CN113155753A - 农田表层土壤微塑料检测方法及系统 - Google Patents
农田表层土壤微塑料检测方法及系统 Download PDFInfo
- Publication number
- CN113155753A CN113155753A CN202110533698.3A CN202110533698A CN113155753A CN 113155753 A CN113155753 A CN 113155753A CN 202110533698 A CN202110533698 A CN 202110533698A CN 113155753 A CN113155753 A CN 113155753A
- Authority
- CN
- China
- Prior art keywords
- micro
- farmland
- sample
- plastics
- surface soil
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 229920003023 plastic Polymers 0.000 title claims abstract description 143
- 239000004033 plastic Substances 0.000 title claims abstract description 143
- 239000002689 soil Substances 0.000 title claims abstract description 119
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000013145 classification model Methods 0.000 claims abstract description 18
- 239000002344 surface layer Substances 0.000 claims description 17
- 239000011259 mixed solution Substances 0.000 claims description 14
- 239000000126 substance Substances 0.000 claims description 13
- 239000010410 layer Substances 0.000 claims description 12
- 239000000243 solution Substances 0.000 claims description 12
- 238000000926 separation method Methods 0.000 claims description 8
- 238000003756 stirring Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 239000011521 glass Substances 0.000 claims description 7
- 239000000725 suspension Substances 0.000 claims description 6
- 238000001069 Raman spectroscopy Methods 0.000 claims description 5
- 208000034699 Vitreous floaters Diseases 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical class [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 239000008367 deionised water Substances 0.000 claims description 3
- 229910021641 deionized water Inorganic materials 0.000 claims description 3
- 239000012535 impurity Substances 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 239000002244 precipitate Substances 0.000 claims description 2
- 238000005303 weighing Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 5
- 229920000426 Microplastic Polymers 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 9
- 239000002245 particle Substances 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000000701 chemical imaging Methods 0.000 description 3
- 238000002329 infrared spectrum Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 229910001220 stainless steel Inorganic materials 0.000 description 3
- 239000010935 stainless steel Substances 0.000 description 3
- 239000002253 acid Substances 0.000 description 2
- 239000003513 alkali Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000001530 Raman microscopy Methods 0.000 description 1
- 238000001237 Raman spectrum Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000012630 chemometric algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000002076 thermal analysis method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N2021/3595—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using FTIR
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Remote Sensing (AREA)
- Biomedical Technology (AREA)
- Astronomy & Astrophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了农田表层土壤微塑料检测方法及系统,涉及成分分析领域,包括:采集农田表层土壤,获得第一样本;采集所述第一样本的第一高光谱图像;从所述第一高光谱图像中提取出微塑料对应的第一特征波段;基于所述第一特征波段获得第一训练样本,使用第一训练样本训练分类模型获得第一模型;采集待检测农田表层土壤的第二高光谱图像,将所述第二高光谱图像输入所述第一模型,所述第一模型输出所述待检测农田表层土壤的第一微塑料检测结果,本发明提高了农田表层土壤微塑料检测的效率。
Description
技术领域
本发明涉及成分分析领域,具体地,涉及农田表层土壤微塑料检测方法及系统。
背景技术
土壤微塑料的分析方法主要包括样品提取、识别和量化。由于土壤中丰富的有机物质和复杂的固体基质使土壤微塑料的检测极具挑战性。
传统的农田表层土壤微塑料提取方法中,提取、过滤、挑选等复杂的样品预处理环节是不可避免的,耗时费力,且繁复的步骤也提高了引入误差的可能性。在传统微塑料识别和定量方面,使用拉曼光谱、近红外光谱、扫描电镜等分析方法对微塑料进行检测时,需要进行样品采集和繁复的预处理过程,并且检测过程也需要对微塑料逐一分析,十分耗费时间。一些热分析技术也已被证明是有效的识别和量化环境塑料微粒,不过它们都不能提供被分析颗粒的数量和形态特征等信息。近红外光谱化学计量结合的方法仅局限于评估研究土壤是否含有塑料,而不能提供微塑料的定量、形态和结构信息。可见近红外光谱对土壤微塑料的预测精度低,检出限高,因此只适用于污染热点地区。
发明内容
为了提高农田表层土壤微塑料检测的效率,本发明提供了农田表层土壤微塑料检测方法及系统。
为实现上述目的,本发明提供了农田表层土壤微塑料检测方法,所述方法包括:
采集农田表层土壤,获得第一样本;
采集所述第一样本的第一高光谱图像;
从所述第一高光谱图像中提取出微塑料对应的第一特征波段;
基于所述第一特征波段获得第一训练样本,使用第一训练样本训练分类模型获得第一模型;
采集待检测农田表层土壤的第二高光谱图像,将所述第二高光谱图像输入所述第一模型,所述第一模型输出所述待检测农田表层土壤的第一微塑料检测结果。
其中,本发明的原理为首先采集农田表层土壤数据,然后采集样本的高光谱图像,然后从高光谱图像中找出微塑料对应的特征波段,然后获得训练样本,利用训练样本训练分类模型,在后续农田表层土壤微塑料检测时,只需要将待检测农田表层土壤的高光谱图像输入训练后的模型进行处理即可,模型输出待检测农田表层土壤的微塑料检测结果,实现了快速高效的检测,提高了农田表层土壤微塑料检测的效率。
高光谱技术同时包含样本的光谱信息和空间图像信息。图像信息能对目标物的物理形态特征进行分析,光谱信息可以对目标物的化学成分进行鉴定。高光谱成像技术是一种可以用来快速获取大范围环境数据的光谱检测技术,同时高光谱成像技术可以运用到扫描土壤表面粒为0.5-5mm的微塑料。通过对高光谱图像上图像、光谱信号的分离来代替微塑料实际的分离提取过程,从高光谱图像上直接将微塑料从农田表层土壤当中识别检测出来,无需微塑料的提取、识别过程,提高了农田表层土壤微塑料检测的效率。
优选的,所述方法还包括:
采用密度分离法获得待检测农田表层土壤中的微塑料对应的第二微塑料检测结果。
其中,本方法使用了智能模型检测微塑料方法与传统化学方法检测微塑料相结合,目的是在效率和精度上均得到提高,虽然利用从高光谱图像对微塑料进行检测效率较高,但是精度上与传统的化学方法相比存在劣势,虽然传统的化学方法精度很高,但是效率很低,本发明采用将两种方法进行结合,首先采集待检测农田表层土壤,然后使用传统的化学方法检测待检测农田表层土壤中的微塑料,然后采集待检测农田表层的高光谱图像,然后将采集的高光谱图像输入训练后分类模型中输出微塑料的检测结果,然后比较两种方法的检测结果差异是否较大,若差异在合理范围内,则继续使用高光谱图像对微塑料进行检测,从而在保障精度的同时提高了效率。结合化学计量学算法可以做到对环境中目标物的快速准确识别分类。
优选的,所述采用密度分离法获得待检测农田表层土壤中的微塑料对应的第二微塑料检测结果,具体包括:
从所述第一样本中称取若干重量的土壤置于烧杯中,向所述烧杯中加入适量饱和Nacl溶液,搅拌至土壤和溶液均匀混合,获得混合溶液;
搅拌后所述混合溶液在室温下静置直至土壤沉淀,使得所述混合溶液分层,表层为悬浮层,取出所述悬浮层中的漂浮物置于盛有去离子水的玻璃培养皿中;
重复搅拌和静置混合溶液若干次,每次静置后均取出所述混合溶液表层的漂浮物,直至所述混合溶液表层无漂浮物;
在光学显微镜下所述观察玻璃培养皿中的漂浮物,去除所述漂浮物中非微塑料的杂质,使用傅里叶红外变换光谱和显微拉曼光谱仪鉴定微塑料的化学性质,对比标准拉曼光谱仪确定微塑料成分。
优选的,基于所述第一样本中的微塑料尺寸大小将所述第一样本划分为第一子样本和第二子样本,所述第一子样本中的微塑料尺寸大小范围为1mm-5mm,所述第二子样本中的微塑料尺寸大小范围为0.5mm-1mm;分别采集所述第一子样本的第三高光谱图像和所述第二子样本的第四高光谱图像;分别采集所述第一子样本的第三高光谱图像和所述第二子样本的第四高光谱图像;分别从所述第三高光谱图像中提取出微塑料对应的第二特征波段和从所述第四高光谱图像中提取出微塑料对应的第三特征波段;基于所述第二特征波段和所述第三特征波段获得所述第一训练样本。
其中,为了研究微塑料粒径对使用高光谱成像技术的微塑料分类鉴别结果是否存在的影响,本发明将微塑料进行了尺寸划分,将微塑料分成两种尺寸范围:1-5mm和0.5-1mm。研究结果发现1-5mm的微塑料模型识别的精度高于0.5-1mm微塑料,模型对于尺寸较大的微塑料有较好的识别效果。
优选的,所述方法在获得所述第一样本之后,以及在采集所述第一样本的第一高光谱图像之前,还包括以下步骤:去除所述第一样本中的水分。这样做的目的是以防止实验过程中土壤水分的变化影响微塑料的识别结果,提高训练样本的质量,进而提高分类模型的精度,进而提高农田表层土壤微塑料检测的精度。
优选的,所述方法在获得所述第一样本之后,以及在采集所述第一样本的第一高光谱图像之前,还包括以下步骤:在所述第一样本之中加入一定数量的以下预设物质中的一种或几种,所述预设物质包括:新鲜叶子、干树枝、枯萎叶子和石子。
其中,这样设计的目的是模拟微塑料的野外土壤中存在环境,使得训练样本更加接近真实的数据,提高训练样本的质量,进而提高分类模型的精度,进而提高农田表层土壤微塑料检测的精度。
优选的,所述方法在获得所述第一高光谱图像之后还包括:对所述第一高光谱图像进行平滑和去噪处理。
优选的,所述分类模型为基于支持向量机的分类模型,或基于BP神经网络的分类模型。
优选的,所述待检测农田表层土壤的第二高光谱图像的采集方式为采用飞行器携带多光谱相机拍摄获得。通过飞行器因其高效、大规模的特点,能够实现大范围、快速地识别农田表层土壤微塑料,并给出其空间分布的可视化情况。
本发明还提供了农田表层土壤微塑料检测系统,所述系统包括:
第一采集单元,用于采集农田表层土壤,获得第一样本;
第二采集单元,用于采集所述第一样本的第一高光谱图像;
特征波段提取单元,用于从所述第一高光谱图像中提取出微塑料对应的第一特征波段;
模型训练单元,用于基于所述第一特征波段获得第一训练样本,使用第一训练样本训练分类模型获得第一模型;
微塑料检测结果获得单元,用于采集待检测农田表层土壤的第二高光谱图像,将所述第二高光谱图像输入所述第一模型,所述第一模型输出所述待检测农田表层土壤的第一微塑料检测结果。
本发明能够实现大范围、快速地识别农田表层土壤微塑料,并给出其空间分布的可视化情况。通过模拟野外的表层土壤微塑料环境,找出微塑料的特征波段,之后将特征波段定制到多光谱相机当中,再用无人机搭载拥有特征波段的多光谱相机进行野外实验,对试验农田进行表层土壤微塑料进行检测。
实现了农田表层土壤微塑料的大范围、快速检测。同现有的农田表层土壤微塑料检测方法不同,高光谱检测技术具有快速、有效、无损和低成本等优点,同时飞行器搭载多光谱相机具有大范围、全面等特点,因此本发明具有范围广、效率高、时间消耗少等多种优点。
本发明提供的一个或多个技术方案,至少具有如下技术效果或优点:
提高农田表层土壤微塑料检测的效率及精度。
同现有的农田土壤表层微塑料检测方法不同,基于高光谱技术的检测方法无需进行酸或碱等消解处理,可节省大量酸、碱试剂,起到保护环境的作用。
飞行器搭载多光谱相机检测技术具有大规模、高效、直观、全面等优势。
能够实现农田表层土壤微塑料空间分布的可视化。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本发明的一部分,并不构成对本发明实施例的限定;
图1为农田表层土壤微塑料检测方法的流程示意图;
图2为农田表层土壤微塑料检测系统的组成示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在相互不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述范围内的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本领域技术人员应理解的是,在本发明的揭露中,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系是基于附图所示的方位或位置关系,其仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此上述术语不能理解为对本发明的限制。
可以理解的是,术语“一”应理解为“至少一”或“一个或多个”,即在一个实施例中,一个元件的数量可以为一个,而在另外的实施例中,该元件的数量可以为多个,术语“一”不能理解为对数量的限制。
实施例一
请参考图1,图1为农田表层土壤微塑料检测方法的流程示意图,本发明实施例一提供了农田表层土壤微塑料检测方法,所述方法包括:
采集农田表层土壤,获得第一样本;
采集所述第一样本的第一高光谱图像;
从所述第一高光谱图像中提取出微塑料对应的第一特征波段;
基于所述第一特征波段获得第一训练样本,使用第一训练样本训练分类模型获得第一模型;
采集待检测农田表层土壤的第二高光谱图像,将所述第二高光谱图像输入所述第一模型,所述第一模型输出所述待检测农田表层土壤的第一微塑料检测结果。
本实施例能够实现大范围、快速地识别农田表层土壤微塑料,并给出其空间分布的可视化情况。通过从实验室中模拟野外的表层土壤微塑料环境的实验中,找出微塑料的特征波段,之后将特征波段定制到多光谱相机当中,再用无人机搭载拥有特征波段的多光谱相机进行野外实验,对试验农田进行表层土壤微塑料进行检测。
将所采集到的农田表层土壤均分成两部分实验:一部分用于传统化学方法检测微塑料,一部分用于高光谱技术检测微塑料。传统化学检测中,采取密度分离的方法,将饱和Nacl溶液和土壤搅拌均匀混合,静置分层,挑选溶液上层漂浮物,之后再用傅里叶红外变换光谱和显微拉曼光谱仪对微塑料类似物进行定性检测。高光谱技术检测当中,在实验室中将土壤样品
用孔径为0.5mm、1mm和5mm的不锈钢筛网对微塑料进行粒径分类,下一步烘干去除水分,在实验室中模拟野外农田表层土壤的情况,利用高光谱相机进行图像采集。通过中值滤波、平滑、主成分分析等方法,对高光谱图像数据进行预处理。采用BP神经网络、支持向量机等监督分类方法,挑选出微塑料的特征波段以及建立微塑料分类模型,下一步将特征波段移植到无人机搭载的多光谱相机当中,进行野外农田表层土壤微塑料检测实验,将所拍摄的图像数据运用搭建好的模型进行解析,最后给出农田表层土壤微塑料的空间分布可视化情况。
采取密度分离方法进行提取农田表层土壤微塑料。称取30g包含微塑料的土壤样品置于烧杯中,加入适量饱和Nacl溶液,使用玻璃棒搅拌使土壤和溶液均匀混合。混合溶液在室温下静置12h直至土壤完全沉淀,此时溶液分层清晰,最上层为微塑料与微塑料类似物悬浮层。使用清洁的不锈钢针(长23cm,直径3mm)挑出溶液悬浮层表面肉眼可见的漂浮物,置于盛有去离子水的玻璃培养皿中。重复搅拌和静置混合溶液3-4次,并挑出溶液表层漂浮物,直至肉眼观察不到溶液表面有漂浮物。在光学显微镜下观察玻璃培养皿中的提取物,同时去除其中非微塑料的杂质,使用傅里叶红外变换光谱和显微拉曼光谱仪来鉴定剩余微塑料类似物的化学性质,对比标准拉曼光谱仪确定检测的微塑料成分。
为了研究微塑料粒径对使用高光谱成像技术的微塑料分类鉴别结果的影响,将微塑料样品分成两个粒径范围:1-5mm和0.5-1mm。将土壤样品中提取的体积较大的塑料手工剪切成微塑料尺寸,并用孔径为0.5mm、1mm和5mm的不锈钢筛网对微塑料进行粒径分类,将微塑料分成两种尺寸范围:1-5mm和0.5-1mm。在制作土壤环境微塑料样品之前,将土壤放置在真空烘箱中80℃的温度下干燥8小时去除土壤水分,以防止实验过程中土壤水分的变化影响微塑料的识别结果。为了模拟微塑料的野外土壤中存在环境,从环境中采集一定数量的新鲜叶子,干树枝,枯萎的叶子和石头,在实验室中模拟复杂土壤环境中微塑料样品。
基于微塑料粒度对高光谱微塑料识别方法的影响的研究进行两部分实验:
(1)将(1-5mm)的微塑料,岩石,枯萎的叶子,新鲜叶子,干燥的枝条混合并随机覆盖在干燥的土壤表面上,每种样品的数量都放置10个,随后采集样品的高光谱图像。
(2)将(0.5-1mm)的微塑料,岩石,枯萎的叶子,新鲜叶子和干燥的枝条混合并随机覆盖在土壤样品表面上。为了获得每种样品相似的覆盖面积,在该部分实验中,(0.5-1mm)的微塑料准备100个,上所述的其他材料每种准备10个。
为了验证本研究建立的高光谱微塑料检测模型的稳定性,对以上二组实验分别进行了5次重复试验。
使用中值滤波、主成分分析、平滑滤波等方法对农田表层土壤样品的高光谱图像进行平滑、去噪处理。从高光谱图像上选取各种不同类型微塑料以及农田表层土壤的感兴趣区域,获取各种感兴趣区域的平均光谱曲线,对不同成分的光谱信号进行分析,采用支持向量机、BP神经网络等监督分类的方法对农田表层土壤中的微塑料进行快速识别、分类。计算0.5-1mm和1-5mm两种微塑料尺寸下,不同成分微塑料从农田表层土壤中的检出的概率。
将高光谱技术检测微塑料的结果与传统化学检测微塑料的结果进行匹配度对比,看两者检测结果相似度是否达到一致。之后在进行野外农田无人机实验,将高光谱技术得到微塑料的特征波段移植到多光谱相机当中,再搭载到无人机当中,利用搭载具有特征波段的多光谱相机的无人机进行野外农田表层土壤的图像采集,之后用搭建的分类模型进行对数据的解析,得到农田表层土壤微塑料的空间分布可视化。
实施例二
请参考图2,图2为农田表层土壤微塑料检测系统的组成示意图,本发明实施例二提供了农田表层土壤微塑料检测系统,所述系统包括:
第一采集单元,用于采集农田表层土壤,获得第一样本;
第二采集单元,用于采集所述第一样本的第一高光谱图像;
特征波段提取单元,用于从所述第一高光谱图像中提取出微塑料对应的第一特征波段;
模型训练单元,用于基于所述第一特征波段获得第一训练样本,使用第一训练样本训练分类模型获得第一模型;
微塑料检测结果获得单元,用于采集待检测农田表层土壤的第二高光谱图像,将所述第二高光谱图像输入所述第一模型,所述第一模型输出所述待检测农田表层土壤的第一微塑料检测结果。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.农田表层土壤微塑料检测方法,其特征在于,所述方法包括:
采集农田表层土壤,获得第一样本;
采集所述第一样本的第一高光谱图像;
从所述第一高光谱图像中提取出微塑料对应的第一特征波段;
基于所述第一特征波段获得第一训练样本,使用第一训练样本训练分类模型获得第一模型;
采集待检测农田表层土壤的第二高光谱图像,将所述第二高光谱图像输入所述第一模型,所述第一模型输出所述待检测农田表层土壤的第一微塑料检测结果。
2.根据权利要求1所述的农田表层土壤微塑料检测方法,其特征在于,所述方法还包括:
采用密度分离法获得待检测农田表层土壤中的微塑料对应的第二微塑料检测结果。
3.根据权利要求2所述的农田表层土壤微塑料检测方法,其特征在于,所述采用密度分离法获得待检测农田表层土壤中的微塑料对应的第二微塑料检测结果,具体包括:
从所述待检测农田表层土壤中称取若干重量的土壤置于烧杯中,向所述烧杯中加入适量饱和Nacl溶液,搅拌至土壤和溶液均匀混合,获得混合溶液;
搅拌后所述混合溶液在室温下静置直至土壤沉淀,使得所述混合溶液分层,表层为悬浮层,取出所述悬浮层中的漂浮物置于盛有去离子水的玻璃培养皿中;
重复搅拌和静置混合溶液若干次,每次静置后均取出所述混合溶液表层的漂浮物,直至所述混合溶液表层无漂浮物;
在光学显微镜下所述观察玻璃培养皿中的漂浮物,去除所述漂浮物中非微塑料的杂质,挑选出微塑料,使用傅里叶红外变换光谱和显微拉曼光谱仪鉴定微塑料成分。
4.根据权利要求1所述的农田表层土壤微塑料检测方法,其特征在于,基于所述第一样本中的微塑料尺寸大小将所述第一样本划分为第一子样本和第二子样本,所述第一子样本中的微塑料尺寸大小范围为1mm-5mm,所述第二子样本中的微塑料尺寸大小范围为0.5mm-1mm;分别采集所述第一子样本的第三高光谱图像和所述第二子样本的第四高光谱图像;分别从所述第三高光谱图像中提取出微塑料对应的第二特征波段和从所述第四高光谱图像中提取出微塑料对应的第三特征波段;基于所述第二特征波段和所述第三特征波段获得所述第一训练样本。
5.根据权利要求1所述的农田表层土壤微塑料检测方法,其特征在于,所述方法在获得所述第一样本之后,以及在采集所述第一样本的第一高光谱图像之前,还包括以下步骤:去除所述第一样本中的水分。
6.根据权利要求1所述的农田表层土壤微塑料检测方法,其特征在于,所述方法在获得所述第一样本之后,以及在采集所述第一样本的第一高光谱图像之前,还包括以下步骤:在所述第一样本之中加入一定数量的以下预设物质中的一种或几种,所述预设物质包括:新鲜叶子、干树枝、枯萎叶子和石子。
7.根据权利要求1所述的农田表层土壤微塑料检测方法,其特征在于,所述方法在获得所述第一高光谱图像之后还包括:对所述第一高光谱图像进行平滑和去噪处理。
8.根据权利要求1所述的农田表层土壤微塑料检测方法,其特征在于,所述分类模型为基于支持向量机的分类模型,或基于BP神经网络的分类模型。
9.根据权利要求1所述的农田表层土壤微塑料检测方法,其特征在于,所述待检测农田表层土壤的第二高光谱图像的采集方式为采用飞行器携带多光谱相机拍摄获得。
10.农田表层土壤微塑料检测系统,其特征在于,所述系统包括:
第一采集单元,用于采集农田表层土壤,获得第一样本;
第二采集单元,用于采集所述第一样本的第一高光谱图像;
特征波段提取单元,用于从所述第一高光谱图像中提取出微塑料对应的第一特征波段;
模型训练单元,用于基于所述第一特征波段获得第一训练样本,使用第一训练样本训练分类模型获得第一模型;
微塑料检测结果获得单元,用于采集待检测农田表层土壤的第二高光谱图像,将所述第二高光谱图像输入所述第一模型,所述第一模型输出所述待检测农田表层土壤的第一微塑料检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110533698.3A CN113155753A (zh) | 2021-05-17 | 2021-05-17 | 农田表层土壤微塑料检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110533698.3A CN113155753A (zh) | 2021-05-17 | 2021-05-17 | 农田表层土壤微塑料检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113155753A true CN113155753A (zh) | 2021-07-23 |
Family
ID=76876327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110533698.3A Pending CN113155753A (zh) | 2021-05-17 | 2021-05-17 | 农田表层土壤微塑料检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113155753A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114136832A (zh) * | 2021-11-29 | 2022-03-04 | 华南农业大学 | 一种利用热重分析法检测土壤中微塑料浓度的方法与应用 |
CN114998664A (zh) * | 2022-07-18 | 2022-09-02 | 中国科学院烟台海岸带研究所 | 一种多光学平台的海水中微塑料快速检测方法及检测装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107421894A (zh) * | 2017-09-28 | 2017-12-01 | 威海五洲卫星导航科技有限公司 | 基于无人机高光谱反演土壤中重金属污染监测方法 |
CN110261346A (zh) * | 2019-06-27 | 2019-09-20 | 浙江大学 | 一种基于近红外光谱快速检测土壤中pvc含量的方法 |
-
2021
- 2021-05-17 CN CN202110533698.3A patent/CN113155753A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107421894A (zh) * | 2017-09-28 | 2017-12-01 | 威海五洲卫星导航科技有限公司 | 基于无人机高光谱反演土壤中重金属污染监测方法 |
CN110261346A (zh) * | 2019-06-27 | 2019-09-20 | 浙江大学 | 一种基于近红外光谱快速检测土壤中pvc含量的方法 |
Non-Patent Citations (1)
Title |
---|
赵军波: "基于高光谱成像技术的环境微塑料检测的研究", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114136832A (zh) * | 2021-11-29 | 2022-03-04 | 华南农业大学 | 一种利用热重分析法检测土壤中微塑料浓度的方法与应用 |
CN114998664A (zh) * | 2022-07-18 | 2022-09-02 | 中国科学院烟台海岸带研究所 | 一种多光学平台的海水中微塑料快速检测方法及检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kolhar et al. | Plant trait estimation and classification studies in plant phenotyping using machine vision–A review | |
Dhondt et al. | Cell to whole-plant phenotyping: the best is yet to come | |
Holt et al. | Principles and methods for automated palynology | |
Herzog | Initial steps for high-throughput phenotyping in vineyards | |
CN113155753A (zh) | 农田表层土壤微塑料检测方法及系统 | |
CN105866056A (zh) | 一种基于近红外光谱的杂交种纯度鉴别方法 | |
Blonder et al. | Remote sensing of ploidy level in quaking aspen (Populus tremuloides Michx.) | |
CN113008817A (zh) | 一种基于高光谱成像技术快速鉴别苦杏仁真伪优劣的方法 | |
CN109765194A (zh) | 基于高光谱成像技术的枸杞子产地识别方法 | |
CN110555395A (zh) | 一种油菜冠层氮素含量等级分类评估方法 | |
Beyaz et al. | Identification of olive cultivars using image processing techniques | |
JP2012515902A (ja) | マススペクトロメトリーにより特に未知物質を同定するための方法 | |
Ai et al. | Application of hyperspectral and deep learning in farmland soil microplastic detection | |
CN114660040A (zh) | 微生物单细胞种类鉴定方法、装置、介质及设备 | |
CN110188592B (zh) | 一种尿液有形成分细胞图像分类模型构建方法及分类方法 | |
CN116310913B (zh) | 基于小型无人机测量技术的自然资源调查监测方法及装置 | |
Huang et al. | A novel intelligent system for dynamic observation of cotton verticillium wilt | |
CN115718089A (zh) | 一种基于菌群拉曼特征快速识别样品类别的方法 | |
Carvalho et al. | Soil biotic impact on plant species shoot chemistry and hyperspectral reflectance patterns | |
CN108535214A (zh) | 一种基于高光谱技术鉴定木霉菌的方法 | |
CN113011296A (zh) | 快速鉴别小麦品种纯度的方法和系统 | |
CN111595802A (zh) | 一种基于nir光谱的忧遁草种源地分类模型的构建方法及应用 | |
CN109406413A (zh) | 基于高光谱成像技术预测枸杞子中圣草酚含量的方法 | |
CN113588588B (zh) | 一种基于地物谱仪的气载微塑料快速检测方法 | |
CN115639354B (zh) | 一种海洋塑料识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210723 |