一种基于图像叠加和机器学习识别土壤颗粒上重金属结合形态的方法

本发明涉及生态风险评估，尤其涉及一种基于图像叠加和机器学习识别土壤颗粒上重金属结合形态的方法。

背景技术：

1、随人类现代化进程，工业化程度不断提高，导致土壤污染现象愈发严重，且污染土壤的类型多，分布广，数量大，因此土壤污染是亟待解决的问题。

2、重金属污染是土壤污染的常见现象，重金属在土壤中与多种固相结合，形成不同形态的复合体，生物毒性也各有不同，土壤中的重金属会因为环境变化导致土壤理化性质和微生物活性发生变化从而改变自身的分布、含量以及结合状态，即重金属发生了迁移与转化过程。

3、不同的重金属形态造成的生物毒性差距极大，因此研究土壤中重金属的存在形态至关重要，以往研究多利用传统的化学提取方法研究重金属污染及其形态，这种实验方法的缺陷在于会破坏土壤本身的异质性，无法反映其原始结构，检测得到的形态信息能否反映土壤的真实情况存疑，因此传统的利用化学试剂处理土壤后检测的方法存在极大的缺陷，急需改进或新方法的产生。

技术实现思路

1、本发明的目的是为了解决现有技术中存在的缺点，如：传统的化学提取方法研究重金属污染及其形态，这种实验方法的缺陷在于会破坏土壤本身的异质性，无法反映其原始结构，检测得到的形态信息能否反映土壤的真实情况存疑，因此传统的利用化学试剂处理土壤后检测的方法存在极大的缺陷，急需改进或新方法的产生，而提出的一种基于图像叠加和机器学习识别土壤颗粒上重金属结合形态的方法。

2、为了实现上述目的，本发明采用了如下技术方案：

3、一种基于图像叠加和机器学习识别土壤颗粒上重金属结合形态的方法，包括以下步骤：

4、s1、建立以组成元素为标准分类土壤颗粒的方法；

5、s2、消除电镜能谱所得的元素分布情况图的背景噪音；

6、s3、确定扫描电子显微镜下的土壤颗粒种类，扫描电子显微镜的图像中包含若干个土壤颗粒，颗粒间界限较明显，一般按顺序逐个分析；

7、s4、计算重金属在各土壤颗粒组分间的分布情况。

8、优选地，土壤中包含多种不同类型的颗粒，主要有硅酸盐矿物类，铁氧化物类，有机质类，碳酸盐类等等，通过观察电子显微镜所呈现的形貌不能对其进行分辨，需要结合电镜能谱呈现的元素信息进行分辨；利用元素信息进行分辨的原理是不同颗粒间元素组成差距较大，本发明按照所含元素分类不同颗粒的标准为：硅酸盐矿物——si、al、o，铁氧化物——fe、o，有机质——c、o，碳酸盐——c、o、ca；其中对硅酸盐矿物进行了细分，土壤中常见的硅酸盐矿物有高岭石（1:1型），蒙脱石（2:1型），这两者虽然主要组成元素都为si、al、o，但si/al不同；通过测量高岭石、蒙脱石的标准样品，得到大量两类标准样品的si/al，利用机器学习聚类分析找到si/al的分界值以区分这两类硅酸盐矿物。

9、优选地，电镜能谱可以同时测量多种元素的分布情况，并按照不同元素分别生成对应的图像，其以像素点的形式表现元素的分布以及含量高低，有像素点亮点存在，表示此位置该元素有分布，而像素点越多，越亮，表示该元素含量越高；但电镜能谱本身仪器噪音较大，会严重影响元素真实情况的呈现；最主要的原因是电镜能谱测量时，样品所置于的基底产生的噪音（背景噪音）太大；为了消除产生的噪音，利用机器学习中值法确定真实像素点与背景像素点之间亮度的阈值，去除阈值以下的像素点，将去除过后得到的图像视为元素分布与含量的真实图像。

10、优选地，在扫描电子显微镜图像下确定所分析颗粒的位置，找到其在电镜能谱图像中对应的位置，按照第二步去除噪音之后，观察此位置的元素分布情况，若此位置大量分布si、al、o，则确定颗粒为硅酸盐颗粒，若此位置大量分布fe、o，则确定颗粒为铁氧化物…；在各类土壤颗粒中，铁氧化物的性质较为活跃，倾向于与其他土壤颗粒组分结合，形成复合体；因此当某颗粒同时含有si、al、o、fe时，则判定其为硅酸盐-铁氧化物复合体，有机质-铁氧化物复合体同理。

11、优选地，对所需元素图像进行第二步降噪处理后，将所得到的元素分布图像与第三步结束后已经确定好各颗粒种类的扫描电子显微镜的图像叠加，计算所需元素的像素点落在各个组分上的比例，具体公式为（以有机质结合态为例）：有机质结合态重金属= （落在有机质组分上的重金属信号点/总重金属信号点） * 100%。

12、与现有技术相比，本发明的有益效果是：能用一种无损、原位的方法指示了加入外源微生物后土壤中cu生物毒性的变化，可以对外源微生物的加入后对重金属污染土壤中cu在各组分上的吸附情况进行分析，从而得出其能产生的影响，对降低污染土壤重金属生物毒性具有极大的潜力，对后续指导实践具有重大意义。

技术特征：

1.一种基于图像叠加和机器学习识别土壤颗粒上重金属结合形态的方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于图像叠加和机器学习识别土壤颗粒上重金属结合形态的方法，其特征在于，土壤中包含多种不同类型的颗粒，主要有硅酸盐矿物类，铁氧化物类，有机质类，碳酸盐类等等，通过观察电子显微镜所呈现的形貌不能对其进行分辨，需要结合电镜能谱呈现的元素信息进行分辨；利用元素信息进行分辨的原理是不同颗粒间元素组成差距较大，本发明按照所含元素分类不同颗粒的标准为：硅酸盐矿物——si、al、o，铁氧化物——fe、o，有机质——c、o，碳酸盐——c、o、ca；其中对硅酸盐矿物进行了细分，土壤中常见的硅酸盐矿物有高岭石(1:1型)，蒙脱石(2:1型)，这两者虽然主要组成元素都为si、al、o，但si/al不同；通过测量高岭石、蒙脱石的标准样品，得到大量两类标准样品的si/al，利用机器学习聚类分析找到si/al的分界值以区分这两类硅酸盐矿物。

3.根据权利要求1所述的一种基于图像叠加和机器学习识别土壤颗粒上重金属结合形态的方法，其特征在于，电镜能谱可以同时测量多种元素的分布情况，并按照不同元素分别生成对应的图像，其以像素点的形式表现元素的分布以及含量高低，有像素点亮点存在，表示此位置该元素有分布，而像素点越多，越亮，表示该元素含量越高；但电镜能谱本身仪器噪音较大，会严重影响元素真实情况的呈现；最主要的原因是电镜能谱测量时，样品所置于的基底产生的噪音(背景噪音)太大；为了消除产生的噪音，利用机器学习中值法确定真实像素点与背景像素点之间亮度的阈值，去除阈值以下的像素点，将去除过后得到的图像视为元素分布与含量的真实图像。

4.根据权利要求1所述的一种基于图像叠加和机器学习识别土壤颗粒上重金属结合形态的方法，其特征在于，在扫描电子显微镜图像下确定所分析颗粒的位置，找到其在电镜能谱图像中对应的位置，按照第二步去除噪音之后，观察此位置的元素分布情况，若此位置大量分布si、al、o，则确定颗粒为硅酸盐颗粒，若此位置大量分布fe、o，则确定颗粒为铁氧化物…；在各类土壤颗粒中，铁氧化物的性质较为活跃，倾向于与其他土壤颗粒组分结合，形成复合体；因此当某颗粒同时含有si、al、o、fe时，则判定其为硅酸盐-铁氧化物复合体，有机质-铁氧化物复合体同理。

5.根据权利要求1所述的一种基于图像叠加和机器学习识别土壤颗粒上重金属结合形态的方法，其特征在于，对所需元素图像进行第二步降噪处理后，将所得到的元素分布图像与第三步结束后已经确定好各颗粒种类的扫描电子显微镜的图像叠加，计算所需元素的像素点落在各个组分上的比例，具体公式为（以有机质结合态为例）：有机质结合态重金属=（落在有机质组分上的重金属信号点/总重金属信号点） * 100%。

技术总结
本发明公开了一种基于图像叠加和机器学习识别土壤颗粒上重金属结合形态的方法，包括以下步骤：S1、建立以组成元素为标准分类土壤颗粒的方法；S2、消除电镜能谱所得的元素分布情况图的背景噪音；S3、确定扫描电子显微镜下的土壤颗粒种类，扫描电子显微镜的图像中包含若干个土壤颗粒，颗粒间界限较明显，一般按顺序逐个分析；S4、计算重金属在各土壤颗粒组分间的分布情况。本发明能用一种无损、原位的方法指示了加入外源微生物后土壤中Cu生物毒性的变化，可以对外源微生物的加入后对重金属污染土壤中Cu在各组分上的吸附情况进行分析，从而得出其能产生的影响，对降低污染土壤重金属生物毒性具有极大的潜力，对后续指导实践具有重大意义。

技术研发人员：黄巧云,刘洋,渠晨晨,高大鑫
受保护的技术使用者：华中农业大学
技术研发日：
技术公布日：2025/1/28