本发明专利技术公开一种基于机器学习与图像处理的土壤质地检测方法及装置，该方法包括以下步骤：对土壤样本进行图像采集；获取土壤样本表面的图像特征数据；以8：2的比例将土壤样本的图像特征数据随机划分为训练集和测试集；对训练集和测试集的图像特征数据进行标准化处理；使用遗传算法对图像特征数据进行特征选择，得到最优的特征；利用BP神经网络，以土壤质地数据的准确值作为目标，对训练集进行训练得到土壤质地检测的回归模型；通过回归模型计算出待检测土壤的土壤质地数据。该方法基于图像处理对土壤表面的信息进行特征提取并使用遗传算法对特征进行筛选，基于机器学习建立土壤质地检测的回归模型，实现对土壤质地数据的快速检测，且检测效率高。且检测效率高。且检测效率高。
【技术实现步骤摘要】
一种基于机器学习与图像处理的土壤质地检测方法及装置
[0001]本专利技术涉及农业土壤检测
，具体涉及一种基于机器学习与图像处理的土壤质地检测及装置。
技术介绍
[0002]土壤质地是土壤重要物理性质之一，土壤质地综合反映土壤的物理状况，是土壤最基本的性状。土壤质地与土壤中的水、肥、气、热和土壤供肥能力有着密切关系。土壤是植物根系的生长环境，土壤质地主要影响作物的根系分布，影响着植物的生长发育。
[0003]土壤质地按照土壤中径粒大小的含量进行分类，按照美国土壤质地分类方法，可采用三角坐标图解法，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(％)。其中，砂质土壤的通透性良好，大孔隙多，小孔隙少，孔隙中经常充满空气，易干旱，保肥性差；黏质土壤土粒间孔隙小，通气透水性差，易积水，耕性差。
[0004]现有技术对土壤质地进行检测，通常采用的是比重计方法，在检测时，需要技术人员在所预设的沉降时间到达后，及时读取并记录比重计上读数。预设的沉降时间有多组，技术人员在获取相应的比重计读数时需要等候进行记录；在这个过程中，实验等候时间长，且费时费力，当样本土样种数较多时，更加复杂，极易出错。
技术实现思路
[0005]本专利技术的目的在于克服上述存在的问题，提供一种基于机器学习与图像处理的土壤质地检测方法，该方法基于图像处理对土壤表面的信息进行特征，基于机器学习建立土壤质地检测模型，实现对土壤质地各含量的快速检测，检测效率高。
[0006]本专利技术的另一个目的在于提供一种基于机器学习与图像处理的土壤质地检测装置。
[0007]本专利技术的目的通过以下技术方案实现：
[0008]一种基于机器学习与图像处理的土壤质地检测方法，包括以下步骤：
[0009](1)通过图像采集装置对已知土壤质地数据的土壤样本进行图像采集；
[0010](2)图像处理模块对图像进行处理，获取土壤样本表面的图像特征数据；
[0011](3)以8∶2的比例将土壤样本的图像特征数据随机划分为训练集和测试集；
[0012](4)特征工程数据处理模块对训练集和测试集的图像特征数据进行标准化处理，使得不同的图像特征数据具有相同的尺度；
[0013](5)使用遗传算法对图像特征数据进行特征选择，筛选出较优的特征，去除较差的特征，从而达到最优的结果，得到最优的特征；
[0014](6)回归模型模块利用BP神经网络，以土壤样本的土壤质地数据的准确值作为目标，对训练集进行训练得到土壤质地检测的回归模型，并通过测试集对回归模型进行评估，其得到的结果判断回归模型的优劣性；
[0015](7)通过图像采集装置对待检测土壤进行图像采集，图像处理模块对图像进行处理，获取待检测土壤的图像特征数据，通过回归模型，计算出待检测土壤的土壤质地数据。
[0016]本专利技术的一个优选方案，其中，在步骤(1)中，将土壤样本置于检测箱中，利用工业相机，对土壤样本进行图像采集。
[0017]优选地，在步骤(2)中，图像特征数据包括颜色特征和纹理特征；图像处理模块对图像进行颜色特征和纹理特征进行提取，提取的颜色特征包括RGB颜色通道均值、HSV颜色通道均值以及LAB颜色通道均值；提取的颜色特征纹理特征包括灰度共生矩阵以及灰度二值模式；对采集的所有图像的图像特征数据，构建土壤样本特征库。
[0018]优选的，在步骤(3)中，从土壤样本特征库中以8∶2的比例将土壤样本的图像特征数据随机划分为训练集和测试集。
[0019]优选地，在步骤(4)中，使用Z
‑
score标准化对图像特征数据进行标准化处理，经处理后，特征数据符合正态分布，其公式如下：
[0020][0021]式中：x
*
为标准化后的图像特征数据；x为各特征参数的实际值；μ为某一特征变量的平均值；σ为某一特征变量的标准差。
[0022]优选地，在步骤(5)中，使用遗传算法对图像特征数据进行特征选择，筛选出较优的特征，去除较差的特征，从而达到最优的结果，得到最优的特征的具体步骤为：将土壤质地数据作为优化目标，将标准化后的图像特征数据作为基因，并进行二进制编码，在二进制编码中，“0”和“1”的总数与单个样本中包含的特征总数相同，其中，基因“1”的个数即为要选择的特征个数，将选择的特征生成特征子集；然后随机生成初始群体；遗传算法中的适应度函数用来判断种群中个体的优劣程度，采用BP神经网络中关系系数R2作为适应度函数；在遗传算法运行中，当最优特征组合的适应度值结果不再上升时，终止运行，输出最优特征；否则，基因则继续进行选择、交叉和变异。
[0023]优选地，在步骤(6)中，BP神经网络的训练模型共设置了4层，分别为输入层、第一层隐藏层、第二层隐藏层以及输出层，其中，第一层隐藏层设置了200个节点，第二层隐藏层设置了100个节点，输出层的输出结果为3个变量，第一个变量为土壤样本的黏粒的含量，第二个变量为土壤样本的粉粒的含量，第三个变量为土壤样本的砂粒的含量。
[0024]优选地，在步骤(6)中，使用随机梯度下降法对BP神经网络的权值进行寻优求解，迭代次数为1000次。
[0025]一种基于机器学习与图像处理的土壤质地检测装置，包括用于采集土壤样本图像的图像采集装置、用于对图像进行处理从而获得图像特征数据的图像处理模块、用于对图像特征数据进行标准化处理的特征工程数据处理模块、利用遗传算法对图像特征数据进行特征选择的特征选择模块以及用于建立回归模型的回归模型模块；其中，所述图像采集装置与所述图像处理模块连接，所述图像处理模块与所述特征工程数据处理模块连接，所述特征工程数据处理模块与所述特征选择模块连接，所述特征选择模块与所述回归模型模块连接。
[0026]优选地，所述图像采集装置包括检测箱、工业相机以及LED光源，其中，所述检测箱为检测提供一个黑暗的环境，所述工业相机用于对检测箱中的土壤样本进行图像采集，并
将采集的图像发送至图像处理模块中，所述LED光源为检测环境提供光源。
[0027]优选地，图像处理模块通过opencv
‑
python提取图像的颜色特征和纹理特征。
[0028]本专利技术与现有技术相比具有以下有益效果：
[0029]1、本专利技术中的基于机器学习与图像处理的土壤质地检测方法，通过对已知土壤质地数据的土壤样本进行图像采集，提取图像中的图像特征数据，对图像特征数据标准化处理后，通过遗传算法对图像特征数据进行特征选择，选择出较优的特征；用BP神经网络训练得到土壤质地检测的回归模型；通过能够对土壤质地检测预估模型，对后续土壤质地检测提供了一个检测模型；通过图像采集装置采集待检测土壤的图像，通过图像处理模块对图像进行图像特征数据提取，通过提取的图像特征数据作为变量输入就可以得到土壤质地数据，减少了训练所花费的时间；实现对土壤质地各含量的快速检测，检测效率高，大大减本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于机器学习与图像处理的土壤质地检测方法，其特征在于，包括以下步骤：(1)通过图像采集装置对已知土壤质地数据的土壤样本进行图像采集；(2)图像处理模块对图像进行处理，获取土壤样本表面的图像特征数据；(3)以8：2的比例将土壤样本的图像特征数据随机划分为训练集和测试集；(4)特征工程数据处理模块对训练集和测试集的图像特征数据进行标准化处理，使得不同的图像特征数据具有相同的尺度；(5)使用遗传算法对图像特征数据进行特征选择，筛选出较优的特征，去除较差的特征，从而达到最优的结果，得到最优的特征；(6)回归模型模块利用BP神经网络，以土壤样本的土壤质地数据的准确值作为目标，对训练集进行训练得到土壤质地检测的回归模型，并通过测试集对回归模型进行评估，其得到的结果判断回归模型的优劣性；(7)通过图像采集装置对待检测土壤进行图像采集，图像处理模块对图像进行处理，获取待检测土壤的图像特征数据，通过回归模型，计算出待检测土壤的土壤质地数据。2.根据权利要求1所述的基于机器学习与图像处理的土壤质地检测方法，其特征在于，在步骤(1)中，将土壤样本置于检测箱中，利用工业相机，对土壤样本进行图像采集。3.根据权利要求1所述的基于机器学习与图像处理的土壤质地检测方法，其特征在于，在步骤(2)中，图像特征数据包括颜色特征和纹理特征；图像处理模块对图像进行颜色特征和纹理特征进行提取，提取的颜色特征包括RGB颜色通道均值、HSV颜色通道均值以及LAB颜色通道均值；提取的颜色特征纹理特征包括灰度共生矩阵以及灰度二值模式；对采集的所有图像的图像特征数据，构建土壤样本特征库。4.根据权利要求2所述的基于机器学习与图像处理的土壤质地检测方法，其特征在于，在步骤(3)中，从土壤样本特征库中以8：2的比例将土壤样本的图像特征数据随机划分为训练集和测试集。5.根据权利要求1所述的基于机器学习与图像处理的土壤质地检测方法，其特征在于，在步骤(4)中，使用Z
‑
score标准化对图像特征数据进行标准化处理，经处理后，特征数据符合正态分布，其公式如下：式中：x
*
为标准化后的图像特征数据；x为各特征参数的实际值；μ为某一特征变量的平均值；σ为某一特征变量的标准差。6.根据权利要求1所述的基于机器学习与图像处理的土壤质地检测方法，其特征在于，在步骤(5)中，使用遗传算法对图像特征数据进...
【专利技术属性】
技术研发人员：王海林，江俊，侯俊伟，刘怡颖，蒋郁，齐龙，蔡位子，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。