一种基于深度学习技术的土壤近红外光谱分析预测方法技术

本发明专利技术涉及一种基于深度学习技术的土壤近红外光谱分析预测方法，与现有技术相比解决了无法对土壤成分进行大批量综合分析的缺陷。本发明专利技术包括以下步骤：训练样本的获取和预处理；构造基于深度学习的预测模型；测试样本的获取和预处理；将预处理过的测试样本的光谱数据输入构造的预测模型，完成对测试样本土壤成分含量的分析预测；将测试土壤样本采用梅尔域的滤波带系数作为参数，变成二维特征输入训练好的卷积神经网络进行土壤成分含量的分析预测。本发明专利技术基于卷积神经网络的结构模型来进行土壤近红外光谱分析预测，提高了近红外光谱土壤主要成分预测的精度和模型的鲁棒性。

【技术实现步骤摘要】

本专利技术涉及数据分析处理
，具体来说是一种基于深度学习技术的土壤近红外光谱分析预测方法。
技术介绍
我国大部分农田面临成分不足、土壤退化严重的问题，需要改造的中低产田面积大、分布广，了解并掌握农田土壤成分信息有着十分现实和迫切的需求，但想要完全掌握农田成分信息又十分困难，其存在多方面的原因。由于农田成分含量是变化的，从长期看，土壤成分分布是一个动态过程，导致土壤成分的丰缺和分布不均匀。如何利用现代科技手段及时准确获取土壤成分含量信息，制定合理的施肥策略，保证农业正常生产以及保护环境和提高作物产量具有特别重要的现实意义。可见近红外光谱(350-2500nm)检测技术具有检测速度快、多指标同时测定、无污染、成本低和操作简单等优点。可见近红外光谱分析技术能在几分钟内就能获取待测样品中多种成分含量信息，这一点是传统化学方法检测所达不到的，多种组分同时测量，检测过程中也不需要添加任何试剂，不会对环境造成二次污染，是一种检测速度快、无损、无污染和实时的检测分析技术，将近红外光谱分析技术应用于土壤成分检测领域具有十分重要的现实意义。因此利用近红外光谱分析技术实现对土壤成分的综合数据分析已经成为急需解决的技术问题。
技术实现思路
本专利技术的目的是为了解决现有技术中无法对土壤成分进行大批量综合分析的缺陷，提供一种基于深度学习技术的土壤近红外光谱分析预测方法来解决上述问题。为了实现上述目的，本专利技术的技术方案如下：一种基于深度学习技术的土壤近红外光谱分析预测方法，包括以下步骤：训练样本的获取和预处理，使用光谱仪获取训练样本土壤集的光谱数据，对获取的光谱数据进行预处理，得到若干个训练样本；构造基于深度学习的预测模型；测试样本的获取和预处理；使用光谱仪获取测试土壤样本的光谱数据，对测试样本土壤扫描40次取平均值；对测试样本土壤采用与训练样本相同的光谱数据预处理方法，得到测试土壤样本；将预处理过的测试样本的光谱数据输入构造的预测模型，完成对测试样本土壤成分含量的分析预测；将测试土壤样本采用梅尔域的滤波带系数作为参数，变成二维特征输入训练好的卷积神经网络进行土壤成分含量的分析预测。所述的训练样本的获取和预处理包括以下步骤：在密封的暗室环境中使用光谱仪获取不同训练土壤样本集的光谱数据，对各训练样本土壤分别扫描40次取平均值；对光谱数据进行平滑处理；对光谱数据进行多元散射校正处理；对光谱数据进行归一化处理；构成训练土壤样本集。所述的构造基于深度学习的预测模型包括以下步骤：将训练土壤样本的光谱信号看作二维特征输入，将波数构成的特征作为第一维特征，将频域构成的特征作为第二维特征；在频域维度上采用梅尔域的滤波带系数作为参数，选择N个滤波频带，按照土壤成分含量设定标签，把预处理好的训练样本土壤集随机排序后输入卷积神经网络；采用反向传播方法对整个网络进行全局训练，优化网络参数；误差反向传播算法进行反向传播，反向更新权值和卷积核，从而得到训练好的卷积神经网络。所述的对光谱数据进行平滑处理为Savitzky-Golay卷积平滑法，其包括以下步骤：通过采用最小二乘拟合系数建立滤波函数，对移动窗口内的波长点数据进行多项式最小二乘拟合，二项式拟合的表达式如下： X i Λ = a 0 + a 1 λ i + a 1 λ i 2 ]]>式中为Savitzky-Golay卷积平滑算法建立二次拟合曲线后中心点位置得到的拟合值，a0，a1，a2是二项方程式系数；待定二项方程式系数求解过程采用最小二乘法，如下所示： ϵ = Σ j = i - n i + n ( X j Λ - X j ) 2 = Σ j = i - n i + n ( a 0 + a 1 λ i + a 2 λ i 2 - X j ) 2 ]]>令并联立求解方程组可得到二项式系数。所述的对光谱数据进行多元散射校正处理包括以下步骤：把整个未知试样的光谱A(λ)变换成假想的基准粒度的光谱A0(λ)，根据最小二乘法指定α和β的值，设定两个因子的推定值分别为α'和β'，由公式A(λ)＝a0A0(λ)+β+e(λ)可得到以下变换式:A0(λ)＝[A(λ)-β']/α'；获取α'和β'的光谱数据，使用所有土壤样本的平均光谱，如下所示： A 0 ( λ ) = A j ‾ = Σ i = 1 n A i n ]]>线性回归方程为： A i = a A j ‾ + β ]]>Ai表示第i个样本的光谱，A为建模集光谱数据，通过最小二乘回归求得α和β。所述的对光谱数据进行归一化处理为矢量归一化方法，其方法如下：取一条光谱，其数据表达为x(1本文档来自技高网...

【技术保护点】
一种基于深度学习技术的土壤近红外光谱分析预测方法，其特征在于，包括以下步骤：11)训练样本的获取和预处理，使用光谱仪获取训练样本土壤集的光谱数据，对获取的光谱数据进行预处理，得到若干个训练样本；12)构造基于深度学习的预测模型；13)测试样本的获取和预处理；使用光谱仪获取测试土壤样本的光谱数据，对测试样本土壤扫描40次取平均值；对测试样本土壤采用与训练样本相同的光谱数据预处理方法，得到测试土壤样本；14)将预处理过的测试样本的光谱数据输入构造的预测模型，完成对测试样本土壤成分含量的分析预测；将测试土壤样本采用梅尔域的滤波带系数作为参数，变成二维特征输入训练好的卷积神经网络进行土壤成分含量的分析预测。

【技术特征摘要】
1.一种基于深度学习技术的土壤近红外光谱分析预测方法，其特征在于，包括以下步骤：11)训练样本的获取和预处理，使用光谱仪获取训练样本土壤集的光谱数据，对获取的光谱数据进行预处理，得到若干个训练样本；12)构造基于深度学习的预测模型；13)测试样本的获取和预处理；使用光谱仪获取测试土壤样本的光谱数据，对测试样本土壤扫描40次取平均值；对测试样本土壤采用与训练样本相同的光谱数据预处理方法，得到测试土壤样本；14)将预处理过的测试样本的光谱数据输入构造的预测模型，完成对测试样本土壤成分含量的分析预测；将测试土壤样本采用梅尔域的滤波带系数作为参数，变成二维特征输入训练好的卷积神经网络进行土壤成分含量的分析预测。2.根据权利要求1所述的一种基于深度学习技术的土壤近红外光谱分析预测方法，其特征在于，所述的训练样本的获取和预处理包括以下步骤：21)在密封的暗室环境中使用光谱仪获取不同训练土壤样本集的光谱数据，对各训练样本土壤分别扫描40次取平均值；22)对光谱数据进行平滑处理；23)对光谱数据进行多元散射校正处理；24)对光谱数据进行归一化处理；25)构成训练土壤样本集。3.根据权利要求1所述的一种基于深度学习技术的土壤近红外光谱分析预测方法，其特征在于，所述的构造基于深度学习的预测模型包括以下步骤：31)将训练土壤样本的光谱信号看作二维特征输入，将波数构成的特征作为第一维特征，将频域构成的特征作为第二维特征；在频域维度上采用梅尔域的滤波带系数作为参数，选择N个滤波频带，按照土壤成分含量设定标签，把预处理好的训练样本土壤集随机排序后输入卷积神经网络；32)采用反向传播方法对整个网络进行全局训练，优化网络参数；误差反向传播算法进行反向传播，反向更新权值和卷积核，从而得到训练好的卷积神经网络。4.根据权利要求2所述的一种基于深度学习技术的土壤近红外光谱分析预测方法，其特征在于，所述的对光谱数据进行平滑处理为Savitzky-Golay卷积平滑法，其包括以下步骤：41)通过采用最小二乘拟合系数建立滤波函数，对移动窗口内的波长点数据进行多项式最小二乘拟合，二项式拟合的表达式如下： X Λ i = a 0 + a 1 λ i + a 1 λ i 2 ]]>式中为Savitzky-Golay卷积平滑算法建立二次拟合曲线后中心点位置得到的拟合值，a0，a1，a2是二项方程式系数；42)待定二项方程式系数求解过程采用最小二乘法，如下所示： ϵ = Σ j = i - n i + n ( X Λ j - X j ) 2 = Σ j = i - n i + n ( a 0 + a 1 λ i + ...

【专利技术属性】
技术研发人员：王儒敬，陈天娇，谢成军，张洁，李瑞，陈红波，宋良图，汪玉冰，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：安徽;34