一种用于降雨过程中粗颗粒土壤表面砾石覆盖率测定方法技术

本发明专利技术涉及土壤模拟技术领域，尤其涉及一种用于降雨过程中粗颗粒土壤表面砾石覆盖率测定方法，还提出了一种用于降雨过程中粗颗粒土壤表面砾石覆盖率测定装置，本发明专利技术的装置可以适应性的进行降雨过程中粗颗粒土壤表面砾石覆盖率测定，在模拟降雨的过程中，可以防止雨水模拟时出现降雨死角，保证雨水的全面覆盖，摄像设备在持续拍摄工作过程中，不会因过热而影响正常工作，保证测定的持续进行。保证测定的持续进行。保证测定的持续进行。

【技术实现步骤摘要】
一种用于降雨过程中粗颗粒土壤表面砾石覆盖率测定方法


[0001]本专利技术涉及土壤模拟
，尤其涉及一种用于降雨过程中粗颗粒土壤表面砾石覆盖率测定方法。

技术介绍

[0002]土壤侵蚀是一个动态、复杂的过程，在侵蚀过程中土壤或其他地面组成物质在外营力作用下，被剥蚀、破坏、分离、搬运和沉积。粗颗粒土壤本身质地粗糙，砾石含量高，在降雨和径流作用下，土壤细颗粒被搬运，坡面土壤中石英颗粒逐渐出露并滞留在表面。高砾石覆盖的土壤表面像披上了一副铠甲，砾石颗粒层会缓解雨滴和地表径流对土壤本身的侵蚀，达到保护地表土壤的目的。在获取不同阶段土壤表面覆盖率的基础上，可以实现对粗颗粒土壤侵蚀的动态观测，进而实现探究砾石覆盖率与土壤侵蚀速率之间关系的目的，这一观测方法对研究土壤侵蚀机理、土壤侵蚀演化过程等具有重要意义。
[0003]而现有技术观测中通过摄像设备拍摄后进行图像处理,会进行模拟降雨的步骤,但模拟的雨水下落过程中,摄像设备处始终会阻碍雨水的下落,从而在摄像设备下方形成雨水相对较少的区域,影响了模拟的精确程度,而摄像设备在期间需拍摄大量的照片,设备持续工作也产生较大的热量,因设备置于雨中,常进行防水处理,该处理影响了设备散热,难以长时间的保持较好的工作状态.

技术实现思路

[0004]本专利技术的目的是为了解决
技术介绍
中存在的缺点，而提出的一种用于降雨过程中粗颗粒土壤表面砾石覆盖率测定方法，包括以下步骤：
[0005]S1、在待监测的土壤坡面上方安装N个摄像头，利用摄像头采集下方土壤表面的多幅图片；
[0006]S2、打开人工模拟降雨器，开始对粗颗粒土壤进行降雨侵蚀，在降雨期间每隔一段时间采集相应时间段内的土壤图片，并对图片按时间进行命名；
[0007]S3、将采集到的图片输入到训练好的CGAN网络模型中，对图片进行去雨雾处理；
[0008]S4、对已经去雨雾的图片进行镜头校正和空间几何校正处理；
[0009]S5、将校正处理过后的图片进行灰度化处理；
[0010]S6、采用最大类间方差法，将图像分为前景和背景两个部分，从而将目标(砾石)和背景(土壤)分离，将灰度图像进行划分并各自转变为白色和黑色像素点，将黑、白像素分别统计以获得土壤和表面石英砾石的代表像素，经计算得到对应时段的粗颗粒土壤的坡面砾石颗粒覆盖率。
[0011]优选的，步骤S3中的去雨雾处理通过以下步骤进行：
[0012]A1、拍摄采集无降雨和有降雨条件下的土壤表面图片若干；
[0013]A2、将采集到的无降雨的图片存入第一个文件夹，将无降雨对应的有降雨的图片存入第二个文件夹，将无降雨图片和有降雨图片进行相同命名形成对应；
[0014]A3、将第一个和第二个文件夹中的图片调整为统一的大小，作为预先采集的数据集；
[0015]A4、对采集到的数据集进行分类，将取得的数据集分为训练集和验证集，之后，将训练集输入至深度学习CGAN网络进行训练，自动调节深度学习CGAN网络中生成器和判别器的参数，需要训练集训练出深度学习能自主修改的权值参数；
[0016]其中的调节生成器和判别器的参数，包括以下步骤：
[0017]B1、构建条件生成深度学习CGAN网络:该深度学习CGAN网络包括生成器和判别器这两个模型；设G为生成器，D为判别器；
[0018]B2、读取训练集(第一文件夹和第二文件夹中各类图像文件):设第一文件夹内清晰图(无降雨时的土壤表面图片)为y，第二文件夹内与清晰图匹配的有降雨条件下的图片为x，随机噪声矩阵为z；将训练集中的雨图或雾图x和随机噪卢矩阵z后输入到生成器G，并生成新图像；
[0019]B3、将生成器G生成的新图像z*与清晰图y通过判别器D进行对比，根据对比结果计算损失函数：
[0020]Loss(D,G)＝Ey～Pdata(y)[log D(y|x)]+Ez～p_z(z)[log(1
‑
D(G(z*|x)))][0021]其中，E代表每个bacth
‑
size里图片集的均值，D(y|x)代表在将雾图或雨图作为标签时将清晰图y判别为无雨雾图像的概率；D(G(z*|x))代表在将雾图或雨图为标签时将生成的新图像z*判别为无雨雾图像的概率；
[0022]B4、根据损失函数计算出损失值，自动训练并继续调整生成器和判别器的参数；一直重复第二步至第四步，直到损失函数的值为相对最小值或者epoch达到预设阈值为止，具体过程如下：
[0023]首先调节生成器G的参数，使生成器G内生成的新图像z*更能接近无降雨的图片，不被误判别，即G(z|x)越小；然后调节判别器D的参数，使损失函数内清晰图y的判别概率D(y|x)越大，生成的新图像z*的判别概率D(G(z*|x))越大；由此不断调整两个网络的参数，满足G(z I x)概率最小，D(y|x)和D(G(z*|x))概率最大，最后得出损失函数的相对最小值MinMax:
[0024][0025]B5、得到一个基于CGAN的去雨雾网络模型G，即可将待处理图像(有雨雾的图片)作为输入，最终生成无雨雾的高清图；
[0026]A5、通过验证集在训练过程中观察深度学习CGAN网络的输出结果，判断是否需要人为修改超参数和初始化值；若需要，则执行对超参数和初始化值的修改，若不需要，则直接输出网络模型。
[0027]优选的，步骤S6中的计算具体步骤为：
[0028]C1、将图片进行处理包括图片镜头校正和空间几何校正处理；
[0029]C2、图像灰度化处理：将彩色图像中的三分量亮度的最大值作为灰度图的灰度值，采用以下公式进行：
[0030]Gray(i,j)＝max{R(i,j),G(i,j),B(i,j)}
[0031]获取图像灰度值统计特征的灰度直方图，灰度图像上灰阶每个通道的平均亮度值设置为255，其中最暗色阶的亮度值设置为0，其余亮度值在0和255之间线性变化；
[0032]C3、阈值化处理：采用最大类间方差法(OTSU)作为阈值分割方法，砾石覆盖率定义为：
[0033][0034]式中：n为总像素；nw为白色像素；nb为黑色像素。
[0035]一种用于降雨过程中粗颗粒土壤表面砾石覆盖率测定装置，包括斗状壳，所述斗状壳的内侧固定设置有摄像设备，用在进行的方法中，所述斗状壳通过支架结构进行活动安装，所述支架结构的内侧底面设置有土容器，所述斗状壳的下端端口延伸出筒状端，所述摄像设备的镜头外形呈圆柱状且从斗状壳的下端端口处伸出，且在所述镜头的外表面转动套设有吹风组件，所述筒状端的下端端口活动插装有连接筒，所述斗状壳的上端固定安装有封板，所述封板的上端面设置有通风防水式散热板件，所述斗状壳的外表面凸设有若干个引流杆，其中：
[0036]所述吹风组件将空气朝向下方吹动形成空气流动区，水经由通风防水式散热板件表面形成顺流部，顺流部的水流至引流杆下端滴落形成落滴部，靠近空气流动区周围的水滴向着靠近的方向飘动本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于降雨过程中粗颗粒土壤表面砾石覆盖率测定方法，其特征在于：包括以下步骤：S1、在待监测的土壤坡面上方安装N个摄像头，利用摄像头采集下方土壤表面的多幅图片；S2、打开人工模拟降雨器，开始对粗颗粒土壤进行降雨侵蚀，在降雨期间每隔一段时间采集相应时间段内的土壤图片，并对图片按时间进行命名；S3、将采集到的图片输入到训练好的CGAN网络模型中，对图片进行去雨雾处理；S4、对已经去雨雾的图片进行镜头校正和空间几何校正处理；S5、将校正处理过后的图片进行灰度化处理；S6、采用最大类间方差法，将图像分为前景和背景两个部分，从而将目标(砾石)和背景(土壤)分离，将灰度图像进行划分并各自转变为白色和黑色像素点，将黑、白像素分别统计以获得土壤和表面石英砾石的代表像素，经计算得到对应时段的粗颗粒土壤的坡面砾石颗粒覆盖率。2.根据权利要求1所述的一种用于降雨过程中粗颗粒土壤表面砾石覆盖率测定方法，其特征在于：步骤S3中的去雨雾处理通过以下步骤进行：A1、拍摄采集无降雨和有降雨条件下的土壤表面图片若干；A2、将采集到的无降雨的图片存入第一个文件夹，将无降雨对应的有降雨的图片存入第二个文件夹，将无降雨图片和有降雨图片进行相同命名形成对应；A3、将第一个和第二个文件夹中的图片调整为统一的大小，作为预先采集的数据集；A4、对采集到的数据集进行分类，将取得的数据集分为训练集和验证集，之后，将训练集输入至深度学习CGAN网络进行训练，自动调节深度学习CGAN网络中生成器和判别器的参数，需要训练集训练出深度学习能自主修改的权值参数；其中的调节生成器和判别器的参数，包括以下步骤：B1、构建条件生成深度学习CGAN网络:该深度学习CGAN网络包括生成器和判别器这两个模型；设G为生成器，D为判别器；B2、读取训练集(第一文件夹和第二文件夹中各类图像文件):设第一文件夹内清晰图(无降雨时的土壤表面图片)为y，第二文件夹内与清晰图匹配的有降雨条件下的图片为x，随机噪声矩阵为z；将训练集中的雨图或雾图x和随机噪卢矩阵z后输入到生成器G，并生成新图像；B3、将生成器G生成的新图像z*与清晰图y通过判别器D进行对比，根据对比结果计算损失函数：Loss(D,G)＝Ey～Pdata(y)[log D(y|x)]+Ez～p_z(z)[log(1
‑
D(G(z*|x)))]其中，E代表每个bacth
‑
size里图片集的均值，D(y|x)代表在将雾图或雨图作为标签时将清晰图y判别为无雨雾图像的概率；D(G(z*|x))代表在将雾图或雨图为标签时将生成的新图像z*判别为无雨雾图像的概率；B4、根据损失函数计算出损失值，自动训练并继续调整生成器和判别器的参数；一直重复第二步至第四步，直到损失函数的值为相对最小值或者epoch达到预设阈值为止，具体过程如下：首先调节生成器G的参数，使生成器G内生成的新图像z*更能接近无降雨的图片，不被
误判别，即G(z|x)越小；然后调节判别器D的参数，使损失函数内清晰图y的判别概率D(y|x)越大，生成的新图像z*的判别概率D(G(z*|x))越大；由此不断调整两个网络的参数，满足G(z I x)概率最小，D(y|x)和D(G(z*|x))概率最大，最后得出损失函数的相对最小值MinMax:B5、得到一个基于CGAN的去雨雾网络模型G，即可将待处理图像(有雨雾的图片)作为输入，最终生成无雨雾的高清图；A5、通过验证集在训练过程中观察深度学习CGAN网络的输出结果，判断是否需要人为修改超参数和初始化值；若需要，则执行对超参数和初始化值的修改，若不需要，则直接输出网络模型。3.根据权利要求1所述的一种用于降雨过程中粗颗粒土壤表面砾石覆盖率测定方法，其特征在于：步骤S6中的计算具体步骤为：C1、将图片进行处理包括图片镜头校正和空间几何校正处理；C2、图像灰度化处理：将彩色图像中的三分量亮度的最大值作为灰度图的灰度值，采用以下公式进行：Gray(i,j)＝max{R(i,j),G(i,j),B(i,j)}获取图像灰度值统计特征的灰度直方图，灰度图像上灰阶每个通道的平均亮度值设置为255，其中最暗色阶的亮度值设置为0，其余亮度值在0和255之间线性变化；C3、阈值化处理：采用最大类间方差法(OTSU)作为阈值分割方法，砾石覆盖率定义为：式中：n为总像素；nw为白色像素；nb为黑色像素。4.一种用于降雨过程中粗颗粒土壤表面砾石覆盖率测定装置，包括斗状壳(1)，所述斗状壳(1)的内侧固定设置有摄像设备(3)，用在进行权利要求1
‑
3任意一条所述的方法中，其特征...

【专利技术属性】
技术研发人员：王军光，张志伟，倪世民，罗斌，
申请(专利权)人：华中农业大学，
类型：发明
国别省市：