基于多光谱图像特征的土壤酸碱度快速检测方法技术

本发明专利技术公开了一种基于多光谱图像特征的土壤酸碱度快速检测方法，其特征在于，所述方法包括以下步骤：（1）利用2CCD摄像机采集可见光通道和近红外通道的土壤样本图像和参考白板图像；（2）将土壤可见光图像分别转换至RGB颜色空间和HIS颜色空间；（3）将参考白板的可见光图像分别转换至RGB颜色空间和HIS颜色空间；（4）计算每个样本的6个特征值Ravgi、Gavgi、Bavgi、Havgi、Savgi、IRavgi；（5）将所述的6个特征值作为自变量，土壤酸碱度作为因变量Y，建立一个多元线性回归方程Y=6.492+0.688Ravgi-1.440Gavgi+0.858Bavgi+645.547Havgi-0.623Savgi-0.115IRavgi，即可预测土壤酸碱度。本发明专利技术方法能够快速预测土壤酸碱度，适合便携式检测仪器开发使用。

【技术实现步骤摘要】

本专利技术属于农业信息化领域，具体涉及一种。
技术介绍
土壤酸碱度是土壤属性的重要特征，不仅影响土壤生物活性，而且与土壤养分的形成、转化、有效性及作物生长发育密切相关。传统的土壤酸碱度测定主要以比色法和电位法为主，这两种方法测定步骤较为复杂、测定时间较长、需要使用化学试剂，不适合大规模快速测定要求。近年来，多光谱图像技术正被越来越多地应用于土壤养分测试。由于土壤酸碱度对多光谱图像具有选择性吸收特性，因此利用多光谱图像可以快速测定土壤酸碱度。
技术实现思路
本专利技术针对传统土壤酸碱度测试方法步骤复杂、测试周期长、需用使用化学试剂等缺点，提供了一种。，包括以下步骤。(I)利用2CXD摄像机采集可见光通道和近红外通道的土壤样本图像和参考白板图像。(2)将土壤可见光图像分别转换至RGB颜色空间和HIS颜色空间，记为民、Gi, Bi,故、Sp Ii,其中i是每个样本的编号，Ri乂士、故、Sp像素矩阵；近红外图像记为IRi,其中i为每个样本的编号，IRi是mXn像素矩阵。(3)将参考白板的可见光图像分别转换至RGB颜色空间和HIS颜色空间，记为Rref、Gref> Bref> Href> Sref> Irrf，其中 Rref、Gref> Bref> Href> Sref> Iref 均为 mXn 像素矩阵；近红外图像记为IRref，其中IRref是mXη像素矩阵。(4)计算每个样本的6个特征值。所述6个特征值Ravg1、Gavg1、Bavg1、Havg1、SavgiURavgi的计算公式分别为=Ravgi= (Σ R1-Σ Rref) /mXn, Gavgi= (ΣG1-ΣGref) /mXn, Bavgi= (ΣB1-Σ Bref) /mXn, Havgi= (ΣΗ「ΣHref)/mXn，Savgi=(XS1-XSref)ZmXn, IRavgi= (Σ IR1-Z IRref)/mXn,中i是每个样本的编号。式中，SRi是第i个土壤样本R通道Ri矩阵中m行η列数据的总和；SGi是第i个土壤样本G通道Gi矩阵中m行η列数据的总和；SBi是第i个土壤样本B通道Bi矩阵中m行η列数据的总和；Σ Hi是第i个土壤样本H通道Hi矩阵中m行η列数据的总和；Σ Si是第i个土壤样本S通道Si矩阵中m行η列数据的总和；Σ IRi是第i个土壤样本IR通道IRi矩阵中m行η列数据的总和；Σ Rref是参考白板R通道Rref矩阵中m行η列数据的总和；Σ Gref是参考白板G通道Gref矩阵中m行η列数据的总和；Σ Bref是参考白板B通道矩阵中m行η列数据的总和；Σ Href是参考白板H通道Href矩阵中m行η列数据的总和；Σ Sref是参考白板S通道SMf矩阵中m行η列数据的总和；Σ IRref是参考白板IR通道IRm矩阵中m行η列数据的总和。(5)将所述的6个多光谱图像特征值作为自变量，土壤酸碱度(pH)作为因变量，建立多元线性回归方程 Υ=6.492+0.688 Ravg1-L 440 Gavgi+0.858 Bavgi+645.547 Havg1-0.623Savg1-0.115IRavgi，即可预测土壤酸碱度。与现有技术相比，本专利技术有益的效果在于:(I)相比于传统比色法和电位计法，采用多光谱图像特征测定土壤酸碱度，检测速度更快、操作更加简单；(2)采用基于多光谱图像特征的多元线性回归方程，适合便携式检测仪器的设计，可使成本更加低廉。【附图说明】图1为实施例中建模集样本的土壤酸碱度的实测值和计算值的散点分布图。图2为实施例中预测集样本的土壤酸碱度的实测值和计算值的散点分布图。【具体实施方式】下面结合实施例和附图对本专利技术作进一步说明。，包括以下步骤。(I)收集具有代表性的土壤样品共103个，将样品磨碎风干后，以I mol/L的KCL溶液为浸提剂，采用电位法获取土壤酸碱度(PH)的实际值。将103个样本按pH值的高低进行排序，然后按照2:1的比例，依次取出样本分别作为建模集和预测集(如表1)。表1 土壤典型样本酸碱度本文档来自技高网...

【技术保护点】
基于多光谱图像特征的土壤酸碱值快速检测方法，其特征在于：所述方法包括以下步骤：（1）利用2CCD摄像机采集可见光通道和近红外通道的土壤样本图像和参考白板图像；（2）将土壤可见光图像分别转换至RGB颜色空间和HIS颜色空间，记为Ri、Gi、Bi、Hi、Si、Ii，其中i是每个样本的编号，Ri、Gi、Bi、Hi、Si、Ii均为m×n像素矩阵；近红外图像记为IRi，其中i为每个样本的编号，IRi是m×n像素矩阵；（3）将参考白板的可见光图像分别转换至RGB颜色空间和HIS颜色空间，记为Rref、Gref、Bref、Href、Sref、Iref，其中Rref、Gref、Bref、Href、Sref、Iref均为m×n像素矩阵；近红外图像记为IRref，其中IRref是m×n像素矩阵；（4）计算每个样本的6个特征值；所述6个特征值Ravgi、Gavgi、Bavgi、Havgi、 Savgi、IRavgi的计算公式分别为：Ravgi=(ΣRi‑ΣRref)/m×n，Gavgi=(ΣGi‑ΣGref)/m×n，Bavgi=(ΣBi‑ΣBref)/m×n，Havgi=(ΣHi‑ΣHref)/m×n，Savgi=(ΣSi‑ΣSref)/m×n， IRavgi=(ΣIRi‑ΣIRref)/m×n，其中i是每个样本的编号；式中，ΣRi是第i个土壤样本R通道Ri矩阵中m行n列数据的总和；ΣGi是第i个土壤样本G通道Gi矩阵中m行n列数据的总和；ΣBi是第i个土壤样本B通道Bi矩阵中m行n列数据的总和；ΣHi是第i个土壤样本H通道Hi矩阵中m行n列数据的总和；ΣSi是第i个土壤样本S通道Si矩阵中m行n列数据的总和；ΣIRi是第i个土壤样本IR通道IRi矩阵中m行n列数据的总和；ΣRref是参考白板R通道Rref矩阵中m行n列数据的总和；ΣGref是参考白板G通道Gref矩阵中m行n列数据的总和；ΣBref是参考白板B通道Bref矩阵中m行n列数据的总和；ΣHref是参考白板H通道Href矩阵中m行n列数据的总和；ΣSref是参考白板S通道Sref矩阵中m行n列数据的总和；ΣIRref是参考白板IR通道IRref矩阵中m行n列数据的总和；（5）将所述的6个多光谱图像特征值作为自变量，土壤酸碱度（pH）作为因变量，建立多元线性回归方程Y=6.492+0.688 Ravgi‑1.440 Gavgi+0.858 Bavgi+645.547 Havgi‑0.623 Savgi‑0.115IRavgi ，即可预测土壤酸碱度。...

【技术特征摘要】
1.基于多光谱图像特征的土壤酸碱值快速检测方法，其特征在于:所述方法包括以下步骤: (1)利用2CXD摄像机采集可见光通道和近红外通道的土壤样本图像和参考白板图像； (2)将土壤可见光图像分别转换至RGB颜色空间和HIS颜色空间，记为RpGi, Bi, Hi,S。Ii，其中i是每个样本的编号，Ri^Gi, Bi, Hi, Si, Ii均为mXn像素矩阵；近红外图像记为IRi,其中i为每个样本的编号，IRi是!!!※!!像素矩阵； (3)将参考白板的可见光图像分别转换至RGB颜色空间和HIS颜色空间，记为RMf、GMf、Bref> Href, Sref, Iref，其中 Rref、Gref, Bref, Href, Sref, Iref 均为 mXn 像素矩阵；近红外图像记为IRref，其中IRref是mXn像素矩阵； (4)计算每个样本的6个特征值；所述6个特征值Ravg1、Gavg1、Bavg1、Havg1、Savgi,IRavgi的计算公式分别为=Ravgi=(SR1-XRref)ZmXn, Gavgi= (Σ6「ΣGref)/mXn，Bavgi= (ΣΒ「ΣBref)/mXn, Havgi= (ΣΗ「ΣHref)/mXn，Savgi=(XS1-XSref)Z...

【专利技术属性】
技术研发人员：不公告发明人，
申请(专利权)人：泰顺派友科技服务有限公司，
类型：发明
国别省市：浙江;33