高光谱分层融合CNN模型的多耦合障碍土壤智能识别方法

本发明涉及土壤光谱无损检测、深度学习与农业遥感交叉，具体为一种高光谱分层融合cnn模型的多耦合障碍土壤智能识别方法。

背景技术：

1、耕地酸化、盐碱化、板结、重金属累积均为典型土壤障碍，会直接抑制作物根系发育、降低耕地生产力。实际大田环境中土壤障碍极少单独存在，普遍呈现多种障碍耦合叠加状态，例如低洼地块盐碱伴随土壤板结、工矿周边耕地酸化叠加重金属轻度污染，复合障碍对土壤结构与肥力的破坏程度远高于单一障碍，是耕地治理的核心难点。当前土壤障碍检测分为两类手段：一是实验室理化检测，精度高但采样、消解、化验流程冗长，成本高，无法实现大范围地块连续监测；二是光谱智能识别技术。

2、现有公开方案多采用 svm、随机森林、单分支cnn等模型，仅针对盐碱、酸化、重金属其中一类单一障碍构建识别模型，存在明显短板；仅学习单一障碍光谱响应规律，无法捕捉多种障碍叠加后混合、偏移的特征指纹，复合耦合障碍极易漏判、错判；传统方案依靠人工筛选敏感波段，主观性强，易丢失多障碍耦合产生的微弱跨波段关联特征；田间采样数据集存在样本不均衡问题，单一障碍样本数量远多于耦合障碍样本，常规交叉熵损失训练出的模型偏向简单样本，大幅降低复合障碍识别精度；田间地表残茬、土壤含水率、颗粒不均匀会造成基线漂移与散射干扰，常规单一预处理方式降噪效果有限。

技术实现思路

1、本发明的目的在于提供一种高光谱分层融合cnn模型的多耦合障碍土壤智能识别方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：高光谱分层融合cnn模型的多耦合障碍土壤智能识别方法，包括以下步骤：

3、s1、多耦合障碍土壤高光谱数据获取：选取农田典型耕作区域，在土壤墒情稳定、天气晴朗无云的日间，利用搭载高光谱成像设备的无人机对目标耕地0-20cm耕层进行全域航拍，分别采集健康土壤、单一障碍土壤、多类型耦合障碍土壤的可见-近红外全域高光谱影像数据，同步开展野外网格样点采样与实验室理化检测，获取土壤ph、贫瘠、含盐量、容重、孔隙度、重金属含量的障碍指标数据；

4、s2、高光谱影像数据预处理：对采集的原始土壤高光谱数据依次采用db3小波基开展3层小波降噪、基线校正、多元散射校正、标准化与归一化预处理，去除田间土壤水分、碎石、秸秆残留、光照不均带来的光谱噪声与基线偏移干扰，得到标准化纯净高光谱数据；

5、s3、全波段输入方案确定：全波段高光谱数据作为模型输入，不对光谱波段进行预先筛选，确定全波段参数；

6、s4、构建基于双分支分层融合cnn与改进mixmatch半监督学习的土壤耦合障碍识别模型：以浅层卷积、深层空洞卷积构成的双分支分层融合cnn作为特征提取主干，构建双分支结构，结合少量精准标注土壤障碍标签数据与海量田间无标签高光谱数据搭建半监督识别框架；

7、s5、数据集标签标注与样本均衡构建：依据土壤障碍分级国家标准，对光谱样本进行标签标注，分别设置健康土壤、单一盐碱障碍、单一酸化障碍、单一板结障碍、单一重金属障碍、盐碱-板结耦合、酸化-重金属耦合、贫瘠-板结耦合标签类型，构建多类别、多耦合土壤障碍标注数据集；

8、s6、模型特征融合与迭代训练：通过双分支cnn分别提取显性单一障碍特征与隐性耦合关联特征，进行特征拼接融合，结合焦点损失函数优化模型训练过程，抑制单一障碍样本过拟合问题，基于焦点损失通过‌动态降低易分类样本权重‌，迫使模型聚焦于‌难分类样本‌进行训练，提升模型对少量耦合障碍样本的识别能力；

9、s7、田间土壤障碍智能识别检测：将待测耕地预处理后的高光谱影像数据输入训练完成的最优识别模型，自动判别土壤障碍类型、耦合组合方式及障碍等级，输出土壤障碍空间分布位置与定量反演结果，完成区域耕地土壤障碍整体状况研判。

10、优选的，所述土壤耦合障碍识别模型通过分层融合cnn结合改进 mixmatch 半监督学习方法，以双分支分层融合cnn作为特征提取主干，并在传统 mixmatch 损失基础上引入焦点损失函数改善土壤样本不均衡问题。

11、优选的，所述数据集标签标注与样本均衡的主要步骤包括：

12、s5.1、构建双分支cnn网络并制作有标签数据，搭建浅层卷积 + 池化、深层空洞卷积双分支特征提取网络，依据提取出的对土壤多耦合障碍最为敏感的特征波段制作标签，将存在盐碱、板结、贫瘠、酸化、重金属叠加耦合障碍的土壤样本标注为“耦合障碍土壤”，单一障碍样本标注为“单一障碍土壤”，健康土壤样本标注为“健康土壤”；将原始高光谱数据输入双分支cnn网络，输出浅层显性特征与深层隐性耦合特征并完成维度拼接融合，得到样本综合光谱特征；

13、s5.2、有标签数据特征增广，对于经双分支cnn提取后的有标签综合特征，进行一次随机增广，以保持与无标签数据处理流程一致性，有标签数据特征表达式为：

14、

15、其中，是特征增广后的有标签数据，是经双分支cnn提取的第i个有标签土壤光谱综合特征，是样本所对应的土壤障碍标签，是有标签数据的样本数量；

16、s5.3、无标签数据特征增广，对于没有标签的土壤高光谱原始数据u，先输入双分支cnn提取综合特征，再应用k次随机增广，以便后续生成可信度高的隐性耦合特征伪标签，提升模型泛化能力，无标签数据数据增广的表达式为：

17、

18、其中，是随机增广后的无标签综合特征数据，是经双分支cnn提取的无标签土壤光谱综合特征，是随机增广次数；

19、s5.4、生成平均伪标签，对上一步进行了k次增强的无标签综合特征输入模型完成预测，使用求平均的方式生成一个平均伪标签，生成平均伪标签的表达式为：

20、

21、其中，是无标签土壤样本的平均预测概率，是对无标签样本的增广次数，是随机增广后的无标签土壤综合特征，为以双分支分层融合cnn为骨干的模型预测函数；

22、s5.5、使用sharpen锐化提升伪标签置信度，让预测伪标签的熵更低，突出土壤高概率障碍类别，让预测概率分布更加的明显，sharpen锐化的表达式为：

23、

24、其中，是第j土壤样本锐化后的伪标签，是无标签土壤样本的平均预测概率，为温度锐化的温度参数，是土壤分类任务的类别数量；

25、s5.6、特征与标签融合，通过线性插值将有标签数据和无标签数据及其锐化后的伪标签采用线性混合的方式融合，进一步提升模型的泛化能力和训练稳定性，融合的表达式如下：

26、

27、其中，是混合后的输入光谱特征数据，是有标签数据中第i个样本随机增广后的cnn综合特征，是有标签数据中第i个样本的标注标签，y是混合后的标签数据，是无标签数据中第j个样本经cnn提取的综合特征，是第j个样本锐化后的伪标签，是动态混合系数。

28、优选的，所述土壤耦合障碍识别模型构建的主要步骤包括：

29、s4.1、计算有标签数据的监督损失，确保模型在有标签土壤样本数据上学习正确分类特征，计算有标签数据监督损失的表达式如下：

30、

31、其中，是监督损失，是有标签土壤数据的数量，是交叉熵损失函数；

32、s4.2、计算无标签数据的非监督损失，使模型对无标签土壤数据的增广版本预测结果保持一致，计算无标签数据非监督损失的表达式如下：

33、

34、其中，是非监督损失，是无标签土壤数据的数量，是对每张无标签土壤样本的增广次数；

35、s4.3、引入焦点损失函数并构建总损失函数，通过监督损失与无监督一致性损失协同优化模型，引入焦点损失fl降低大量简单单一障碍样本的训练权重，提升少量耦合障碍样本的训练权重；通过加权融合监督损失、非监督损失与焦点损失，利用少量有标注数据和大量无标签数据协同优化模型参数，总损失表达式如下：

36、

37、其中，是总损失函数，是监督损失，是非监督损失的权重系数，是非监督损失，为焦点损失，用于平衡土壤单一障碍与耦合障碍样本的训练权重；

38、s4.4、根据总损失函数反向传播更新双分cnn网络相关参数，迭代训练直至模型精度收敛，使多耦合障碍土壤识别模型达到最优识别效果。

39、优选的，所述双分支分层融合cnn通过浅层卷积与深层空洞卷积的组合结构，在训练过程中自适应地从全波段数据中学习并筛选对障碍识别贡献最大的特征组合，无需人工预设敏感波段。

40、优选的，所述全波段高光谱采用400-2500nm可见-近红外全域波段，光谱分辨率优于10nm，经s2预处理后直接输入s4构建的双分支分层融合cnn模型进行训练与识别。

41、优选的，所述土壤耦合障碍识别模型构建引入焦点损失函数改善土壤样本类别不均衡问题，协同完成多耦合障碍土壤识别模型训练与参数优化。

42、优选的，所述多耦合障碍土壤智能识别方法还包括多耦合障碍土壤智能识别三维可视化，应用三维可视化软件，设定多耦合障碍土壤智能识别三维可视化参数，基于田间土壤障碍智能识别检测数据，将土壤障碍空间分布进行三维可视化，生成区域耕地土壤障碍整体状况的三维可视化动态演变。

43、优选的，所述高光谱影像预处理包括‌辐射定标、大气校正、几何校正、坏线/坏点修复、光谱平滑与散射校正和降维/特征增强‌，消除传感器、大气及几何畸变干扰，还原真实地表反射率光谱。

44、与现有技术相比，本发明的有益效果是：

45、1、本基于高光谱分层融合cnn模型的多耦合障碍土壤智能识别方法，利用高光谱成像设备采集多耦合障碍土壤高光谱数据，构建浅层普通卷积、深层空洞卷积双分支分层融合cnn网络，自动化提取光谱特征，实现同步输出土壤障碍组合类型、障碍轻重分级及定量指标反演结果，多类型复合障碍识别准确率显著提升，满足农田多耦合障碍土壤快速、高精度识别，解决了现有土壤障碍识别技术中存在的仅能识别单一障碍、无法识别复合耦合障碍、人工特征筛选主观性强、田间环境干扰大、样本不均衡导致识别精度不足、泛化能力弱等问题，实现对农田多类型耦合障碍土壤的高精度识别与精准定量监测，适用于农田耕层土壤盐渍化、酸化、板结及重金属复合污染等多类型单一与耦合障碍的大面积快速诊断与分级评价；

46、2、本基于高光谱分层融合cnn模型的多耦合障碍土壤智能识别方法，将双分支分层cnn结构应用于土壤耦合障碍识别领域，分别提取单一障碍显性光谱特征与耦合障碍隐性关联特征，填补传统模型无法精准识别复合土壤耦合障碍的技术空白，贴合田间真实土壤障碍分布特征；

47、3、本基于高光谱分层融合cnn模型的多耦合障碍土壤智能识别方法，采用改进mixmatch半监督学习框架，依托海量无标签高光谱数据辅助训练，大幅降低土壤样本人工标注成本；同时在标准mixmatch损失基础上新增焦点损失，针对性解决农田土壤样本不均衡难题，显著提升耦合障碍识别准确率；

48、4、本基于高光谱分层融合cnn模型的多耦合障碍土壤智能识别方法，端到端深度学习自动挖掘光谱特征，无需人工筛选敏感波段，规避人工筛选带来的主观性偏差，模型泛化能力更强；

49、5、本基于高光谱分层融合cnn模型的多耦合障碍土壤智能识别方法，采用db3小波三层降噪结合msc多元散射校正联合预处理，双重抑制田间水分、秸秆、碎石带来的光谱干扰，提升野外实测光谱数据稳定性；

50、6、本基于高光谱分层融合cnn模型的多耦合障碍土壤智能识别方法，搭载无人机高光谱设备可实现耕地全域一次性全覆盖检测，检测效率远高于传统实验室理化检测，适配第三次全国土壤普查、耕地常态化动态监测、障碍土壤精准改良分区等规模化田间作业场景。