CN113167780A - 用于土壤和土壤类型的分类的设备、系统和方法 - Google Patents

用于土壤和土壤类型的分类的设备、系统和方法 Download PDF

Info

Publication number
CN113167780A
CN113167780A CN202080006600.2A CN202080006600A CN113167780A CN 113167780 A CN113167780 A CN 113167780A CN 202080006600 A CN202080006600 A CN 202080006600A CN 113167780 A CN113167780 A CN 113167780A
Authority
CN
China
Prior art keywords
soil
image
processor
module
parameter
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
Application number
CN202080006600.2A
Other languages
English (en)
Inventor
蔡国英
陈思恩
周顺和
许峻维
欧阳友琎
严可敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
HOUSING AND DEVELOPMENT BOARD
National University of Singapore
Original Assignee
HOUSING AND DEVELOPMENT BOARD
National University of Singapore
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by HOUSING AND DEVELOPMENT BOARD, National University of Singapore filed Critical HOUSING AND DEVELOPMENT BOARD
Publication of CN113167780A publication Critical patent/CN113167780A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
    • G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
    • G01N27/041—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
    • G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
    • G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
    • G01N27/121—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid for determining moisture content, e.g. humidity, of the fluid
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G01N33/246—Earth materials for water content
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

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)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Medicinal Chemistry (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Geology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Food Science & Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Software Systems (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

一种用于对土壤体进行分类的设备、系统和方法，包括：具有至少一个光源(18)的图像获取模块(12)；一个或多个土壤参数测量装置(14，14a和14b)，用于测量与土壤类型相关的一个或多个土壤参数，所述土壤参数包括土壤阻抗、土壤含水量和/或土壤剖面；以及一个或多个驱动装置，其可操作以移动所述图像获取模块和一个或多个土壤参数测量装置，使得所述一个或多个土壤测量装置刺穿所述土壤体；以及处理器，其包括可操作以将土壤体分类为两种土壤类型中的一种的分类模块。

Description

用于土壤和土壤类型的分类的设备、系统和方法
技术领域
本发明涉及用于对土壤和土壤类型进行分类的设备、系统和方法。
背景技术
以下对本发明的背景的讨论仅旨在促进对本发明的理解。应当理解，该讨论不是承认或认可所涉及的任何材料在本发明的优先权日之前已在任何管辖范围内公开、已知或属于本领域技术人员的公知常识的一部分。
土壤是建筑业中使用的必不可少的资源。不同类型的土壤用于不同目的，例如土地开垦和建筑物建造。
通常出于各种目的从建筑工地挖掘土壤，例如用于土地开垦。例如，对于新加坡的土地开垦，挖掘的土壤随后被收集在一个或多个临时场地(staging ground)，然后被运输到土地开垦地点，在这里将挖掘的土壤用作填充材料。根据土壤的各种特性，挖掘的土壤至少可以被分为两种土壤类型-“好土(Good Earth)”或“软粘土(Soft Clay)”。好土可被视为含有至少65％(重量)的尺寸大于63微米(μm)的粗颗粒(砾石和沙粒)且具有的含湿量(定义为水的重量与干土壤的重量之比)小于40％的土壤。软粘土可以认为是指含有至少35％(重量)的小于63μm的细颗粒的土壤；或具有的含湿量超过40％，或两者兼而有之。好土通常具有良好的压实特性，而软粘土通常具有差的压实特性。因此，重要的是要区分好土和软粘土，然后再将其运输到土地开垦地点以作不同用途。
如图1所示，当前对挖掘的土壤进行分类的方法包括：在进行建筑活动以挖掘将要发送到收集点(即，临时场地)的土壤之前，收集物理土壤样本，并且将其送交实验室测试以确定土壤类型。该过程通常需要很长时间(几周)，并且可能无法考虑地质条件中的空间变化的可能性，即，在特定施工地点处挖掘土壤可能会根据位置和深度获得不同类型的土壤。因此，为实验室测试而收集的物理土壤样本可能无法代表获得土壤样本的建筑地点。
另外，当在收集点(即临时场地)接收到挖掘的土壤时，一个或多个操作员通过目视检查对挖掘的土壤的类型进行最终检查。由于人们的感知可能是高度主观的，因此在分类土壤时留有错误的余地。此外，这种目视检查只能在土壤体的顶表面上进行，并且无法给出该土壤体中随深度变化的土壤类型的剖面的信息。
有鉴于此，需要改进土壤分类的过程(方法)。一个目的是至少部分地满足需求。
发明内容
申请人旨在通过提供一种用于将土壤体识别和分类为至少两种土壤类型的设备、系统和方法来满足需求。该设备、系统和方法试图提供相对较快的技术方案，并且使由人类感知的主观性引起的错误最小化。
该设备、系统和方法的各个方面提供了用于从标准化系统(例如统一土壤分类系统(the Unified Soil Classification System))确定土壤的分类图参考的一种快速且无损的方法。
该技术解决方案提供了一种用于获取土壤体的数字图像(一个或多个)的装置，以及用于获取土壤参数测量值(例如土壤的电阻率和含水量测量值)的另一种装置部件。从该装置获得的数据然后由安装有概率决策算法或用户定义的决策算法的处理器处理。概率决策算法或用户定义的决策算法可以包括用于对挖掘的土壤进行分类的机器学习算法。有利的是，与现有技术相比，从数据收集到决策的整个过程可以自动化并显著地缩短。特别是，该技术解决方案可以有效地省去费时、费力且主观的一些现有技术过程的需求，例如在施工地点进行土壤采样和获取钻孔数据，在实验室中进行土壤测试(指数特性测试)，以及当挖掘的土壤被收集在临时场地时通过目视检查手动地确定适当的土壤分类。
根据本公开的一个方面，提供了一种用于对土壤体进行分类的设备，该设备包括：具有至少一个光源的图像获取模块；一个或多个土壤参数测量装置，用于测量与土壤类型相关的一个或多个土壤参数，所述土壤参数包括土壤阻抗、土壤含水量和/或土壤剖面；以及一个或多个驱动装置，其可操作用于移动图像获取模块和一个或多个土壤参数测量装置，使得所述一个或多个土壤测量装置刺穿土壤体。
在一些实施例中，图像获取模块包括摄像机和距离传感器。
在一些实施例中，所述至少一个光源是色温在3000K和4000K之间的白光源。白光源可以包括多个LED泛光灯。在一些实施例中，包括124个LED泛光灯。
在一些实施例中，距离传感器是激光距离传感器。距离传感器可操作以检测在0.5米(m)和1.2m之间的距离。
在一些实施例中，该设备还包括布置成与图像获取模块数据通信的数据分析模块，该数据分析模块可操作以提取所获取的图像的RGB(红，绿，蓝)值，将图像转换为特定分辨率的灰度图像，使用统计纹理法(a statistical texture method)分析该灰度图像，并根据灰度图像和测得的土壤参数(一个或多个)将土壤体分类为至少两种土壤类型之一。
在一些实施例中，基于以下数学表达式将获取的图像转换为8位(8-bit)灰度图像：-
8bit＝0.299*Red+0.587*Green+0.114*Blue
其中
Red是像素的红色值
Green是像素的绿色值
Blue是像素的蓝色值。
在一些实施例中，多个探头包括用于将电流发送到土壤体中的第一组两个阻抗率探头，以及用于检测第二组两个阻抗率探头之间的电势的第二组两个阻抗率探头。
在一些实施例中，阻抗率探头的间隔和刺穿深度可以改变，使得可以改变影响的深度。
在一些实施例中，土壤参数测量装置包括含水量测量装置，用于测量土壤含水量。含水量测量装置可以是时域反射器(TDR)，其包括用于在其间传送电磁脉冲的一组TDR探头。TDR探头的刺穿深度可以是可变的。
在一些实施例中，土壤参数测量装置是圆锥刺穿装置，其用于通过将土壤体刺穿到各种深度来确定土壤剖面。在一些实施例中，圆锥刺穿装置可包括轴、连接至轴的面向下的圆锥以及安装在轴上在圆锥上方的仪表化摩擦套筒，其中，圆锥测量圆锥顶端阻力，并且摩擦套筒测量施加到其上的摩擦。
根据本公开的另一方面，提供了一种用于土壤体的分类的系统，其包括：图像获取模块，用于获取土壤体的至少一个图像；土壤参数测量模块，用于测量土壤体的参数，所述土壤参数包括土壤阻抗率和/或土壤含水量和/或土壤剖面；以及处理器，其可操作用于接收至少一个图像和土壤体测量值(一个或多个)；其中处理器包括可操作以将土壤体分类为至少两种土壤类型之一的分类模块。
在一些实施例中，分类模块包括：第一模块，其基于机器学习算法对土壤体进行分类；以及第二模块，其基于土壤参数测量值对土壤体进行分类。在一些实施例中，机器学习算法基于人工神经网络或卷积神经网络或其它类型的神经网络。
在一些实施例中，至少两种土壤类型包括好土和软粘土。
在一些实施例中，土壤体的分类基于一个或多个土壤参数测量值和机器学习算法。
在一些实施例中，土壤参数测量模块包括含水量测量装置、土壤阻抗率传感器和/或可刺穿到土壤体中的圆锥刺穿装置。
在一些实施例中，处理器可操作以从至少一个图像中提取RGB值，将至少一个图像转换为特定分辨率的灰度图像，并使用统计纹理方法分析该灰度图像，处理器还包括：分类模块，其可操作以用于基于灰度图像和测得的土壤参数(一个或多个)将土壤体分类为至少两种土壤类型中的一种。
在一些实施例中，基于以下数学表达式，将至少一个图像转换为8位灰度图像：-
8bit＝0.299*Red+0.587*Green+0.114*Blue
其中
Red是像素的红色值
Green是像素的绿色值
Blue是像素的蓝色值。
在一些实施例中，统计纹理方法是灰度共生矩阵(Grey Level Co-OccurrenceMatrix，GCLM)。
根据本公开的另一方面，提供了一种用于对土壤体进行分类的方法，包括以下步骤：-(a.)将图像获取模块和土壤参数测量装置移向土壤体；(b.)获得土壤体的图像；(c.)测量在土壤体的各个深度处土壤体的土壤参数，所述土壤参数包括土壤阻抗率和/或土壤含水量和/或土壤剖面；(d.)将图像和参数测量值发送到处理器；(e.)进行数据分析；(f.)由处理器对土壤体进行分类；其中分类步骤包括将土壤体分类为至少两种土壤类型之一。
根据本公开的另一方面，提供了一种处理器，该处理器具有用于接收第一组土壤图像和第二组土壤参数测量值的输入模块，其中该处理器包括分类模块，该分类模块可操作以将土壤体分类为至少两种土壤类型之一。
根据另一方面，存在一种在其上包含可执行软件指令的非暂时性计算机可读介质，其中，当执行可执行软件指令时，进行识别和分类土壤体的方法，该方法包括以下步骤：(a.)使图像获取模块和土壤参数测量装置朝向土壤体移动；(b.)获取土壤体的图像；(c.)在土壤体的各个深度处测量土壤体的土壤参数，所述土壤参数包括土壤阻抗率和/或土壤含水量和/或土壤剖面；(d.)将图像和参数测量值发送给处理器；以及(e.)由处理者对土壤体进行分类；其中分类步骤包括将土壤体分类为至少两种土壤类型之一。
在结合附图阅读以下对具体实施例的描述后，这些方面和特征对于本领域普通技术人员将变得显而易见。
附图说明
在仅以示例的方式示出本发明的实施例的附图中，
图1：示出了用于对挖掘的土壤进行分类的现有技术的方法/过程；
图2：示出了本公开的一个实施例；
图3：示出了根据一些实施例的用于对土壤类型进行识别和分类的设备；
图4a：示出了根据一些实施例的用于图像获取模块的驱动装置；
图4b：示出了根据一些实施例的土壤参数测量装置及其驱动装置；
图4c：示出了根据一些实施例的含水量测量装置及其驱动装置；
图4d：示出了根据一些实施例的圆锥刺穿装置及其驱动装置；
图4e：示出了根据本公开的一个实施例的设备的局部侧视图；
图5：以图形用户界面(GUI)的形式示出了用于控制根据一些实施例的用于土壤类型的识别和分类的设备的用户界面；
图6：示出了根据一些实施例的用于从图像获取模块接收数据的处理器、用于对土壤类型进行识别和分类的土壤参数测量装置以及用于获得土壤剖面特性的圆锥刺穿装置；
图7：示出了根据一些实施例的一种图像处理方法；
图8：示出了根据一些实施例的作为图像处理方法的一部分的灰度共生矩阵(GCLM)；
图9：列表示出了根据一些实施例的用于五种GLCM纹理特征的方程式；
图10：示出了在一个实施例中的显示来自决策矩阵的可能的输出的表格的一个示例；和
图11：示出了显示总的土壤类型预测的用户界面的一个示例。
具体实施方式
在整个该文件中，除非有相反的另外指示，否则术语“包括”、“由……组成”、“具有”等应被解释为非穷举性的，或者换句话说，被解释为意味着“包括，但不限于”。
此外，在整个说明书中，除非上下文另外要求，否则词语“包括”或例如“包括”或“包含”之类的变体将被理解为暗示包括所陈述的整数或整数组，但不排除任何其它整数或整数组。
在整个说明书中，术语“土壤”是指可以进行建筑活动的一层或多层土。一层或多层土壤可以包括有机残留物、粘土、淤泥、沙子和岩石颗粒的混合物。在本公开的上下文中，术语“土壤”至少包括例如好土和软粘土的土壤类型。术语“土壤体”是指从现场挖出并被运输到进行分类的位置的土壤。可以理解，土壤可适合用于土地开垦。土壤体还可包含“外来材料”，其被定义为最初并非源自母体土壤或岩层，而是通过人类活动有意或无意地添加的材料。此类材料可能包括木块、岩石块以及来自建筑活动或其它的混凝土碎片。
在整个说明书中，术语“好土(Good Earth)”是指可压实以形成稳定填充物的土壤类型。它通常包含这样的土壤，该土壤包含至少65％重量的大于63微米(μm)的尺寸的粗颗粒(砾石和沙子)且具有的含湿量小于40％。术语“软粘土(Soft Clay)”是指细粒的土壤类型，其包括至少35％重量的小于63μm的细颗粒；或含湿量大于40％的土壤类型，或两者兼有。软粘土在剪切强度上通常弱，更高的可压缩性，并且具有低的穿透性。软粘土可能包括粘性土(cohesive soils)和海洋黏土(marine clay)。
在整个说明书中，应当理解，术语“处理器”及其复数形式包括能够处理一个或多个输入电子信号以产生一个或多个输出电子信号的微控制器、微处理器、例如专用集成电路芯片(ASIC)的可编程集成电路芯片、计算机服务器、电子设备和/或其组合。该处理器包括一个或多个输入模块和一个或多个输出模块，用于处理电子信号。
在整个说明书中，应当理解，术语“服务器”及其复数形式可以包括本地、分布式服务器以及本地和分布式服务器两者的组合。
在整个说明书中，应当理解，术语“一个信道”或者“多个信道”包括有线或无线电子通信信道。无线电子通信信道可以包括但不限于Wi-Fi、蓝牙、蓝牙LE、GPRS(通用分组无线服务)、增强型数据GSM演进(EDGE)等。
除非另有定义，否则本文使用的所有技术和科学术语具有的含义与本文主题所属的领域的技术人员通常理解的含义相同。
根据本公开的一个方面，存在一种用于土壤类型的识别和分类的设备。该设备包括图像获取模块和至少一个光源。至少一个光源可以安装在面板上。该设备包括：一个或多个土壤参数测量装置，用于测量与土壤类型相关的一个或多个参数；以及一个或多个驱动装置，其可操作以使图像获取模块和/或土壤参数测量装置沿着至少一个轴线向土壤体移动并能够刺穿进入土壤体内。整个或部分机构也可以在水平面中移动到另一个位置，然后将该装置沿轴线移向土壤体并刺穿进入土壤体内。
参照图3，存在一种设备10，用于将土壤体30识别和分类为两种或更多种土壤类型。设备10特别适合于部署在土地开垦临时场地处，在这里土壤和其它设备在开垦前被准备和/或组装。可以通过卡车或其它车辆将土壤体30运输到土地开垦临时场地上。
在一些实施例中，设备10包括图像获取模块12以及两个土壤参数测量装置14和14a。设备10还可以包括圆锥刺穿装置形式的附加土壤参数装置14b。该圆锥刺穿装置14b可以通过逐渐被推动穿过土壤体30来确定土壤的类型。可以基于用于CPT(静力触探试验/圆锥刺穿测试-Cone Penetration Test)的既定原理，通过测量套筒的顶端阻力和轴摩擦力来确定土壤特性。图像获取模块12可包括图像获取装置18和用于照亮一个或多个装满土壤体30的货车荷载(truckload)的光源20。光源20可以是具有多个LED灯的发光二极管(LED)面板22a的形式，用于在获取土壤体30的一个或多个图像之前照亮土壤体30。在一些实施例中，图像获取模块12、土壤参数测量装置14，14a可以安装在框架上。
图像获取装置18可以是摄像机或摄像机。图像获取模块12还可以包括距离传感器24，该距离传感器24定位在图像获取装置18附近，用于检测距土壤体30的用于图像获取的最佳距离。
在一些实施例中，至少一个光源20可以是色温在3000K和4000K之间的白光源。白光源可以包括多个LED泛光灯。在一些实施例中，包括在80和150个之间的泛光灯。在一些实施例中，有124个LED泛光灯。
在一些实施例中，距离传感器是激光距离传感器24。距离传感器24可操作以检测距土壤体30的在0.5米(m)至1.2m之间的距离，以适应运输土壤体30的不同车辆。距离传感器可以包括控制器，该控制器可操作以接收和/或发送控制信号，用于检测与土壤体30的ROI的接近度。
图像获取模块12可以经由诸如DC马达之类的驱动装置朝向土壤体30移动，以获取土壤体30的图像。如图4a中所示，图像获取模块12被配置和布置成在一致的照度下获取(土壤体的)土壤表面的图像。土壤表面的所需关注区域(ROI)可由用户预先确定，并且包含在机构中的确切设备将相应地被选择或调整。图像获取模块12可以包括驱动马达13(通过延伸机构17)，该驱动马达13操作以使摄像机18朝向土壤体30移动。延伸机构17包括螺杆19和导轨，以促进摄像机18朝向土壤体30延伸，用于获取一个或多个图像。摄像机18可以安装在框架26上。
由图像获取装置18获取的每个图像优选地具有每英寸96点(dpi)的水平和垂直分辨率，并且包括宽度为2592像素和高度为2048像素的最小尺寸。
在一些实施例中，图像获取装置18可以是工业级摄相机18。在一些实施例中，图像获取模块12可以包括用于由一个或多个用户进行预设的可编程模块。可编程模块可以基于已知程序，例如LabViewTM或MatLabTM。
所述至少一个光源20可以包括控制器模块，该控制器模块布置成与处理器(未示出)信号通信以接收控制信号，以打开/关闭光源20或调节光源20的光强度。通常，光源20以这样的方式布置，例如用于在感兴趣区域(例如土壤体30的表面)上提供相对恒定的照明。
在一些实施例中，如图4b所示的土壤参数测量装置14包括土壤电阻率测量装置40。土壤电阻率测量装置40包括多个探头42、44，所述多个探头42、44包括用于将电流发送到土壤中的第一组两个探头42以及用于检测电压的第二组的两个探头44。应当理解，为了进行测量，第一组探头42和第二组探头44被插入土壤体30中。
在一些实施例中，土壤含水量测量装置14a包括多个探头45。这些探头45为一组TDR(时域反射计)探头的形式，其被附接到支撑框架。在一些实施例中，该框架可以是支撑装置40的阻抗率探头42、44的同一框架。应当理解，为了进行测量，TDR探头40a被插入土壤体30中，如图4c所示。
在一些实施例中，可以增加附加的土壤参数测量装置。图4d示出了呈圆锥刺穿装置的形式的另一土壤参数测量装置14b，其可以被刺穿到土壤体30中。圆锥刺穿装置14b包括轴15和位于轴15的自由端部处的圆锥顶端16。圆锥刺穿装置14b能够测量圆锥顶端16处的顶端阻力，以及测量沿着紧接在圆锥顶端16上方的小的仪器化的套筒部分22的摩擦。应当理解，为了进行测量，圆锥刺穿装置14b被插入土壤体30中。
总之，在一些实施例中，设备10配备有图像获取模块12、一个土壤参数测量装置(阻抗率)14、另一土壤参数测量装置(含水量)14a以及附加的土壤参数测量装置(圆锥刺穿装置)14b，其以图4e所示的方式布置。
在一些实施例中，土壤阻抗率探头42，44以Wenner的阵列配置(Wenner’s arrayconfiguration)布置，其中四个电极成直线布置并且以相等的间隔分开。第一组两个探头42是外部的两个电极(标记为“A”和“B”)，其允许电流通过(也称为源电极)。第二组两个探头44是内部的两个电极(标记为“M”和“N”)，其允许测量跨过电极“M”和“N”(也称为接收器电极)的电势。当将两个电极植入土壤体30中时，将直流电(DC)提供给电极“A”和“B”，并测量两个电极“M”和“N”之间的电势差。在图4b所示的实施例中，源电极可以是电流电极，而接收器电极可以是电压电极。可以理解的是，附加地或替代地，可以使用其它类型的阵列来计算/推导土壤的电阻率。例如，可以使用斯伦贝谢阵列(Schlumberger array)，偶极子-偶极子阵列或上述的组合。
电流I和电压V可以用土壤体30的视电阻率ρA来数学表示，其使用以下表达式计算：
Figure BDA0003092364860000111
其中
ρA是视电阻率(Ωm)
a是电极之间的距离(m)
V是电势差(电压)(V)
I是电流(A)
应当理解，可以根据所需的土壤体积、深度以及从机构到土壤表面的距离来选择或调节要包括在机构中的确切设备。
在一些实施例中，含水量测量装置40a包括三个TDR探头45和微处理器，该微处理器从沿着探头45传送的电磁脉冲的传播时间得出含水量。微处理器中的算法从数字化波形中获取入射和反射的波-时间纵坐标，并使用电磁波等式计算土壤的介电常数或介电特性：
Figure BDA0003092364860000112
其中
Figure BDA0003092364860000113
是渗透性为μ且介电常数为ε的介质中的光速(m/s)
Figure BDA0003092364860000114
是拉普拉斯算子(1/m2)
E是电场(V/m)
然后根据介电混合模型计算土壤的含水量。
除了第一和第二组源电极42和接收器电极44之外，土壤电阻率测量装置14还包括以下部件：致动器46和万用表52。
致动器46布置成使探头42、44(统称为“电阻率探头”)能够从较高位置(其可以是起始位置)向下移动，并随后推动测量杆(其可以是金属杆，金属杆能够导电)进入土壤体30的表面内。致动器46可以包括马达驱动装置，以使探头42,44朝向或远离土壤体30移动，并且将探头42,44刺穿到土壤体30中。包括导轨装置(未示出)(也称为防护轨)，以沿着期望的或预定的方向(例如，向上或者向下)引导致动器46和电阻率探头42,44。
电阻率探头42,44可以被安装到安装框架50上。安装框架50可以是能够将土壤电阻率测量装置40附接到其上的坚固的平台。
万用表52可以附接到电阻率探头42，44，用于(当被插入土壤体30中时)测量土壤体30的电阻率。
在一些实施例中，电极的形状和尺寸可以设置为具有20毫米(mm)的直径和100mm的长度。电极的尺寸可以变化，以覆盖更大的土壤深度。电极可以包括钢或不锈钢棒，以防止或最小化氧化。
在一些实施例中，每个阻抗探头42，44与其相邻探头之间的间隔为约200mm。通常，应当理解，每个探头与其相邻探头之间的距离越近，距离用于计算视电阻率的土壤体的表面的土壤层的厚度越小。200mm的探头间隔合理地足以检查感兴趣的土壤深度的视电阻率(the apparent electrical resistivity)。
在一些实施例中，每个阻抗率探头42，44与其相邻探头之间的间隔可以在整个长度上变化(从200mm到500mm)。每个探头之间的间隔可以变化，以检查不同深度处的视电阻率。
在一些实施例中，阻抗率探头42，44可以在各种深度处刺穿到土壤体30中。
用于土壤阻抗率探头42,44的致动器组46可以如下成形、定尺寸和配置。行程长度为1米(m)至2m；推力(插入土壤体中)在1千牛顿(kN)至30kN的范围内；具有的移动速度在1m/min至5m/min的范围内。
在一些实施例中，致动器46可以由软件部件编程和控制，例如被布置成与处理器/控制器信号通信，以使致动器以期望的速度朝向或远离土壤体30移动。在一些实施例中，致动器46可以包括三种“停止”模式，其被配置为在以下任一条件下停止致动器的操作：(i.)最大力(由用户预先设定)；(ii.)行程长度(由用户预先设定)；(iii.)紧急停止。
在一些实施例中，万用表52被配置为监视和测量探头42,44中的电流和电压。测得的电压和电流值可以被数据记录并保存在用户预定义的指定文件夹中。应当理解，测量和数据存储的持续时间可以保持在20秒内。
在一些实施例中，含水量测量装置14a可以与阻抗率测量装置14安装在同一框架上，并且因此以如上所述的方式沿着一个轴移动。在一些其它实施例中，含水量测量装置14a可以由独立的致动器驱动，并且类似于如上所述的方式被编程和控制。
在一些实施例中，可以使用附加的土壤参数测量装置，圆锥刺穿装置14b，用于通过测量圆锥顶端阻力qc(MPa)和套筒摩擦力Fs(MPa)来确定土壤参数，以可得出摩擦比(FR％)。该土壤参数也可以用于土壤分类。
Figure BDA0003092364860000131
图像获取模块12、土壤参数测量装置14、14a和14b可以通过用户界面来操作。用户界面可以包括如图5所示的图形用户界面(GUI)。在GUI中，可以将“激活(Activate)”按钮编程为一齐地、同时或顺序地激活图像获取模块12、土壤参数测量装置14、14a和14b。
一旦激活，至少一个光源20被激活或打开，并且基于来自激光距离传感器24的反馈将摄像机18降低到用户预先定义的距离。同时，电极42,44下降到土壤体30中，并且电流被传输到土壤体30中。一旦摄像机18和万用表52获取了所需的数据，摄像机18和电极42,44就可以自动撤回其闲置或开始位置。
含水量探头45也可以与土壤阻抗率探头42,44同时降低，并且沿着TDR探头45传送电磁脉冲。一旦摄像机18和万用表52获取了所需的数据，摄像机18以及阻抗率探头42,44和含水量探头45就可以自动地撤回其闲置或开始位置。
圆锥刺穿装置14b也可以降低，然后通过独立的致动器21刺穿进入土壤体30中，该独立的致动器21单独连接到该圆锥装置。该刺穿将以预先选择的推动速度进行。可以测量圆锥顶端阻力qc和套筒摩擦力Fs，并通过数据电缆将其记录到数据记录器(data logger)上。
应当理解，也可以通过GUI上的“手动控制(Manual Control)”按钮来手动操作图像获取模块12和关于阻抗率的土壤参数测量装置14，含水量测量装置14a和圆锥刺穿装置14b。
根据另一方面，存在一种用于土壤类型的识别和分类的系统。该系统可以包括具有输入和输出模块以接收和发送数据的处理器或计算机服务器。处理器可以被布置为与图像获取模块12以及土壤参数测量装置14、14a和14b数据或信号通信，用于从图像获取模块12接收图像并且从土壤参数测量装置14、14a和14b接收土壤参数数据。应当理解，可以直接或间接地(经由一个或多个接口)从相应的图像获取模块12和土壤参数测量装置14、14a和14b接收图像。如图5所示的GUI可以被用于向处理器发送控制信号，该处理器又被用于致动图像获取模块12和/或土壤参数测量装置14、14a和14b。可以经由有线或无线电子通信信道来实现数据或信号通信。
如图6所示，处理器60可以包括物理或逻辑模块以执行各种功能。在图6所示的示出实施例中，处理器60包括数据获取模块62、数据分析模块64和决策模块66。用户可以经由GUI 68访问一个或多个模块以执行不同的功能。GUI 68可以是与图5所示相同的GUI 68，或者可以是单独的GUI。
数据获取模块62可操作来从设备10，特别是从图像获取模块12获取图像数据以及从土壤参数测量装置14、14a和14b获取土壤参数数据。图像数据可以是由图像获取模块12获取的一个或多个图像的形式，其是一种或多种可接受的数据格式，例如，JPEG，BMP和RAW文件格式。土壤参数数据可以包括电阻率、电压和电流数据、含水量和圆锥阻力。一旦获得了土壤参数数据，它将被发送到数据分析模块64，在此数据将被分析，用于由决策模块66进行分类。分类结果可以被发送到GUI 68以进行显示。GUI 68可以用于访问来自模块62、64和66的信息以显示给用户。
在一些实施例中，一旦用户激活设备10，激光距离传感器24就检测图像获取模块12(例如，摄像机)到土壤体30的表面的距离。基于来自激光距离传感器24的反馈，自动降低摄像机12，以准备在土壤表面上方预定距离处获取一个或多个图像。当摄像机18处于适当位置时，至少一个光源20被自动触发，并且随后获取感兴趣区域的预定分辨率的图像，例如24位图像。
在一些实施例中，所获取的图像的文件可以被自动命名，然后以一种或多种可接受的文件格式被系统地存储到处理器硬盘驱动装置中的指定文件夹中。
在一些实施例中，一旦用户激活，致动器降低阻抗率探头42,44和含水量探头45，并将阻抗率探头42,44和含水量探头45推入土壤体30中。阻抗率探头42,44和含水量探头45可以包括力/压力传感器，使得当检测到预定力(即最大可允许力)推抵阻抗率探头42,44时，或者当致动器已经延伸到其最大行程长度时，电流和电压测量会在1-5秒后自动启动(确切的延迟时间由用户预先确定)。预先确定的延迟时间是用于在进行任何测量之前建立完整的电路。
在一些实施例中，可以以1-3秒的间隔(由用户预设)进行五(5)次连续的电流和电压测量。测量值被数据记录并保存到用户预先定义的文件名的指定文件夹中。
在一些实施例中，一旦用户激活，致动器就降低圆锥刺穿装置14b，该圆锥刺穿装置14b将被推动以进一步刺穿到土壤体30中。将设置最大圆锥顶端阻力，并且将预先设置将圆锥刺穿装置14b推入土壤内的最大土壤深度。圆锥刺穿装置14b将以预定的推动速率被推入土壤体中，并且在每个固定的时间间隔(例如，每0.1秒)测量顶端阻力和轴摩擦力。当在预设的最大深度之前达到最大顶端阻力时，这表明遇到了某种硬质的“外来材料”。当遇到这种情况时，或者当致动器已经延伸到其最大行程长度时，圆锥刺穿装置14b就缩回到其原始位置。
在已经从数据获取模块62接收到土壤体30的至少一个图像和/或土壤参数测量值(一个或多个)之后，数据分析模块64进行操作以分析数据。
在一些实施例中，由数据分析模块64根据以下图像处理方法70(参见图7)来处理所获取的一个或多个图像，如在以下步骤中所例示的。
步骤s72：从每个图像中提取RGB值。数据分析模块64提取所获取的图像的RGB(红色，绿色，蓝色)值，并将其存储在配置成与模块64数据通信的数据存储装置(其可以是数据库)中。
步骤s74：转换为灰度。使用等式2中表示的加权转换方法，该RGB图像被转换为特定分辨率的灰度图像，例如8位(8-bit)灰度图像：
8bit＝0.299*Red+0.587*Green+0.114*Blue
(2)
其中
Red是像素的红色值
Green是像素的绿色值
Blue是像素的蓝色值
从RGB图像转换为8位灰度后，然后可以根据自定义文件扩展名将处理后的8位灰度图像文件存储到处理器的硬盘驱动装置中。
步骤s76：计算相关矩阵。二阶统计纹理方法，灰度共生矩阵(GCLM)假定可以通过对图像中像素亮度值或灰度级的不同组合的出现频率进行制表来表征纹理信息。矩阵采用二阶联合条件概率密度函数P(i，j)d，θ的形式。考虑一对像素(x1，y1)和(x2，y2)，分别具有灰度级i和j，它们可以在相对于水平轴的方向θ上相距d处找到(见图8)。P(i，j)d，θ是对于给定距离d和在从水平轴逆时针方向测量的方向θ同时出现灰度级i和灰度级j的概率。方向θ可以从八个可能的相邻方向之一中选择，但是0°和180°会导致等效的像素对；45°和225°，90°和270°以及135°和315°也是如此。因此，可以使用对应于＝0°，45°，90°和135°的θ的四个主值。如果需要，可以通过在所有四个方向上平均计数来获得空间不变的关系。参考像素与相邻像素之间的距离d也称为GLCM的位移或GLCM步长。此处，该距离在数学上由等式3定义。
d＝max(|x1-x2|，|y1-y2|) (3)
其中
d是参考像素与相邻像素之间的距离
x1是参考像素的x坐标
y1是参考像素的y坐标
x2是相邻像素的x坐标
y2是相邻像素的y坐标
然后通过对指定的d和θ计数具有灰度级i和j的像素对的数量来构造共生矩阵p(i，j)。如果图像具有g灰度级，则GLCM可以写为带g2要素的g×g矩阵。在这项研究中，使用具有0-255灰度级的灰度图像。计算的GLCM的尺寸为256×256＝65,536。然后将矩阵归一化：
Figure BDA0003092364860000171
p(i，j)是归一化的共生矩阵
P(i，j)是用于给定d和θ的共生矩阵
用于距离d和方向θ的默认值可以是预定的或预设的。在一些实施例中，默认值分别是1和0°。可以在需要时更改这些值。
步骤s78：计算哈拉里克纹理特征(Haralick Texture Features)。从GLCM中，可以计算出十四(14)个哈拉里克纹理特征。在一些实施例中，使用五(5)个主要的哈拉里克纹理特征，并且基于如图9所示的方程式(也称为GLCM纹理特征)计算它们。纹理特征如下。
(i.)角二阶矩(Angular Second Moment-ASM)；
(ii.)对比度(CON)；
(iii.)相关性(COR)；
(iv.)熵(ENT)；和
(v.)逆差矩(Inverse Difference Moment-IDM)。
该五个Haralick纹理特征被布置为用于决策的输入，即被布置为决策模块66的输入。
除了图像处理方法70之外或作为图像处理方法70的替代，数据分析模块64可操作用于基于等式(1)来计算土壤视电阻率指标。由于土壤体不太可能是均匀的，因此与单个测量值相比，可以获得基于几次测量(在不同位置处或变化的深度处)获得的平均测量值，以获得更可靠的结果。
在已经计算和/或确定了图像数据和土壤视电阻率指标之后，决策模块66基于决策算法被用于发起土壤类型的分类。决策算法可以是概率决策算法或用户定义的决策算法。值得注意的是，可以利用各种决策算法。非限制性示例包括机器学习算法、自组织映射(self-organizing map)、基于专家规则的系统、模糊逻辑建模、进化算法和/或前述中的一个或多个的组合。值得注意的是，可以将决策算法组合在一起并按顺序或并行执行。
在一些实施例中，机器学习算法可以包括人工神经网络(ANN)或卷积神经网络或其它形式的机器学习算法。用户定义的算法可以包括从等式(1)推导的土壤电阻率分析。
应当理解，可以使用各种分类和/或回归方法，基于有监督或无监督的学习模型来训练ANN模型。可以使用存储在一个或多个数据库中的土壤图像的样本来实现训练，该数据库可以被布置为与处理器60数据或信号通信(经由有线或无线信道)。土壤图像的样本(也称为训练样本)可以与已通过常规土壤测试确定的已知土壤特性一起存储。通常，样本越多，结果越可靠。然而，超越一定的样本尺寸，可注意到结果的准确性或可靠性没有显著提高，并且可能存在过度训练的可能性。
利用从步骤s78获得的Haralick纹理特征作为决策模块66的输入，训练后的ANN模型针对土壤体计算“好土”和“软粘土”的概率值。在某些实施例中，概率模型可以根据以下列出的规则形成：-
(a.)如果由于硬件问题(例如，未获取图像，相机阻滞等)而没有输入，则ANN结果为No Input(无输入)
(b.)如果“好土(Good Earth)”的概率显著高于“软粘土(Soft Clay)”的概率，则ANN结果为“Good Earth(好土)”
(c.)如果“软粘土(Soft Clay)”的概率显著高于“好土(Good Earth)”的概率，则ANN结果为“Soft Clay(软粘土)”
(d.)如果没有明显更高的概率，则ANN结果为Indistinctive(不明显)
显著高于的定义可以由用户预先确定。在一些实施例中，概率的差可以大于0.2与0.5之间的值，用于被认定为“显著高于”。
补充或替代ANN模型，更大深度处的土壤体的视电阻率、含水量和/或土壤剖面可以用作决策模块66的输入。如果土壤体的视电阻率落入“Good Earth(好土)”的范围内，则将土壤体分类为“Good Earth(好土)”；并且，对于“软粘土(Soft Clay)”也是同样的。此外，如果土壤体的含水量落入“Good Earth(好土)”的范围内，则将土壤体分类为“Good Earth(好土)”；并且对于“软粘土(Soft Clay)”也是同样的。此外，如果圆锥阻力加上套筒摩擦力加上土壤体的摩擦比落入“Good Earth(好土)”的范围内，则土壤体将被分类为“GoodEarth(好土)”；并且，对于“软粘土(Soft Clay)”也是同样的。在某些实施例中，可以根据以下列出的规则来形成用户定义的模型：-
(a1)如果由于土壤阻抗率装置40的硬件问题而没有输入(例如，没有测量阻抗率，没有产生电流等)，则电阻率(Electrical Resistivity Result)结果为No Input(无输入)
(a2)如果视电阻率落在“Good Earth(好土)”的范围内，则电阻率结果为“GoodEarth(好土)”
(a3)如果视电阻率落在“软粘土(Soft Clay)”的范围内，则电阻率结果为“SoftClay(软粘土)”
(a4)如果视电阻率恰好落在“Good Earth(好土)”和“软粘土(Soft Clay)”范围之间，则电阻率结果为Indistinctive(不明显)。
(b1)如果由于含水量装置40a的硬件问题而没有输入(例如，没有测量值等)，则“Water Content Result(含水量结果)”为No Input(无输入)
(b2)如果含水量值在“Good Earth(好土)”的范围内，则“Water Content Result(含水量结果)”为“Good Earth(好土)”
(b3)如果含水量值落在“软粘土(Soft Clay)”范围内，则“Water Content Result(含水量结果)”为“Soft Clay(软粘土)”
(b4)如果含水量恰好在“Good Earth(好土)”和“软粘土(Soft Clay)”之间，则“Water Content Result(含水量结果)”为“Indistinctive(不明显)”
(c1)如果由于圆锥刺穿装置14a的硬件问题而没有输入(例如，没有qc和/或Fs等的测量值等)，则“Cone Penetration Result(圆锥刺穿结果)”为No Input(无输入)
(c2)如果圆锥刺穿结果落在“Good Earth(好土)”的范围内，则“ConePenetration Result(圆锥刺穿结果)”为“Good Earth(好土)”
(c3)(c2)如果圆锥刺穿结果落在“软粘土(Soft Clay)”的范围内，则“ConePenetration Result(圆锥刺穿结果)”为“Soft Clay(软粘土)”
(c4)如果圆锥刺穿结果恰好落在“Good Earth(好土)”和“软粘土(Soft Clay)”范围之间，则“Cone Penetration Result(圆锥刺穿结果)”为“Indistinctive(不明显)”
可以在插入含水量和圆锥刺穿装置的土壤的各个深度处做出上述决定
如果视电阻率和/或圆锥刺穿结果超出了“Good Earth(好土)”的范围的上限，则可能显示出以下附加提示：“检测到的视电阻率/圆锥阻力极高。土壤中可能存在外来材料(Extremely high values of apparent electrical resistivity/cone resistancedetected.Possible foreign material may be present in the soil)。”
电阻率的范围可以由用户预先确定。在一些实施例中，在0和预定数量之间的范围可以被认为是Soft Clay(软粘土)，并且超出该预定数量之外的范围可以被认为是GoodEarth(好土)。对于某些类型的土壤，该预定数量可以在20欧姆-米(Ωm)至100Ωm之间。
含水量极限的范围可以由用户预先确定。在一些实施例中，在70％至200％之间的范围可以被认为是Soft Clay(软粘土)，并且在20％至70％之间的含水量的范围可以被认为是Good Earth(好土)。
同样，可以根据公认的CPT的用于土壤调查工作的图表(例如，Schmertmann 1990，Robertson 1996)，设置用于“软粘土”与“好土”的圆锥顶端阻力和套筒摩擦力及摩擦比的范围。但是，需要进行一些修改才能完善。
在一些实施例中，用于土壤体30的分类的最终决策矩阵可以如图10所示，可以根据以下决策规则库基于从ANN模型获得的结果和/或从电阻率结果、含水量关系和圆锥阻力获得的结果：
(a.)如果两个输入相同，
(i)如果两者都是无输入(No Input)，则最终输出为无输入(No Input)
(ii)如果两者都是“Good Earth(好土)”(GE)，则最终输出为GE
(iii)如果两者都是“Soft Clay(软粘土)”(SC)，则最终输出为SC
(iv)如果两者都是Indistinctive(不明显)，则最终输出为Mixture(混合物)(即，土壤体是大约相同比例的好土和软粘土的混合物)
(b.)如果两个输入是矛盾的(即，一个是“Good Earth(好土)”，一个是“Soft Clay(软粘土)”)，则最终输出是Requires User’s Discretion(需要用户的决定)(即，需要岩土工程判断)
(c.)如果其中一个输入具有No Input(无输入)，
(i.)如果另一输入是“Good Earth(好土)”或“Soft Clay(软粘土)”或Indistinctive(不明显)，则最终输出分别为GE(仅<另一输入>)或SC(仅<另一输入>)或Indistinctive(仅<另一输入>)
(d.)如果其中一个输入具有Indistinctive(不明显)，
(i.)并且另一输入是“Good Earth(好土)”或“Soft Clay(软粘土)”，则最终输出分别是GE(仅<另一输入>)或SC(仅<另一输入>)
总体土壤分类。当处理器60已经分析了数据时，将通过GUI 68弹出图形控制元件(例如，俗称的窗口)(图11)，以推断总体土壤类型，这表示土壤分类过程的结束。根据决策框架，有几种可能的分类结果，如图10所示(待更新)。
应当理解，图10的方法可以以其上包含可执行软件指令的非暂时性计算机可读介质的形式来实现，其中，当执行这些指令时，执行对土壤体进行识别和分类的方法，包括：对土壤体进行分类的步骤；其中分类步骤包括将土壤体分类为至少两种土壤类型之一。
在一些实施例中，对土壤类型进行分类的方法包括以下步骤：-(a.)将图像获取模块和土壤参数测量装置移向土壤体；(b.)获取土壤体的图像；(c.)在较浅的深度和/或较深的深度处测量土壤体的土壤参数(阻抗率/含水量和圆锥阻力)；(d.)将图像和参数测量值发送给处理器；(e.)进行数据分析；(f.)由处理器根据数据分析对土壤体进行分类；其中分类步骤包括将土壤体分类为至少两种土壤类型之一。具有深度的土壤类型剖面将显示在屏幕上。该方法可以在处理器上实现以控制设备10。
本领域技术人员应当理解，以上发明不限于所描述的实施例。特别地，各种实施例可以应用于其它土壤类型的分类或与诸如污泥废物的其它材料混合的土壤的分类。应当注意，可以在不脱离本发明范围的情况下进行修改和改进。
本领域技术人员应进一步认识到，可以将相互不排斥的上述修改或改进中的一个或多个进一步组合以形成本发明的进一步的其它实施例。

Claims (30)

1.一种用于土壤体的分类的设备，包括
图像获取模块，其具有至少一个光源；
一个或多个土壤参数测量装置，用于测量与土壤类型相关的一个或多个土壤参数，所述土壤参数包括土壤阻抗率、土壤含水量和/或土壤剖面；以及
一个或多个驱动装置，其可操作以移动所述图像获取模块和一个或多个土壤参数测量装置，使得所述一个或多个土壤测量装置刺穿所述土壤体。
2.根据权利要求1所述的设备，其特征在于，所述图像获取模块包括摄像机和距离传感器。
3.根据权利要求1或2所述的设备，其特征在于，所述至少一个光源是色温在3000K至4000K之间的白光源。
4.根据权利要求3所述的设备，其特征在于，所述白光源包括多个LED泛光灯。
5.根据权利要求4所述的设备，其特征在于，包括124个LED泛光灯。
6.根据权利要求2所述的设备，其特征在于，所述距离传感器是激光距离传感器。
7.根据权利要求6所述的设备，其特征在于，所述距离传感器可操作以检测在0.5米(m)至1.2m之间的距离。
8.根据任一前述权利要求所述的设备，其特征在于，还包括数据分析模块，其被布置为与所述图像获取模块数据通信，所述数据分析模块可操作以提取所获取的图像的RGB(红色，绿色，蓝色)值，将所述图像转换为特定分辨率的灰度图像，使用统计纹理方法分析所述灰度图像，并根据灰度图像和测得的一个或多个土壤参数将土壤体分类为至少两种土壤类型中的一种。
9.根据权利要求8所述的设备，其特征在于，基于以下数学表达式，将所获取的图像转换为8位灰度图像：-
8bit＝0.299*Red+0.587*Green+0.114*Blue
其中
Red是像素的红色值
Green是像素的绿色值
Blue是像素的蓝色值。
10.根据权利要求9所述的设备，其特征在于，所述统计纹理方法是灰度共生矩阵(GCLM)。
11.根据任一前述权利要求所述的设备，其特征在于，所述土壤参数测量装置是具有多个阻抗率探头的土壤电阻率传感器，用于测量土壤阻抗率。
12.根据权利要求11所述的设备，其特征在于，所述多个阻抗率探头包括第一组两个阻抗率探头和第二组两个阻抗率探头，所述第一组两个阻抗率探头用于向土壤体中发送电流，所述第二组两个阻抗率探头用于测量在所述第二组两个阻抗率探头之间的电势。
13.根据权利要求12所述的设备，其特征在于，所述阻抗率探头的间隔和刺穿深度是可变的。
14.根据任一前述权利要求所述的设备，其特征在于，所述土壤参数测量装置包括含水量测量装置，用于测量土壤含水量。
15.根据权利要求14所述的设备，其特征在于，所述含水量测量装置是时域反射器(TDR)，所述时域反射器包括一组TDR探头，用于在其之间传送电磁脉冲。
16.根据权利要求15所述的设备，其特征在于，所述TDR探头的刺穿深度是可变的。
17.根据任一前述权利要求所述的设备，其特征在于，所述土壤参数测量装置是圆锥刺穿装置，用于通过刺穿土壤体进入各种深度来确定土壤剖面。
18.根据权利要求17所述的设备，其特征在于，所述圆锥刺穿装置包括轴、连接至所述轴的面向下的圆锥以及在圆锥上方安装在所述轴上的仪表化的摩擦套筒，其中，所述圆锥测量圆锥顶端阻力，并且所述摩擦套筒测量施加到其上的摩擦力。
19.一种用于土壤体的分类的系统，包括
图像获取模块，用于获取土壤体的至少一个图像；
土壤参数测量模块，用于测量土壤体的参数，土壤参数包括土壤阻抗率、土壤含水量和/或土壤剖面；以及
处理器，可操作用于接收至少一个图像和一个或多个土壤体测量值；
其中，所述处理器包括分类模块，其可操作用于将土壤体分类为至少两种土壤类型中的一种。
20.根据权利要求19所述的系统，其特征在于，所述分类模块包括：第一模块，其基于机器学习算法对土壤体进行分类；以及第二模块，其基于土壤参数测量值对土壤体进行分类。
21.根据权利要求20所述的系统，其特征在于，所述机器学习算法基于人工神经网络或卷积神经网络或其它其它类型的神经网络。
22.根据权利要求19至21中的任一项所述的系统，其特征在于，所述至少两种土壤类型包括好土和软粘土。
23.根据权利要求19至22中的任一项所述的系统，其特征在于，所述土壤体的分类基于所述一个或多个土壤参数测量值以及所述机器学习算法。
24.根据权利要求18至22中的任一项所述的系统，其特征在于，所述土壤参数测量模块包括含水量测量装置、土壤阻抗率传感器和/或能被刺穿到所述土壤体中的圆锥刺穿装置。
25.根据权利要求18至23中的任一项所述的系统，其特征在于，所述处理器是可操作的，用于从所述至少一个图像中提取RGB值；将所述至少一个图像转换为特定分辨率的灰度图像；以及，使用统计纹理方法分析所述灰度图像，所述处理器还包括分类模块，其可操作用于基于灰度图像和测得的土壤参数将土壤体分类为至少两种土壤类型中的一种。
26.根据权利要求24所述的系统，其特征在于，基于以下数学表达式，将所述至少一个图像转换为8位灰度图像：-
8bit＝0.299*Red+0.587*Green+0.114*Blue
其中
Red是像素的红色值
Green是像素的绿色值
Blue是像素的蓝色值。
27.根据权利要求24或25所述的系统，其特征在于，所述统计纹理方法是灰度共生矩阵(GCLM)。
28.一种对土壤体进行分类的方法，包括以下步骤：-(a.)将图像获取模块和土壤参数测量装置移向土壤体；(b.)获得土壤体的图像；(c.)在土壤体的各个深度处测量土壤体的土壤参数，所述土壤参数包括土壤阻抗率、土壤含水量和/或土壤剖面；(d.)将图像和参数测量值发送到处理器；(e.)进行数据分析；(f.)由处理器对土壤体进行分类；其中分类步骤包括：将土壤体分类为至少两种土壤类型中的一种。
29.一种处理器，其具有用于接收第一组土壤图像和第二组土壤参数测量值的输入模块，其中所述处理器包括分类模块，其可操作以将土壤体分类为至少两种土壤类型中的一种。
30.一种非暂时性计算机可读介质，在其上包含可执行软件指令，其中，当执行软件指令时，执行识别和分类土壤体的方法，该方法包括以下步骤：-(a)将图像获取模块和土壤参数测量装置移向土壤体；(b.)获取土壤体的图像；(c.)在土壤体的各个深度处测量土壤体的土壤参数，所述土壤参数包括土壤阻抗率、土壤含水量和/或土壤剖面；(d.)将图像和参数测量值发送到处理器；以及(e.)由处理器对土壤体进行分类；其中分类步骤包括将土壤体分类为至少两种土壤类型中的一种。
CN202080006600.2A 2019-03-11 2020-03-09 用于土壤和土壤类型的分类的设备、系统和方法 Pending CN113167780A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
SG10201902144RA SG10201902144RA (en) 2019-03-11 2019-03-11 Apparatus, system and method for classification of soil and soil types
SG10201902144R 2019-03-11
PCT/SG2020/050117 WO2020185157A1 (en) 2019-03-11 2020-03-09 Apparatus, system and method for classification of soil and soil types

Publications (1)

Publication Number Publication Date
CN113167780A true CN113167780A (zh) 2021-07-23

Family

ID=72425929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080006600.2A Pending CN113167780A (zh) 2019-03-11 2020-03-09 用于土壤和土壤类型的分类的设备、系统和方法

Country Status (5)

Country Link
JP (1) JP7225502B2 (zh)
KR (1) KR102655527B1 (zh)
CN (1) CN113167780A (zh)
SG (2) SG10201902144RA (zh)
WO (1) WO2020185157A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114215035A (zh) * 2021-12-23 2022-03-22 同济大学 结合tdr技术的静力触探探头、检测系统和测量方法
WO2023240179A1 (en) * 2022-06-08 2023-12-14 S4 Mobile Laboratories, LLC Method and apparatus for mapping distribution of chemical compounds in soil

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112577999A (zh) * 2020-12-14 2021-03-30 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) 一种海水入侵与土壤盐渍化一体化实时监测评价系统
CN112816663B (zh) * 2021-02-02 2023-01-10 陆相荣 防洪工程的黄河堤坝土质含水量监测方法及装置
CA3129016A1 (en) * 2021-04-07 2022-10-07 Queen's University At Kingston Automatic classification of excavation materials
CN113884540A (zh) * 2021-06-21 2022-01-04 中国水利水电科学研究院 一种胶结砂砾砂料含泥量的快速检测装置及检测方法
CN117074403B (zh) * 2023-08-17 2024-05-28 宁夏大学 一种土壤水分盐分信息自动化提取装置
CN117890394A (zh) * 2024-03-14 2024-04-16 中铁七局集团第三工程有限公司 盾构刀盘结泥饼探测装置及探测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6937939B1 (en) * 1999-07-08 2005-08-30 Tokyo University Of Agriculture And Technology Tlo Co., Ltd. Soil measuring instrument, soil measurement assisting device and method, recorded medium on which a program is recorded, recorded medium on which data is recorded, application amount controller, application amount determining device, method for them, and farm working determination assisting system
JP2010047938A (ja) * 2008-08-20 2010-03-04 Kansai Electric Power Co Inc:The 地盤評価方法および地盤評価装置
CN202794042U (zh) * 2012-05-25 2013-03-13 浙江大学 一种利用全景环带摄影法快速预判土壤类型的装置
CN104200230A (zh) * 2014-09-11 2014-12-10 哈尔滨工业大学 一种基于小波变换和svm分类的土壤土质识别方法
CN107957516A (zh) * 2017-12-07 2018-04-24 浙江省化工工程地质勘察院 一种土壤电阻率的测量方法及装置
CN108548959A (zh) * 2018-02-09 2018-09-18 湖南省气象灾害防御技术中心（湖南省防雷中心） 一种土壤电阻率测量方法及分析土壤分层结构的方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS547948B2 (zh) * 1972-08-11 1979-04-11
JP3547948B2 (ja) 1997-08-26 2004-07-28 農工大ティー・エル・オー株式会社 土壌測定用ツール、土壌測定ロボット及びその他の関連装置と方法
JP3451535B2 (ja) * 1997-09-02 2003-09-29 オムロン株式会社 土壌の光学特性測定装置
US6570999B1 (en) * 1998-08-17 2003-05-27 Ag-Chem Equipment Co., Inc. Soil particle and soil analysis system
JP4627507B2 (ja) * 1999-07-08 2011-02-09 農工大ティー・エル・オー株式会社 散布量制御装置及び方法並びに散布量決定装置並びにシステム並びに記録媒体
US6317694B1 (en) * 2000-08-24 2001-11-13 The United States Of America As Represented By The Secretary Of The Navy Method and apparatus for selecting a sand pack mesh for a filter pack and a well casing slot size for a well
US6853937B2 (en) * 2001-07-06 2005-02-08 Tokyo University Of Agriculture And Technology Tlo Co., Ltd. Soil characteristics survey device and soil characteristics survey method
JP4333165B2 (ja) 2003-03-04 2009-09-16 トヨタ自動車株式会社 土壌状態判定方法
US9147110B2 (en) 2013-04-05 2015-09-29 Pioneer Hi-Bred International, Inc. Field and crop evaluation tool and methods of use
US20180292339A1 (en) 2014-11-14 2018-10-11 Pioneer Hi-Bred International, Inc. Systems and methods for high resolution plant root zone soil mapping and crop modeling
CN104634943B (zh) * 2015-01-22 2016-11-16 中国科学院东北地理与农业生态研究所 一种盐碱化土壤含盐量的在线测量方法
US9651468B2 (en) * 2015-02-20 2017-05-16 Halliburton Energy Services, Inc. Classifying particle size and shape distribution in drilling fluids
CN108805863B (zh) * 2018-05-02 2022-02-22 南京工程学院 深度卷积神经网络结合形态学检测图像变化的方法
JP7137801B2 (ja) 2018-09-06 2022-09-15 株式会社安藤・間 土壌改質判定装置、及び異物除去方法
CN109297963A (zh) * 2018-10-12 2019-02-01 湖南农业大学 土壤图像获取设备、土壤含水量检测系统以及检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6937939B1 (en) * 1999-07-08 2005-08-30 Tokyo University Of Agriculture And Technology Tlo Co., Ltd. Soil measuring instrument, soil measurement assisting device and method, recorded medium on which a program is recorded, recorded medium on which data is recorded, application amount controller, application amount determining device, method for them, and farm working determination assisting system
JP2010047938A (ja) * 2008-08-20 2010-03-04 Kansai Electric Power Co Inc:The 地盤評価方法および地盤評価装置
CN202794042U (zh) * 2012-05-25 2013-03-13 浙江大学 一种利用全景环带摄影法快速预判土壤类型的装置
CN104200230A (zh) * 2014-09-11 2014-12-10 哈尔滨工业大学 一种基于小波变换和svm分类的土壤土质识别方法
CN107957516A (zh) * 2017-12-07 2018-04-24 浙江省化工工程地质勘察院 一种土壤电阻率的测量方法及装置
CN108548959A (zh) * 2018-02-09 2018-09-18 湖南省气象灾害防御技术中心（湖南省防雷中心） 一种土壤电阻率测量方法及分析土壤分层结构的方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114215035A (zh) * 2021-12-23 2022-03-22 同济大学 结合tdr技术的静力触探探头、检测系统和测量方法
WO2023240179A1 (en) * 2022-06-08 2023-12-14 S4 Mobile Laboratories, LLC Method and apparatus for mapping distribution of chemical compounds in soil

Also Published As

Publication number Publication date
JP7225502B2 (ja) 2023-02-21
KR20210112301A (ko) 2021-09-14
WO2020185157A1 (en) 2020-09-17
SG10201902144RA (en) 2020-10-29
JP2022524673A (ja) 2022-05-10
SG11202104747VA (en) 2021-06-29
KR102655527B1 (ko) 2024-04-09

Similar Documents

Publication Publication Date Title
CN113167780A (zh) 用于土壤和土壤类型的分类的设备、系统和方法
Sankarasrinivasan et al. Health monitoring of civil structures with integrated UAV and image processing system
CN102509087B (zh) 一种基于图像灰度共生矩阵的煤岩识别方法
Hegazy et al. Objective site characterization using clustering of piezocone data
CN106284036B (zh) 基于探地雷达的公路路面压实度的评价方法
CN108828588A (zh) 一种用3d探地雷达评价道路技术状况的方法
EP2687867B1 (en) Merged Ground Penetrating Radar Display for Multiple Antennas
JP5243476B2 (ja) 空中電磁探査法による地盤の解析方法
Dorador et al. A novel application of digital image treatment by quantitative pixel analysis to trace fossil research in marine cores
CN109163696A (zh) 一种边、滑坡变形破坏模式的预测判别新方法及新装置
CN206740654U (zh) 一种全直径页岩样品的快速综合评价装置
KR102363235B1 (ko) 이미지분석을 이용한 구조물의 균열감지 모니터링 시스템
Olson et al. 3-D laser imaging of drill core for fracture detection and rock quality designation
Hausmann et al. Technique, analysis routines, and application of direct push-driven in situ color logging
Harraden et al. Proposed methodology for utilising automated core logging technology to extract geotechnical index parameters
CN107300562A (zh) 一种测量继电器成品触点间距的x射线无损检测方法
KR102326480B1 (ko) 시추코어 자료와 물리검층 자료를 이용하여 암상을 분류하는 암상 분류 시스템 및 이를 위한 데이터베이스 구축 장치 및 방법
US11532109B2 (en) Property based image modulation for formation visualization
AU2020250804A1 (en) Device and method for determining an elemental composition of ground
KR102119242B1 (ko) 무인비행체에 탑재된 초분광 센서를 활용한 포장상태지수 측정 시스템
DE102004027769B3 (de) Verfahren und Vorrichtung zur Untersuchung von Bohrkern-Proben
Crandall et al. Characterization of the Martinsburg Formation using Computed Tomography and Geophysical Logging Techniques
CA3185711A1 (en) Method and system for measuring volume of a drill core sample
JP5526807B2 (ja) 画像処理による岩の性状の判定方法
Kilic et al. Performance evaluation of the neural networks for moisture detection using GPR

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40053675

Country of ref document: HK