一种基于高光谱增强数据的土壤化学成分检测方法及系统与流程
本发明涉及土壤检测与农业信息检测,特别涉及一种基于高光谱增强数据的土壤化学成分检测方法及系统。
背景技术:
1、土壤化学成分(如有机质、全氮、速效磷、速效钾等)是评价土壤肥力与质量的核心指标,其快速准确检测对于精准农业、耕地质量监测及生态环境保护具有重要意义。传统土壤化学成分检测方法主要依赖实验室化学分析,包括凯氏定氮法、重铬酸钾氧化法、钼锑抗比色法及火焰光度法等;上述方法虽然精度较高,但存在样品前处理复杂、检测周期长、化学试剂消耗大、难以满足田间快速检测需求等不足;
2、高光谱成像技术能够同步获取土壤样品的空间图像信息与连续波段光谱信息,利用土壤中有机质、黏土矿物、水分及氮磷钾等化学成分在特定波段的光谱吸收与反射特性,实现土壤化学成分的无损快速检测。然而,建立高光谱土壤化学成分检测模型需要采集覆盖不同土壤类型、不同化学成分含量梯度的大量标注样本,野外采样、实验室化验及光谱采集工作量大,实际能够获得的有效标注样本数量有限;样本数量不足时,检测模型难以充分学习不同土壤类型之间的光谱差异及光谱数据随化学成分含量变化的规律,容易出现模型过拟合或泛化能力下降的问题;
3、现有生成对抗网络可用于扩充高光谱数据,但土壤化学成分检测同时包括定性检测(土壤类型或化学成分主导类别判别)和定量检测(化学成分含量预测);定性检测需要保持不同土壤类别之间的光谱差异,定量检测还需要使生成光谱数据与相应的化学成分含量准确对应;若采用相同的数据增强方式处理两类数据,生成光谱数据可能无法同时保持类别特征和含量对应关系;同时,若缺少对生成光谱数据与原始光谱数据之间相似性及分布一致性的验证,生成数据直接用于模型训练时可能影响检测结果的可靠性。
4、为此,提出一种基于高光谱增强数据的土壤化学成分检测方法及系统。
技术实现思路
1、本发明的技术方案是这样实现的:一种基于高光谱增强数据的土壤化学成分检测方法,包括以下步骤:
2、s1、采集不同土壤类型样品及待测土壤样品的高光谱图像,对高光谱图像进行辐射定标并提取原始光谱数据,按照土壤类型构建定性原始数据集,按照化学成分种类及含量梯度构建定量原始数据集;
3、s2、分别采用各土壤类型对应的原始光谱数据训练深度卷积生成对抗网络,通过训练后的深度卷积生成对抗网络生成与各土壤类型对应的定性光谱数据,将定性光谱数据加入定性原始数据集,形成定性增强数据集;
4、s3、分别采用各化学成分在不同含量梯度下对应的原始光谱数据训练辅助回归生成对抗网络,将随机噪声与归一化后的化学成分含量共同输入训练后的辅助回归生成对抗网络,生成与输入的化学成分含量对应的定量光谱数据,将定量光谱数据加入定量原始数据集,形成定量增强数据集;
5、s4、采用定性增强数据集建立偏最小二乘判别分析模型,采用定量增强数据集分别建立有机质、全氮和速效钾对应的最小二乘支持向量机模型;
6、s5、采集待测土壤样品的高光谱图像,对待测土壤样品的高光谱图像进行辐射定标并提取待测光谱数据,将待测光谱数据输入偏最小二乘判别分析模型,获得待测土壤样品的土壤类型判别结果;当土壤类型判别结果为待测土壤类型时,将待测光谱数据输入与土壤类型判别结果对应的最小二乘支持向量机模型,获得待测土壤样品的化学成分含量检测结果。
7、进一步地,步骤s1中,用于构建定性原始数据集的各土壤类型样品中,化学成分含量覆盖该土壤类型的典型含量范围;用于构建定量原始数据集的各化学成分样品中,含量梯度设置为该化学成分常规检测范围的等间隔梯度,相邻两个含量梯度之间的差值根据检测精度需求设定。
8、进一步地,步骤s1中,土壤样品的制备过程包括:采集田间土壤样品,经自然风干、研磨过筛后,按照设定的含量梯度称取土壤样品与标准基质进行混合,对混合后的土壤样品进行均匀化处理,并将均匀化处理后的土壤样品压制为片状样品或装入标准样品杯。
9、进一步地,步骤s1和步骤s5中,高光谱图像的采集波段为400~1000nm或900~1700nm,光谱分辨率不大于5nm,相机曝光时间根据光源强度调整,承载样品的位移平台移动速度根据采样分辨率需求设定;分别采集标准白板参考图像和暗参考图像,并根据白板参考图像和暗参考图像对采集的高光谱图像进行辐射定标。
10、进一步地,步骤s2中的深度卷积生成对抗网络包括第一生成器和第一判别器;第一生成器将随机噪声经全连接映射和一维转置卷积处理,生成与原始光谱数据具有相同波段维度的定性光谱数据;第一判别器将原始光谱数据或定性光谱数据经一维卷积处理后,输出真假判别结果;第一生成器和第一判别器采用交替训练的方式进行参数更新。
11、进一步地,步骤s3中的辅助回归生成对抗网络包括第二生成器和第二判别器;第二生成器以随机噪声和归一化后的化学成分含量为联合输入,经全连接映射后输出与化学成分含量对应的定量光谱数据;第二判别器包括对抗输出层和含量回归输出层,对抗输出层输出原始光谱数据或定量光谱数据的真假判别结果,含量回归输出层输出对应的化学成分含量回归结果;辅助回归生成对抗网络的训练损失包括wasserstein对抗损失、均方误差回归损失和梯度惩罚损失。
12、进一步地,在形成定性增强数据集和定量增强数据集后,分别通过平均光谱曲线和箱形图,对生成的定性光谱数据和定量光谱数据与对应的原始光谱数据进行光谱形态及统计分布比较,并分别计算结构相似性指数、最大均值差异和曼哈顿距离,对生成光谱数据与对应的原始光谱数据之间的结构相似性及分布一致性进行验证。
13、进一步地,步骤s4中采用连续投影算法或竞争性自适应重加权采样算法从定性增强数据集中提取特征波长,并在不对定性增强数据集进行光谱预处理的条件下建立偏最小二乘判别分析模型;不同土壤类型对应的最小二乘支持向量机模型根据该土壤类型光谱数据特点选用径向基核函数或线性核函数。
14、本发明还提供一种基于高光谱增强数据的土壤化学成分检测系统,包括高光谱成像系统、存储器以及与高光谱成像系统和存储器数据连接的处理器;
15、高光谱成像系统用于采集不同土壤类型样品及待测土壤样品的高光谱图像,并将采集的高光谱图像传输至处理器;
16、处理器对不同土壤类型样品的高光谱图像进行辐射定标并提取原始光谱数据,按照土壤类型形成定性原始数据集,按照化学成分种类及含量梯度形成定量原始数据集;
17、处理器运行深度卷积生成对抗网络,根据各土壤类型对应的原始光谱数据生成与各土壤类型对应的定性光谱数据,并将定性光谱数据与定性原始数据集合并形成定性增强数据集;运行辅助回归生成对抗网络,以随机噪声和归一化后的化学成分含量为联合输入,生成与化学成分含量对应的定量光谱数据,并将定量光谱数据与定量原始数据集合并形成定量增强数据集;
18、处理器采用定性增强数据集建立偏最小二乘判别分析模型,并采用定量增强数据集分别建立有机质、全氮和速效钾对应的最小二乘支持向量机模型;存储器用于存储深度卷积生成对抗网络、辅助回归生成对抗网络、偏最小二乘判别分析模型以及分别与有机质、全氮和速效钾对应的最小二乘支持向量机模型;
19、处理器对待测土壤样品的高光谱图像进行辐射定标并提取待测光谱数据,将待测光谱数据输入偏最小二乘判别分析模型,获得土壤类型判别结果;当土壤类型判别结果为待测土壤类型时,将待测光谱数据输入与土壤类型判别结果对应的最小二乘支持向量机模型,获得化学成分含量检测结果。
20、进一步地,高光谱成像系统包括成像光谱仪、用于承载土壤样品的位移平台、驱动位移平台移动的驱动机构以及设置于样品采集区域周围的照明单元,成像光谱仪的光谱范围为400~1000nm或900~1700nm、光谱分辨率不大于5nm。
21、本发明实施例由于采用以上技术方案,其具有以下优点:
22、本发明针对定性检测与定量检测对高光谱增强数据要求不同的问题,首先根据土壤类型和化学成分含量梯度分别构建定性、定量原始数据集,再针对两类任务采用不同的生成对抗网络进行数据增强。其中,深度卷积生成对抗网络通过学习各土壤类型原始光谱的特征分布,生成具有相应类别光谱特征的定性数据,从而在扩充样本数量的同时保持不同土壤类型之间的光谱差异;辅助回归生成对抗网络则将归一化后的化学成分含量作为条件信息与随机噪声共同输入,使生成过程受到目标含量约束,从而建立生成光谱与化学成分含量之间的对应关系。基于上述增强数据分别建立偏最小二乘判别分析模型和最小二乘支持向量机模型,使定性判别与定量预测采用与各自任务特性相适配的数据和建模方式。该方案根据类别保持和含量对应两种不同需求实施针对性数据增强,,可减少统一增强方式造成的类别特征弱化或含量对应关系偏移,提高有限样本条件下土壤类型判别及有机质、全氮和速效钾含量预测的准确性、稳定性和可靠性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com