System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及借助于测定材料的化学或物理性质来测试或分析材料,尤其涉及一种基于土壤全氮近红外光谱的云边协同检测系统及方法。
技术介绍
1、化学分析法是传统的土壤氮素检测方法,也是当前土壤全氮检测的标准方法。然而,这类方法常常需要花费较大的时间、人力、物力和财力。对此,光谱分析技术所展现的无损、快速、高效、环境友好等特点,使其在土壤属性检测任务中具有突出的优势。其中,近红外(near infrared, nir)光谱能反应c-h、n-h、o-h等含氢基团振动的倍频和合频信息,故其可被用作土壤全氮含量检测任务。不同于其他光谱分析技术,近红外光谱基本重叠了大量其他成分的相关信息,使得它的图谱显示出结构复杂、谱峰重叠严重、被测物质成分的有效信息谱带较宽、光谱变动较大和光谱数据干扰噪声较多等特点,而这些特点对土壤全氮含量检测又提出了很大的挑战。
2、近年来,以深度学习为代表的数据驱动方法在特征挖掘、波谱检测技术中得到了广泛的关注,其特点是在待检测物质特征未知、先验知识缺乏的情况下,实现待检测物质的有效特征挖掘。然而,现有的土壤样品检测条件与需求制约着数据驱动方法的有效应用:高昂的检测成本限制着大规模土壤全氮真值的获取,这使得小样本估算大范围农田全氮含量成为目前土壤全氮含量检测的常见现象与最为经济、实用的方式。但现有技术在小样本情况下近红外检测模型的特征提取并不稳定。
技术实现思路
1、本申请实施例提供一种基于土壤全氮近红外光谱的云边协同检测系统及方法,用以解决相关技术在小样本情况下近
2、第一方面,本申请实施例提供一种基于土壤全氮近红外光谱的云边协同检测系统,所述云边协同检测系统包括:
3、传感器终端、边缘设备和云服务器;
4、其中,所述传感器终端用于采集实时土壤光谱数据,以及将所述实时土壤光谱数据发送至所述边缘设备;
5、所述边缘设备用于接收所述传感器终端发送的实时土壤光谱数据,基于训练后的土壤全氮检测模型输出实时土壤全氮检测结果,以及将所述实时土壤光谱数据发送至所述云服务器;
6、所述云服务器用于存储历史土壤光谱数据和所述历史土壤光谱数据对应的标签信息,接收所述边缘设备发送的实时土壤光谱数据,基于所述实时土壤光谱数据和所述历史土壤光谱数据确定用于训练所述土壤全氮检测模型的第一光谱数据集,以及将所述第一光谱数据集发送至所述边缘设备。
7、在一些实施例中,所述边缘设备还用于基于所述第一光谱数据集训练所述土壤全氮检测模型,所述土壤全氮检测模型的训练步骤包括:
8、复制所述第一光谱数据集得到第二光谱数据集;
9、基于特征选择器获取所述第一光谱数据集的第一光谱特征图谱,并获取所述第二光谱数据集的第二光谱特征图谱;
10、融合所述第一光谱特征图谱和所述第二光谱特征图谱,得到融合后的光谱特征图谱,基于所述融合后的光谱特征图谱确定土壤全氮特征波段,所述土壤全氮特征波段用于表示根据重要程度排名确定的光谱波段;
11、基于所述土壤全氮特征波段训练所述土壤全氮检测模型,确定所述土壤全氮检测模型的预测器参数。
12、在一些实施例中,所述基于所述实时土壤光谱数据和所述历史土壤光谱数据确定用于训练所述土壤全氮检测模型的第一光谱数据集,包括:
13、对所述实时土壤光谱数据进行平均,获取平均光谱数据;
14、对所述平均光谱数据和所述历史土壤光谱数据进行余弦相似性比较,确定所述第一光谱数据集。
15、在一些实施例中,所述传感器终端包括:
16、光谱仪、控制单元和通信单元;
17、所述光谱仪用于采集实时土壤光谱数据;
18、所述控制单元用于读取所述实时土壤光谱数据、数据通信、电源监控;
19、所述通信单元用于向所述边缘设备发送实时土壤光谱数据。
20、在一些实施例中,所述边缘设备包括智能终端,所述智能终端用于接收所述传感器终端发送的实时土壤光谱数据,以及向本地设备发送所述实时土壤光谱数据。
21、在一些实施例中,所述边缘设备还包括本地设备,所述本地设备用于接收所述智能终端发送的所述实时土壤光谱数据,基于训练后的土壤全氮检测模型输出实时土壤全氮检测结果,以及向所述智能终端发送所述实时土壤全氮检测结果。
22、在一些实施例中,所述本地设备还用于向所述云服务器发送所述实时土壤光谱数据,接收所述云服务器发送的第一光谱数据集。
23、在一些实施例中,所述本地设备还用于训练所述土壤全氮检测模型。
24、第二方面,本申请实施例还提供一种基于土壤全氮近红外光谱的云边协同检测方法,包括:
25、基于传感器终端采集实时土壤光谱数据;
26、基于云服务器和所述实时土壤光谱数据,确定用于训练土壤全氮检测模型的第一光谱数据集;
27、基于边缘设备和所述第一光谱数据集,训练所述土壤全氮检测模型;
28、基于训练后的土壤全氮检测模型输出实时土壤全氮检测结果。
29、在一些实施例中,所述土壤全氮检测模型的训练步骤包括:
30、复制所述第一光谱数据集得到第二光谱数据集;
31、基于特征选择器获取所述第一光谱数据集的第一光谱特征图谱,并获取所述第二光谱数据集的第二光谱特征图谱;
32、融合所述第一光谱特征图谱和所述第二光谱特征图谱,得到融合后的光谱特征图谱,基于所述融合后的光谱特征图谱确定土壤全氮特征波段,所述土壤全氮特征波段用于表示根据重要程度排名确定的光谱波段;
33、基于所述土壤全氮特征波段训练所述土壤全氮检测模型,确定所述土壤全氮检测模型的预测器参数。
34、本申请实施例提供的基于土壤全氮近红外光谱的云边协同检测系统及方法,以传感器终端、边缘设备和云服务器为依托,通过引入边缘计算、云计算等技术,充分利用云服务器的存储优势和边缘设备的部署优势进行土壤全氮含量检测,能够提高小样本情况下近红外检测模型特征提取的稳定性。
本文档来自技高网...【技术保护点】
1.一种基于土壤全氮近红外光谱的云边协同检测系统,其特征在于,所述云边协同检测系统包括:
2.根据权利要求1所述的基于土壤全氮近红外光谱的云边协同检测系统,其特征在于,所述边缘设备还用于基于所述第一光谱数据集训练所述土壤全氮检测模型,所述土壤全氮检测模型的训练步骤包括:
3.根据权利要求1所述的基于土壤全氮近红外光谱的云边协同检测系统,其特征在于,所述基于所述实时土壤光谱数据和所述历史土壤光谱数据确定用于训练所述土壤全氮检测模型的第一光谱数据集,包括:
4.根据权利要求1所述的基于土壤全氮近红外光谱的云边协同检测系统,其特征在于,所述传感器终端包括:
5.根据权利要求1所述的基于土壤全氮近红外光谱的云边协同检测系统,其特征在于,所述边缘设备包括智能终端,所述智能终端用于接收所述传感器终端发送的实时土壤光谱数据,以及向本地设备发送所述实时土壤光谱数据。
6.根据权利要求5所述的基于土壤全氮近红外光谱的云边协同检测系统,其特征在于,所述边缘设备还包括本地设备,所述本地设备用于接收所述智能终端发送的所述实时土壤光谱数据,基于训
7.根据权利要求6所述的基于土壤全氮近红外光谱的云边协同检测系统,其特征在于,所述本地设备还用于向所述云服务器发送所述实时土壤光谱数据,接收所述云服务器发送的第一光谱数据集。
8.根据权利要求6所述的基于土壤全氮近红外光谱的云边协同检测系统,其特征在于,所述本地设备还用于训练所述土壤全氮检测模型。
9.一种基于土壤全氮近红外光谱的云边协同检测方法,其特征在于,包括:
10.根据权利要求9所述的基于土壤全氮近红外光谱的云边协同检测方法,其特征在于,所述土壤全氮检测模型的训练步骤包括:
...【技术特征摘要】
1.一种基于土壤全氮近红外光谱的云边协同检测系统,其特征在于,所述云边协同检测系统包括:
2.根据权利要求1所述的基于土壤全氮近红外光谱的云边协同检测系统,其特征在于,所述边缘设备还用于基于所述第一光谱数据集训练所述土壤全氮检测模型,所述土壤全氮检测模型的训练步骤包括:
3.根据权利要求1所述的基于土壤全氮近红外光谱的云边协同检测系统,其特征在于,所述基于所述实时土壤光谱数据和所述历史土壤光谱数据确定用于训练所述土壤全氮检测模型的第一光谱数据集,包括:
4.根据权利要求1所述的基于土壤全氮近红外光谱的云边协同检测系统,其特征在于,所述传感器终端包括:
5.根据权利要求1所述的基于土壤全氮近红外光谱的云边协同检测系统,其特征在于,所述边缘设备包括智能终端,所述智能终端用于接收所述传感器终端发送的实时土壤光谱数据,以及向本地设备发送所述实时土壤光谱数据。
【专利技术属性】
技术研发人员:王跃亭,曲锦超,董大明,田宏武,邢振,刘帅,刘亚超,马世祥,李传霞,
申请(专利权)人:北京市农林科学院智能装备技术研究中心,
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。