本發(fā)明涉及圖像處理，具體涉及一種基于深度學習的土壤團聚體固相特性檢測方法及裝置。

背景技術(shù)：

1、土壤團粒結(jié)構(gòu)在履行基本土壤功能方面起著關(guān)鍵作用，如根系生長、氣體和水的輸送以及有機質(zhì)的周轉(zhuǎn)。土壤團聚體是土壤團粒結(jié)構(gòu)中最重要的物理特征之一，它與土壤中的水分、養(yǎng)分、透氣性、壓實性等有著密切的聯(lián)系。土壤團聚體是指土壤顆粒經(jīng)凝聚膠結(jié)作用后形成的個體。其直徑一般在0.25-10mm范圍以內(nèi)，按粒徑大小分，可分為大團聚體(直徑>0.25mm)和微團聚體(直徑<0.25mm)。了解土壤團聚體的固相特性，有助于農(nóng)藝在種植中做出決策。

2、土壤團聚體的固相特性是指土壤顆粒在土壤團聚體中的排列、連接和組織方式，這些特性對土壤的結(jié)構(gòu)、通透性、水分保持能力、氣體交換、養(yǎng)分保持和植物生長等方面具有重要影響，主要有形狀、尺寸、粒徑分比和比表面積等?，F(xiàn)有技術(shù)中對土壤團聚體固相特性的檢測，主要采用諸如干篩法、濕篩法的過篩方法。各檢測機構(gòu)對團聚體的檢測也主要根據(jù)中華人民共和國農(nóng)業(yè)行業(yè)標準ny/t?1121.19-2008《土壤檢測第19部分：土壤水穩(wěn)性大團聚體組成的測定》來測定。現(xiàn)有技術(shù)中，測定土壤團聚體固相特性的方法比較復雜，檢測效率不高。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供一種基于深度學習的土壤團聚體固相特性檢測方法及裝置，該方法通過對待檢測土壤團聚體樣本進行圖像采集，然后通過基于深度學習的土壤團聚體固相特性檢測模型，計算得到待檢測土壤團聚體樣本的固相特性；檢測過程簡單，具有檢測效率快、檢測精度高的特點。

2、一種基于深度學習的土壤團聚體固相特性檢測方法，包括：

3、獲取土壤團聚體樣本圖像；

4、采用土壤團聚體分割模型將所述土壤團聚體樣本圖像分割得到每一個團聚體形狀的掩碼圖像；

5、根據(jù)所述掩碼圖像通過使用opencv計算得到土壤團聚體固相特性。

6、優(yōu)選地，所述獲取土壤團聚體樣本圖像包括：

7、提取土壤圖像中的感興趣區(qū)域，獲得只保存有土壤區(qū)域的土壤團聚體樣本圖像。

8、優(yōu)選地，所述采用土壤團聚體分割模型將所述土壤團聚體樣本圖像分割得到每一個團聚體形狀的掩碼圖像之前，還包括構(gòu)建土壤團聚體分割模型，具體為：

9、所述土壤團聚體檢測模型為編碼器解碼器框架，編碼器采用視覺transformer架構(gòu)；

10、搭建一個掩碼解碼器，根據(jù)編碼器提取的視覺特征以及提示信息，自適應地聚焦于感興趣的區(qū)域，生成目標的分割掩碼。

11、優(yōu)選地，所述采用土壤團聚體分割模型將所述土壤團聚體樣本圖像分割得到每一個團聚體形狀的掩碼圖像包括：

12、所述土壤團聚體分割模型分割土壤團聚體樣本圖像中的團聚體得到每一個團聚體的形狀；

13、然后將分割出來的每個團聚體掩碼進行合并，最后輸出并保存合并后的掩碼。

14、優(yōu)選地，所述根據(jù)所述掩碼圖像通過使用opencv計算得到土壤團聚體固相特性包括：

15、計算所述掩碼圖像中團聚體的面積：

16、通過使用opencv里的cv2.imread函數(shù)讀取圖像，并指定參數(shù)0表示以灰度圖像方式讀??；

17、使用numpy的條件判斷mask>0來生成一個布爾數(shù)組，其中白色像素對應的值為true，黑色像素對應的值為false；

18、使用numpy的np.sum函數(shù)對布爾數(shù)組進行求和操作，得到掩碼的面積。

19、優(yōu)選地，所述根據(jù)所述掩碼圖像通過使用opencv計算得到土壤團聚體固相特性包括：

20、計算所述掩碼圖像中團聚體的最小外接圓直徑：

21、使用opencv里的cv2.findcontours函數(shù)查找掩碼圖像中的輪廓；

22、找到最大的輪廓，使用max函數(shù)和cv2.contourarea函數(shù)來比較輪廓的面積；

23、使用cv2.minenclosingcircle函數(shù)計算最小外接圓的圓心和半徑。

24、一種基于深度學習的土壤團聚體固相特性檢測裝置，包括：

25、圖像采集部分，用于獲取土壤團聚體樣本圖像；

26、圖像處理部分，用于采用土壤團聚體分割模型將所述土壤圖像分割得到每一個團聚體形狀的掩碼圖像；

27、上位機軟件部分，用于根據(jù)所述掩碼圖像通過使用opencv計算得到土壤團聚體固相特性。

28、一種電子設備，包括：處理器和存儲器，所述存儲器用于存儲計算機程序代碼，所述計算機程序代碼包括計算機指令，當所述處理器執(zhí)行所述計算機指令時，所述電子設備執(zhí)行一種基于深度學習的土壤團聚體固相特性檢測方法。

29、一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)中存儲有計算機程序，所述計算機程序包括程序指令，所述程序指令當被電子設備的處理器執(zhí)行時，使所述處理器執(zhí)行一種基于深度學習的土壤團聚體固相特性檢測方法。

30、本發(fā)明的有益效果在于：1.本發(fā)明通過采集已知土壤團聚體參數(shù)的土壤樣本的圖像，構(gòu)建深度學習土壤團聚體檢測模型，對土壤團聚體的固相特性進行檢測時，通過獲取待檢測土壤的圖像，再通過深度學習土壤團聚體檢測模型的計算，可以得到待檢測土壤的土壤團聚體的形狀、尺寸、面積等；檢測過程十分簡單，具有檢測效率快，檢測精度高的特點；2.本發(fā)明通過采集多種類型的土壤樣本的圖像，構(gòu)建深度學習土壤團聚體檢測模型，解決了土壤樣本單一的問題，通過豐富的數(shù)據(jù)集，可以訓練得到泛化能力強的深度學習土壤質(zhì)地檢測模型，進一步提高了深度學習土壤團聚體檢測模型的檢測精度；3.本發(fā)明針對團聚體圖像標簽不易獲得的問題，通過搭建的深度學習土壤團聚體檢測模型對采集到的樣品圖像直接進行無監(jiān)督地分割，而不需要獲取大量圖像標簽對模型進行訓練。

技術(shù)特征：

1.一種基于深度學習的土壤團聚體固相特性檢測方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的一種基于深度學習的土壤團聚體固相特性檢測方法，其特征在于，所述獲取土壤團聚體樣本圖像包括：

3.根據(jù)權(quán)利要求1所述的一種基于深度學習的土壤團聚體固相特性檢測方法，其特征在于，所述采用土壤團聚體分割模型將所述土壤團聚體樣本圖像分割得到每一個團聚體形狀的掩碼圖像之前，還包括構(gòu)建土壤團聚體分割模型，具體為：

4.根據(jù)權(quán)利要求1所述的一種基于深度學習的土壤團聚體固相特性檢測方法，其特征在于，所述采用土壤團聚體分割模型將所述土壤團聚體樣本圖像分割得到每一個團聚體形狀的掩碼圖像包括：

5.根據(jù)權(quán)利要求1所述的一種基于深度學習的土壤團聚體固相特性檢測方法，其特征在于，所述根據(jù)所述掩碼圖像通過使用opencv計算得到土壤團聚體固相特性包括：

6.根據(jù)權(quán)利要求1所述的一種基于深度學習的土壤團聚體固相特性檢測方法，其特征在于，所述根據(jù)所述掩碼圖像通過使用opencv計算得到土壤團聚體固相特性包括：

7.一種基于深度學習的土壤團聚體固相特性檢測裝置，其特征在于，包括：

8.一種電子設備，其特征在于，包括：處理器和存儲器，所述存儲器用于存儲計算機程序代碼，所述計算機程序代碼包括計算機指令，當所述處理器執(zhí)行所述計算機指令時，所述電子設備執(zhí)行如權(quán)利要求1至6任一項所述的一種基于深度學習的土壤團聚體固相特性檢測方法。

9.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)中存儲有計算機程序，所述計算機程序包括程序指令，所述程序指令當被電子設備的處理器執(zhí)行時，使所述處理器執(zhí)行權(quán)利要求1至6任意一項所述的一種基于深度學習的土壤團聚體固相特性檢測方法。

技術(shù)總結(jié)
本發(fā)明的目的是提供一種基于深度學習的土壤團聚體固相特性檢測方法及裝置，該方法包括：獲取土壤團聚體樣本圖像；采用土壤團聚體分割模型將所述土壤團聚體樣本圖像分割得到每一個團聚體形狀的掩碼圖像；根據(jù)所述掩碼圖像通過使用opencv計算得到土壤團聚體固相特性。本發(fā)明通過對待檢測土壤團聚體樣本進行圖像采集，然后通過基于深度學習的土壤團聚體固相特性檢測模型，計算得到待檢測土壤團聚體樣本的固相特性；檢測過程簡單，具有檢測效率快、檢測精度高的特點。

技術(shù)研發(fā)人員：齊龍,歐陽霖,蔣郁,馬銳軍,吳雙龍,侯俊偉,張文浩,鐘澤洋
受保護的技術(shù)使用者：華南農(nóng)業(yè)大學
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19