基于图像处理的土壤质地预测方法及装置

1.本文件涉及土壤质地预测技术领域，尤其涉及一种基于图像处理的土壤质地预测方法及装置。


背景技术：

2.精密农业技术和传感器的现代创新催生了有利可图的农业企业。先进的技术有助于获取土壤小气候的准确信息，同时大量的研究已经确定了流动土壤传感器的适用性。这些传感器的优点在于它们能够提供相对便宜的高密度测量。在土壤物理参数中，土壤质地是影响土壤水分和养分保持性、密度或压实度、空气流动、腐殖质络合、土壤侵蚀潜力等特性的重要属性。快速且具有成本效益的土壤质地定量可以成为精准农业和可持续土壤管理的重要工具。对土壤质地变异性的适当了解有助于在不同作物生长条件下采取明智的农艺措施，无论是灌溉设计还是灌溉管理，或者其他目的的土地利用规划，最先做的往往是了解土壤的物理特性，土壤质地的界定是灌溉设计中重要的参考指标。现有的土壤质地界定方法是通过实验室仪器测定，一般采用“液体比重法”和“吸管法”，野外则采用“干试法”和“湿试法”进行简易速测土壤质地。其中，吸管法操作较为繁琐，但测定结果较为精确，液体比重法操作较为简单，但精度较差，计算也较为繁琐，一般多用于大批量样品分析，“液体比重法”和“吸管法”均需在实验室环境。“干试法”和“湿试法”则精度较差，同时对工作人员经验要求较高。
3.在实验室中，传统的土壤结构分析涉及到繁琐的过程，如干燥、研磨和筛分，然后使用比重计或移液管对砂、粉土和粘土进行沉降分析，耗时(约2个工作日)。这种方法，虽然提供准确的土壤质地结果，并不意味着快速和高密度的质地评价空间变异分析。此外，这些方法需要双氧水，一种腐蚀性试剂来破坏原生土壤有机质(som)。虽然先进的激光衍射粒度分析仪可以生成土壤质地报告,该方法具有广泛的动态范围和灵活性，但也存在一些局限性，如成本高、采样误差大，尤其是在较细分数的情况下。因此，有必要开发一种快速、复杂但更便宜的测量土壤质地的技术。


技术实现要素：

4.本发明的目的在于提供一种基于图像处理的土壤质地预测方法及装置，旨在解决现有技术中的上述问题。
5.本发明提供一种基于图像处理的土壤质地预测方法，包括：
6.通过图像采集装置采集土壤样本图像，并对土壤样本图像进行预处理；
7.基于训练好的土壤质地预测模型对预处理后的土壤样本图像进行土壤质地预测。
8.本发明提供一种基于图像处理的土壤质地预测装置，包括：
9.土壤图像采集装置，用于对每个图像样本分别在第一光照强度、第二光照强度以及第三光照强度下进行拍照，获取土壤样本图像；
10.图像预处理装置，用于在距离土壤样本图像特定中心水平和特定垂直分辨率的方
形区域中选择roi；
11.预测装置，用于基于预测好的土壤质地预测模型对测试集进行土壤质地预测。
12.采用本发明实施例，通过土壤图像采集装置对土壤图像进行采集，并对土壤图像进行预处理后，通过预先训练好的土壤预测模型进行土壤质地的预测，其中预先训练好的土壤预测模型通过在图像中提取局部特征、颜色特征以及纹理特征重新组合获取全局特征，提高了土壤质地预测的准确性及效率。
附图说明
13.为了更清楚地说明本说明书一个或多个实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
14.图1为本发明实施例的一种基于图像处理的土壤质地预测方法的流程图；
15.图2为本发明实施例的土壤质地分类图；
16.图3为本发明实施例的特征空间提取及建模过程；
17.图4为本发明实施例的显示土壤分析应用程序的流程图；
18.图5为本发明实施例的一种基于图像处理的土壤质地预测装置的示意图；
19.图6为本发明实施例图像采集装置示意图。
具体实施方式
20.为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，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，都应当属于本文件的保护范围。
21.方法实施例
22.根据本发明实施例，提供了一种基于图像处理的土壤质地预测方法，图1为本发明实施例的一种基于图像处理的土壤质地预测方法的流程图，根据图1所示，本发明实施例的一种基于图像处理的土壤质地预测方法具体包括：
23.步骤s101，通过图像采集装置采集土壤样本图像，并对土壤样本图像进行预处理，步骤s101具体包括：
24.通过图像采集装置对每个图像样本分别在第一光照强度、第二光照强度以及第三光照强度下进行拍照；
25.在距离所述土壤样本图像特定中心水平和特定垂直分辨率的方形区域中选择roi。
26.其中，本发明实施例中的土壤质地分类标准采用的美国农业部指定的三交坐标图解法，图2为本发明实施例的土壤质地分类图，根据图2可知，等边三角形的三条边分别代表黏粒(〈0.002mm)、粉粒(0.002～0.05mm)及砂粒(0.05～2mm)的含量(％)。如图中八点代表含黏粒15％、砂粒65％、粉粒20％，故这三种不同粒级共同组合成的土壤质地名称为砂质壤
土，b点代表含黏粒35％、粉粒33％、砂粒32％，三者共同组合成的土壤质地名称为黏壤土，取90个样本,用比重法得到这些样本的土壤黏粒、粉粒及砂粒的含量。
27.本发明实施例采用的土壤图像采集装置为一个长方体黑盒，由直流电源适配器供电,照明和led灯泡变光开关控制器。这个盒子是完全涂上黑色盒子内避免光的反射。在箱体底部安装一个4cm
×
4cm
×
2cm的方形支架，用来固定土样。盒子顶部打开了一个圆形窗口，用来放置智能装备相机，以便捕捉土壤样本的图像。白色的led条穿过墙壁的垂直面，其亮度由外部调光开关控制。这个盒子被设计用来在固定的距离上捕捉图像。为了保持所需的像素深度，在离土壤表面5.5cm的距离观察最佳视场。在采集土壤图像时，用抹刀将干燥和研磨的土壤样品均匀地装入支架中，并使用配备1210万像素相机的智能装备从5.5cm上方捕捉图像。为了稳定的支撑，智能装备被放置在盒子外的支架中。为实现图像采集的一致性，构建暗室对土壤样本、探测器位置和光照等图像捕获变量进行标准化。捕获的图像被保存为一个联合摄影专家组文件。为了消除偏置，使用调光器在高、中、低三种不同的光照水平下，对每个样本采集3张图像。
28.步骤s102，基于训练好的土壤质地预测模型对预处理后的土壤样本图像进行土壤质地预测，步骤s102具体包括：
29.通过图像采集装置采集特定个数的土壤样本图像，基于特定个数的土壤样本图像构成样本集合，并对样本集合中的土壤样本图像进行预处理，具体为：在距图像中心水平和垂直分辨率为96dpi、位深为24dpi的1800
×
1800像素的方形区域中选择roi，用于后续的特征提取和表示。
30.对预处理后的样本集合中的土壤样本图像提取局部特征、颜色特征以及纹理特征，包括：
31.提取局部特征，对样本集合中的土壤样本图像通过sift-bovw模型获取样本图像的sift直方图局部特征；
32.提取纹理特征，对样本集合中的土壤样本图像使用纹理产生lbp直方图值，获取第一数量个纹理特征，使用haralick特征计算出第二数量个纹理特征；
33.提取颜色特征，将样本集合中的土壤样本图像的rgb颜色空间转换为hsv分量，利用图像变换的常量中心距计算出hu距，hu距为一组特定维数的特征向量。
34.基于局部特征、颜色特征以及纹理特征创建土壤质地随机森林，对样本集合基于随机森林进行模型训练，获取训练好的土壤质地预测模型，包括：将颜色特征和所述纹理特征进行累积获取第一全局特征，然后将第一全局特征与局部特征相结合，产生第一全特征空间特征；基于全特征空间为黏土、粉土和砂土创建随机森林。
35.图3为本发明实施例的特征空间提取及建模过程，根据图3所示，提取特征空间具体流程为1、将视觉词包(bag of visual words,bovw)模型用于图像特征提取和特征表示。传统的尺度不变特征变换(sift)-bovw算法依赖于局部特征或局部描述符的提取、使用k-means聚类的码本或视觉字典表示、使用码本将局部特征量化为视觉词以及使用视觉词进行图像100维特征表示。土壤图像的性质往往以其不同的局部成分的各种颜色和纹理为特征。虽然土壤纹理和颜色已经被用于土壤图像分类，但由于土壤外观的内在变变性，土壤颗粒和轮廓的形状并没有那么有效。由于传统的sift-bovw模型在图像描述中没有利用任何颜色和纹理信息，可能会影响土壤分类性能。因此，我们将土壤颜色直方图值和纹理信息与
sift关键点结合起来，生成更加健全的特征空间。2提取纹理特征作为土壤图像分析的附加特征，使用纹理产生lbp直方图值，在'skimage'包中使用了一个现有的实现，循环的数量对称的邻居设置点固定为24，每个圆的半径设置为8像素，总共给出26个纹理特征。haralick特征计算总共13个纹理特征。3提取颜色hsv特征，颜色直方图值和hu矩。对于hsv颜色直方图值，将裁剪后的图像的rgb颜色空间转换为hsv分量，用512维特征向量表示。此外还计算了hu矩，hu矩是一组7维特征向量，它是利用图像变换的常量中心矩计算出来的。
36.在sift-bovw、hu、lbp和haralick特征提取之前，将裁剪后的rgb图像转换为灰度图像。颜色(519个特征)和纹理(39个特征)累积产生总共558个全局特征，然后与100个sift-bovw局部特征相结合，产生总共658个全特征空间特征。利用全特征空间为黏土、粉土和砂土创建随机森林。尺度不变特征转化、颜色(hsv+胡时刻特征)和纹理(二值化+haralicks)特征对全特征空间rf模型性能,将180张图片进行训练,90张做测试。
37.图4为本发明实施例的显示土壤分析应用程序的流程图；在开发的应用程序上，在那里部署了预先训练的模型。一个flask服务器托管在amazon web services(aws)上，该应用程序被用作客户端来发送智能终端设备捕捉的图像。所有的图像处理和随后的黏粒、粉粒及砂粒的百分含量预测都在服务器上执行，在模式中保存训练好的模型的权值培训过程。然后通过短消息服务将预测的黏粒、粉粒及砂粒的含量发送给用户，短消息服务是通过应用程序中的应用程序接口(api)来执行的。接受手机号码和字符串变量作为参数。
38.装置实施例
39.根据本发明实施例，提供了一种基于图像处理的土壤质地预测装置，图5为本发明实施例的一种基于图像处理的土壤质地预测装置的示意图，根据图5所示，本发明实施例的一种基于图像处理的土壤质地预测装置具体包括：
40.土壤图像采集装置50，用于对每个图像样本分别在第一光照强度、第二光照强度以及第三光照强度下进行拍照，获取土壤样本图像；
41.图6为本发明实施例图像采集装置示意图，土壤图像采集装置具体包括：盒体60、相机61、方形支架62、直流电源适配器65、照明led灯泡63以及变光开关控制器64；盒体60为长方体，顶部有圆形窗口，圆形窗口用于放置相机61，盒体60内壁均涂为黑色；相机61放置在盒体的圆形窗口上，用于为土壤样本进行拍照；方形支架62位于盒体底部，用于固定土壤样本；照明led灯泡63位于盒体内部，照明灯由白色的led条组成，led条水平粘贴与所述盒体的内壁，用于为土壤样本进行拍照时提供补光；变光开关控制器64位于盒体外侧，与照明led灯泡电连，用于控制照明led灯泡的亮度，在对土壤样本进行拍照时提供不同光照强度的光；直流电源适配器65与led灯泡连接，位于盒体60外部，用于为照明led灯泡供电。
42.图像预处理装置52，用于在距离所述土壤样本图像特定中心水平和特定垂直分辨率的方形区域中选择roi；
43.预测装置54，用于基于预测好的土壤质地预测模型对所述测试集进行土壤质地预测。
44.基于图像处理的土壤质地预测装置还包括预测模型模块，用于获取预测好的土壤质地预测模型，预测模型模块具体包括：
45.样本构建模块，通过图像采集装置采集特定个数的土壤样本图像，基于特定个数的土壤样本图像构成样本集合，并对样本集合中的土壤样本图像进行预处理；
46.特征提取模块，对预处理后的样本集合中的土壤样本图像提取局部特征、颜色特征以及纹理特征，提取模块具体用于：
47.提取局部特征，对样本集合中的土壤样本图像通过sift-bovw模型获取样本图像的sift直方图局部特征；
48.提取纹理特征，对样本集合中的土壤样本图像使用纹理产生lbp直方图值，获取第一数量个纹理特征，使用haralick特征计算出第二数量个纹理特征；
49.提取颜色特征，将样本集合中的土壤样本图像的rgb颜色空间转换为hsv分量，利用图像变换的常量中心距计算出hu距，所述hu距为一组特定维数的特征向量；
50.模型训练模块，基于局部特征、颜色特征以及纹理特征创建土壤质地随机森林，对样本集合基于所述随机森林进行模型训练，获取训练好的土壤质地预测模型，具体为将颜色特征和纹理特征进行累积获取第一全局特征，然后将第一全局特征与所述局部特征相结合，产生第一全特征空间特征；基于全特征空间为黏土、粉土和砂土创建随机森林。
51.最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。