谱采集设备包括卤钨光源、与土壤全氮含量相关的各特征波长对应的滤光片、光电探测器、IV放大器和AD转换器,从而可以实现车载式作业,实用性强。
光谱采集设备具体可以通过如下方式采集土壤光谱信息:卤钨光源产生的连续波段光线照射到待检测土壤上产生漫反射,待检测土壤表面漫反射的光线经过各特征波长对应的滤光片过滤后,得到各特征波长对应的光信号,接着,各光信号分别经过各个光电探测器转化为电流信号,并传送到IV放大器中,通过IV放大器将采集到的电流信号进行转化和放大,得到模拟光谱信息,随后,模拟光谱信息经过AD转换器后转化为包括土壤光谱信息的数字信号,包括土壤光谱信息的数字信号经过IV放大器传输至控制器中用于全氮含量检测。
此处,滤光片与光电探测器对应设置,光电探测器和滤光片的数量都为所选取出的与土壤全氮含量相关的特征波长的数量,例如,所选取出的与土壤全氮含量相关的特征波长为945、1045、1200、1300、1450、1535、1600nm7个特征波长,则滤光片设置为这7个特征波长对应的滤光片,对应地,设置7个光电探测器分别接收各个滤光片对应的光信号。
基于上述任一实施例,该装置还包括GPS(Global Positioning System,全球定位***)模块;
GPS模块与控制器电性连接,用于获取待检测土壤的位置信息;
控制器还用于基于待检测土壤的全氮含量和位置信息,绘制土壤全氮含量分布示意图。
具体地,本发明实施例提供的装置还设置有GPS模块,可以采集待检测土壤的位置信息,为后期土壤全氮含量分布图的绘制、土壤管理提供数据支持。GPS模块与控制器电性连接,可以将所采集的待检测土壤的位置信息发送给控制器,以供控制器根据待检测土壤的全氮含量和位置信息,绘制土壤全氮含量分布示意图。可选的,GPS模块采用GPS天线。
进一步地,可以将土壤全氮含量和位置信息均直接存储在控制器中,方便数据的调用和分布图的实现,可以通过U盘等存储器进行数据的拷贝,也可以通过手机APP(Application,应用程序)对历史土壤全氮含量进行访问。
本发明实施例提供的装置,通过将GPS模块获取的位置信息与全氮含量结合形成土壤全氮含量分布示意图,可以实时准确的获取土壤采样点的位置以及能够将土壤全氮含量直观的用图像形式展现出来,方便工作人员快速了解分析土壤全氮含量的分布情况,有助于指导工作人员对农田进行管理。
基于上述任一实施例,该装置还包括:
通信模块,通信模块与控制器电性连接,用于将待检测土壤的全氮含量以及对应的位置信息发送至服务端,以供第三方设备通过服务端进行读取。
具体地,通信模块与控制器电性连接,可以获取控制器中所存储的待检测土壤的全氮含量以及对应的位置信息,并将其发送至服务端,以供第三方设备通过服务端进行读取,从而第三方设备例如手机APP可以实时读取服务端的数据,在本发明实施例提供的装置进行作业的同时,工作人员可以使用第三方设备进行实时与历史数据的查看,这极大的方便了装置的使用、便利了对于作业农田地块的监管。可选的,通信模块采用4G天线。
基于上述任一实施例,图3是本发明实施例提供的土壤全氮含量检测装置的软件流程图,如图3所示,软件开始运行后,控制器获取图像采集设备发送的土壤表面图像,对土壤表面图像进行去噪、分割、灰度化等处理,获得与土壤全氮含量相关的图像特征,之后获取土壤光谱信息,将二者进行数据融合,通过BP神经网络预测得到土壤全氮含量;将土壤全氮含量与位置信息相结合,绘制土壤全氮含量分布图示意图;最后将空间分布的数据发送到手机APP进行读取,实现手机移动端实时查看农田土壤全氮含量分布。
基于上述任一实施例,该装置还包括深松犁、图像设备安装箱和电子设备安装箱,分别用于安装光谱采集设备、图像采集设备和控制器。
具体,为了进一步实现车载式农田作业,本发明实施例还设置了深松犁、图像设备安装箱和电子设备安装箱,分别用于安装光谱采集设备、图像采集设备和控制器。
进一步地,深松犁在底面进行倾斜式的设计,避免了农田作业时自然光的干扰。为了减少自然光的干扰,在深松犁内部设置了深松犁暗室结构,图4是本发明实施例提供的深松犁暗室的结构示意图,图5是本发明实施例提供的深松犁暗室内的传感器安装板的结构示意图,如图4和图5所示,卤钨光源1、各特征波长对应的滤光片、光电探测器、IV放大器和AD转换器,分别通过卤钨光源固定孔7、滤光片与光电探测器安装孔3、光学部分固定孔5、传感器安装板2等部件被封装在深松犁暗室中。深松犁暗室结构的底部镶有蓝宝石玻璃6,卤钨光源1工作时产生的连续波段光线,经过蓝宝石玻璃6照射到土壤表面上,从而不仅保护了检测器件的使用,延长了寿命,而且保证了土壤漫反射光的通过,保证了测量精度。各滤光片置于蓝宝石玻璃6上面,并且分别靠近相应的光电探测器。
基于上述任一实施例,该装置还包括电源模块和显示模块。电源模块包含移动锂电池、充电宝,移动锂电池通过电压转换模块后为控制器、光电探测器、卤钨光源、IV放大器提供电源,充电宝为显示模块供电。显示模块与控制器电性连接,用于显示程序运行人机交互界面、土壤全氮含量及其分布示意图的画面。可选的,显示模块使用显示屏。进一步地,电源模块、显示模块可以和控制器一起安装在电子设备安装箱中,从而可以较好的防尘防虫防水。
基于上述任一实施例,图6是本发明实施例提供的土壤全氮含量检测装置的机械结构示意图,图7是本发明实施例提供的土壤全氮含量检测装置的右视图,如图6和图7所示,该装置的机械结构主要由三点悬挂结构9、电子设备安装箱10、车轮安装杆13、载重支撑平台12、深松犁16、图像设备安装箱15等组成。其中,三点悬挂结构9与拖拉机进行连接,为检测装置提供牵引动力;电子设备安装箱10在侧面与底面通过开孔进行控制器等电子设备的导线连接和电子设备的散热,安装箱进行了顶门设计,便于集成的电子设备进行安装和更换操作;车轮安装杆13均为丝杠结构,便于调节车轮高度,车轮安装杆13的下端安装有车轮;检测装置在进行农田检测时,深松犁16需要对检测土壤进行开沟作业,为了保证深松犁16开沟作业的正常进行,需要为深松犁16提供一个较大的重力来保证深松犁16的正常开沟作业,载重支撑平台12一方面为检测装置提供支撑平台,另一方面也为深松犁16提供正常作业所需的重力;图像设备安装箱15用来固定图像采集设备,连接杆为空杆,便于与控制器连线,可选的,图像设备安装箱15设置为距离地面5cm。
本发明实施例提供的装置,通过三点悬挂结构连接拖拉机在农田中移动,使得拖拉机在行驶时,可以在犁地与深松的同时测量土壤全氮含量与位置信息,测量简单,可以节省人力,适用于大面积的农田环境,并且,该装置设计简洁、安装方便,通过控制器控制,可以设置人机交互界面,操作简便,容易使用。
基于上述任一实施例,卤钨光源可以采用HL-2000卤钨光源,HL-2000卤钨光源能够提供稳定的360-2400nm的连续波段光线,能够覆盖土壤全氮含量的敏感波段,提供足够土壤表面漫反射的光强,并且HL-2000卤钨光源具有体积小、耗能少、自带散热的特点。光电探测器可以采用InGaAs(铟镓砷)探测器,具有极好的灵敏度及长时间工作的稳定性的特点。
控制器可以采用树莓派(Raspberry Pi),Raspberry Pi是一款基于ARM(AcornRISC Machine)的微型电脑主板,以MicroSD(Micro Secure Digital)卡为内存硬盘,卡片主板周围有4个USB(Universal Serial Bus)接口和一个以太网接口,可连接键盘、鼠标和网线,同时拥有视频模拟信号的电视输出接口和HDMI(High Definition MultimediaInterface)高清视频输出接口。并且,Raspberry Pi具有强大的运算能力,从而应用到本发明实施例提供的装置中对采集到的光谱信息与图像特征进行数据融合,进而使用神经网络算法进行土壤全氮含量的预测,较之于传统的ARM控制器可以极大提高预测精度。
对应地,图像采集设备可以采用树莓派摄像头(500万像素,市场角69°)。本发明实施例提供的装置在进行作业时,通过树莓派摄像头同步获得土壤表面图像,摄像头通过缓震机械结构固定,可以有效减少拖拉机抖动和行驶过程中对图像清晰度的影响。对于采集到的土壤表面图像,Raspberry Pi对其进行高斯滤波、拉普拉斯算子增强、图像裁剪、使用经验公式灰度化、使用灰度共生矩阵计算特征值等处理,从而可以提取其图像特征,得到土壤表面粗糙度、颜色、对比度等相关信息。
基于上述任一实施例,图8是本发明实施例提供的土壤全氮含量检测装置的工作流程图,如图8所示,首先,HL-2000卤钨光源的光照射在待检测土壤表面上,光线经土壤漫反射后转化为带有土壤全氮含量信息的光信号,光信号经过不同透光度的滤光片过滤后产生各个单一波段光信号,各个单一波段光信号被对应的InGaAs探测器接收并转化为电流信号,电流信号经过IV放大器转化和放大,随后经过AD转换器后转化为包括土壤光谱信息的数字信号,将包括土壤光谱信息的数字信号传输到Raspberry Pi。此外,摄像头拍摄待检测土壤表面,获取土壤表面图像,将土壤表面图像也传输到Raspberry Pi。在此基础上,Raspberry Pi即可对所接收到的数据进行数据处理、传输,以及通过显示模块完成数据的显示。
基于上述任一实施例,本发明实施例提供的土壤全氮含量检测装置的详细测量使用过程如下:
第一步,将Raspberry Pi、显示模块、电源模块等放置在电子设备安装箱中,将卤钨光源、滤光片、InGaAs探测器、蓝宝石玻璃等安装在深松犁中。检查安装是否固定。
第二步,利用三点悬挂结构与拖拉机连接,将InGaAs探测器连接IV放大器后连接Raspberry Pi,将4G天线、GPS天线与Raspberry Pi连接,GPS天线吸在电子设备安装箱合适位置。
第三步,将摄像头固定在电子设备安装箱下方固定杆上,与Raspberry Pi连接。
第四步,打开电源,让电路工作,启动Raspberry Pi与卤钨光源。
第五步,启动拖拉机,将设备拖动至作业起始点,启动Raspberry Pi,自动测量。
第六步,实验结束后,关闭电源、Raspberry Pi,拆掉4G天线、GPS天线、摄像头、深松梨、卤钨光源和线缆等。
第七步,将拖拉机驶入机房,卸下设备,检查深松梨、电子设备安装箱等设备,定期保养。
基于上述任一实施例,本发明实施例提供的土壤全氮含量检测装置对实验田中的土壤全氮含量进行检测,实验发现检测值与真实值误差在10%以内。此外,控制器将土壤全氮含量和对应的GPS经纬度坐标相结合,用横坐标和纵坐标表示经纬度、分别用不同颜色表示不同的土壤全氮含量,以表示土壤全氮含量的空间分布;通过远程传输将检测到的土壤全氮含量与空间分布发送到移动端,更加便捷的查看土壤全氮含量空间分布情况。
图9示例了一种电子设备的实体结构示意图,如图9所示,该电子设备可以包括:处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940,其中,处理器910,通信接口920,存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令,以执行土壤全氮含量检测方法,该方法包括:获取待检测土壤表面漫反射的土壤光谱信息;获取待检测土壤的土壤表面图像,并基于土壤表面图像,提取出与土壤全氮含量相关的图像特征;将土壤光谱信息与图像特征进行数据融合,并将融合所得的土壤信息输入至全氮含量检测模型中,得到待检测土壤的全氮含量;全氮含量检测模型是基于土壤样本的土壤信息以及土壤样本的全氮含量训练得到的。
此外,上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的土壤全氮含量检测方法,该方法包括:获取待检测土壤表面漫反射的土壤光谱信息;获取待检测土壤的土壤表面图像,并基于土壤表面图像,提取出与土壤全氮含量相关的图像特征;将土壤光谱信息与图像特征进行数据融合,并将融合所得的土壤信息输入至全氮含量检测模型中,得到待检测土壤的全氮含量;全氮含量检测模型是基于土壤样本的土壤信息以及土壤样本的全氮含量训练得到的。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的土壤全氮含量检测方法,该方法包括:获取待检测土壤表面漫反射的土壤光谱信息;获取待检测土壤的土壤表面图像,并基于土壤表面图像,提取出与土壤全氮含量相关的图像特征;将土壤光谱信息与图像特征进行数据融合,并将融合所得的土壤信息输入至全氮含量检测模型中,得到待检测土壤的全氮含量;全氮含量检测模型是基于土壤样本的土壤信息以及土壤样本的全氮含量训练得到的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种土壤全氮含量检测方法,其特征在于,包括:
获取待检测土壤表面漫反射的土壤光谱信息;
获取所述待检测土壤的土壤表面图像,并基于所述土壤表面图像,提取出与土壤全氮含量相关的图像特征;
将所述土壤光谱信息与所述图像特征进行数据融合,并将融合所得的土壤信息输入至全氮含量检测模型中,得到所述待检测土壤的全氮含量;
所述全氮含量检测模型是基于土壤样本的土壤信息以及所述土壤样本的全氮含量训练得到的。
2.根据权利要求1所述的土壤全氮含量检测方法,其特征在于,所述土壤光谱信息包括多个预设特征波长的光谱信息,所述多个预设特征波长是与土壤全氮含量相关的光谱特征波长。
3.根据权利要求1所述的土壤全氮含量检测方法,其特征在于,所述图像特征包括至少一个维度的图像特征值,所述至少一个维度是基于相关性分析确定的,所述至少一个维度包括熵值、能量、相关性、对比度、惯性矩和灰度均值中的至少一种。
4.一种土壤全氮含量检测装置,其特征在于,包括:
光谱采集设备,用于获取待检测土壤表面漫反射的土壤光谱信息;
图像采集设备,用于获取所述待检测土壤的土壤表面图像;
控制器,用于基于所述土壤表面图像,提取出与土壤全氮含量相关的图像特征;将所述土壤光谱信息与所述图像特征进行数据融合,并将融合所得的土壤信息输入至全氮含量检测模型中,得到所述待检测土壤的全氮含量;
所述全氮含量检测模型是基于样本土壤信息以及所述样本土壤信息的全氮含量训练得到的。
5.根据权利要求4所述的土壤全氮含量检测装置,其特征在于,所述光谱采集设备包括卤钨光源、与土壤全氮含量相关的各特征波长对应的滤光片、光电探测器、电流电压放大器和模拟数字转换器;
所述卤钨光源用于产生连续波段光线照射到所述待检测土壤上;
所述滤光片用于过滤所述待检测土壤表面漫反射的光线,得到对应特征波长的光信号;
所述光电探测器用于将各滤光片得到的光信号转化为电流信号;
所述电流电压放大器用于将所述电流信号进行转化和放大,得到模拟光谱信息;
所述模拟数字转换器用于将所述模拟光谱信息转化为包括所述土壤光谱信息的数字信号,并将所述数字信号传输至所述控制器。
6.根据权利要求4所述的土壤全氮含量检测装置,其特征在于,还包括GPS模块;
所述GPS模块与所述控制器电性连接,用于获取所述待检测土壤的位置信息;
所述控制器还用于基于所述待检测土壤的全氮含量和位置信息,绘制土壤全氮含量分布示意图。
7.根据权利要求6所述的土壤全氮含量检测装置,其特征在于,还包括:
通信模块,所述通信模块与所述控制器电性连接,用于将所述待检测土壤的全氮含量以及对应的位置信息发送至服务端,以供第三方设备通过服务端进行读取。
8.根据权利要求4至7中任一项所述的土壤全氮含量检测装置,其特征在于,还包括深松犁、图像设备安装箱和电子设备安装箱,分别用于安装所述光谱采集设备、所述图像采集设备和所述控制器。
9.一种电子设备,包括存储器、处理器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,其特征在于,所述处理器执行所述程序时实现如权利要求1至3任一项所述土壤全氮含量检测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述土壤全氮含量检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110395304.2A CN113203689A (zh) | 2021-04-13 | 2021-04-13 | 土壤全氮含量检测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110395304.2A CN113203689A (zh) | 2021-04-13 | 2021-04-13 | 土壤全氮含量检测方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113203689A true CN113203689A (zh) | 2021-08-03 |
Family
ID=77026736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110395304.2A Pending CN113203689A (zh) | 2021-04-13 | 2021-04-13 | 土壤全氮含量检测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113203689A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951532A (zh) * | 2024-03-27 | 2024-04-30 | 北京市农林科学院智能装备技术研究中心 | 基于土壤全氮近红外光谱的云边协同检测***及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915738A (zh) * | 2010-06-23 | 2010-12-15 | 江苏大学 | 基于高光谱成像技术的茶树营养信息快速探测方法及装置 |
CN107607486A (zh) * | 2017-09-25 | 2018-01-19 | 中国农业大学 | 一种土壤全氮检测方法及装置 |
CN107807125A (zh) * | 2017-10-12 | 2018-03-16 | 中国农业大学 | 基于无人机载多光谱传感器的植物信息计算***及方法 |
CN108088818A (zh) * | 2017-12-19 | 2018-05-29 | 中国农业大学 | 一种车载式土壤含水率和全氮含量光谱测量***及方法 |
-
2021
- 2021-04-13 CN CN202110395304.2A patent/CN113203689A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915738A (zh) * | 2010-06-23 | 2010-12-15 | 江苏大学 | 基于高光谱成像技术的茶树营养信息快速探测方法及装置 |
CN107607486A (zh) * | 2017-09-25 | 2018-01-19 | 中国农业大学 | 一种土壤全氮检测方法及装置 |
CN107807125A (zh) * | 2017-10-12 | 2018-03-16 | 中国农业大学 | 基于无人机载多光谱传感器的植物信息计算***及方法 |
CN108088818A (zh) * | 2017-12-19 | 2018-05-29 | 中国农业大学 | 一种车载式土壤含水率和全氮含量光谱测量***及方法 |
Non-Patent Citations (3)
Title |
---|
XIANGQIAN YAO等: "Prediction of Total Nitrogen Content in Different Soil Types Based on Spectroscopy", 《SCIENCE DIRECT》 * |
周鹏等: "基于近红外漫反射测量的车载式原位土壤参数检测仪开发", 《光谱学与光谱分析》 * |
闫明壮等: "基于光谱与纹理特征融合的绿萝叶绿素含量检测", 《南京农业大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951532A (zh) * | 2024-03-27 | 2024-04-30 | 北京市农林科学院智能装备技术研究中心 | 基于土壤全氮近红外光谱的云边协同检测***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fernandez-Gallego et al. | Wheat ear counting in-field conditions: high throughput and low-cost approach using RGB images | |
Virlet et al. | Field Scanalyzer: An automated robotic field phenotyping platform for detailed crop monitoring | |
Hovi et al. | LiDAR waveform features for tree species classification and their sensitivity to tree-and acquisition related parameters | |
US20180067209A1 (en) | Method and apparatus for processing spectral images | |
Aldana-Jague et al. | UAS-based soil carbon mapping using VIS-NIR (480–1000 nm) multi-spectral imaging: Potential and limitations | |
CN110926430B (zh) | 一种空地一体化红树林监测***及控制方法 | |
Jiang et al. | Advancing opportunistic sensing in hydrology: A novel approach to measuring rainfall with ordinary surveillance cameras | |
Garcia et al. | Quantification of floating macroalgae blooms using the scaled algae index | |
Muñoz et al. | Soil carbon mapping using on-the-go near infrared spectroscopy, topography and aerial photographs | |
KR101116462B1 (ko) | 원격탐사 데이터를 이용한 수질 모니터링 방법 및 이를 이용한 수질 모니터링 장치 | |
CN108088818B (zh) | 一种车载式土壤含水率和全氮含量光谱测量***及方法 | |
Mouazen et al. | Influence of soil moisture content on assessment of bulk density with combined frequency domain reflectometry and visible and near infrared spectroscopy under semi field conditions | |
Wang et al. | Development and performance test of a vehicle-mounted total nitrogen content prediction system based on the fusion of near-infrared spectroscopy and image information | |
Lin et al. | Using the 3D model RAPID to invert the shoot dieback ratio of vertically heterogeneous Yunnan pine forests to detect beetle damage | |
CN115235997A (zh) | 一种基于卫星高光谱影像的土壤质地反演方法 | |
CN113203689A (zh) | 土壤全氮含量检测方法、装置、电子设备和存储介质 | |
CN117423013B (zh) | 基于地质大数据的成矿潜力预测方法 | |
Chu et al. | Remote sensing water quality inversion using sparse representation: Chlorophyll-a retrieval from Sentinel-2 MSI data | |
CN112577956A (zh) | 一种基于智能设备拍照功能的玉米考种***及方法 | |
CN108198178A (zh) | 大气程辐射值的确定方法和装置 | |
CN101911877A (zh) | 基于激光漫反射图像技术的种子生命力鉴别装置和方法 | |
CN115372281A (zh) | 一种土壤物理结构和化学构成的监测***及方法 | |
Tang et al. | Chlorophyll detector development based on snapshot-mosaic multispectral image sensing and field wheat canopy processing | |
CN114580767A (zh) | 基于图像处理的土壤质地预测方法及装置 | |
CN112712132A (zh) | 冬笋探测方法、装置及基于微波反射法的冬笋探测*** |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210803 |