CN115931828A - 适应复杂土壤基体的成分分析与预测方法、单元及系统 - Google Patents

Abstract

本发明提供了一种适应复杂土壤基体的成分分析与预测方法、单元及系统，首先，获取待测土壤样本中待测元素与目标主量元素的光谱数据；其中，目标主量元素为根据预设条件预先选取的至少一种主量元素；将待测元素与目标主量元素的光谱数据输入到预先训练的预测模型中，得到待测元素含量的预测值。通过根据预先训练的预测模型实现对待测元素的预测，在预测时通过结合主量元素的含量进行自适应调整，从而减小基体效应的影响，能够有效避免的基体效应造成的预测误差，有效解决了针对复杂基底的土壤成分预测问题，从而实现对海量种类的土壤进行快速分析，有效检测土壤种属相关的海量土壤成分，提高土壤成分预测的准确度。

Description

适应复杂土壤基体的成分分析与预测方法、单元及系统

技术领域

本申请属于成分测试技术领域，尤其涉及一种适应复杂土壤基体的成分分析与预测方法、单元及系统。

背景技术

随着经济、科技、工业的飞速发展，可供使用的土壤资源日益紧张，土壤的污染极为严重，尤其是重金属污染，严重威胁土壤的生态安全。重金属通常指比重大于5或相对密度大于4.5×10³kg/m³的金属元素，土壤重金属元素主要包括铅、铜、汞、镉、锌、铬等。因此，需要快速测定土壤中的重金属元素含量，以有效对污染土壤采取相应的治理措施，从而提高农业生产的可持续性和安全性。目前土壤元素含量检测主要采用化学手段，具体包括石墨炉加热原子吸收光谱法、火焰加热原子吸收光谱法、原子荧光光谱法、电感耦合等离子体原子发光光谱法等。这些方法具有很高的检出率和灵敏度，但是通常需要在高温和高压环境下对样品进行酸化消解，该过程操作复杂、成本较高、检测周期长，不适合推广和普及。而激光诱导击穿光谱技术无需复杂的样品制备，可以快速、低成本地检测元素含量，极具应用前景。

目前通常利用激光诱导击穿光谱（Laser-Induced Breakdown Spectroscopy，LIBS）技术结合定标曲线法实现成分检测，但由于基体效应的存在，只有当待测样品和标准样品的基本元素组分完全一致时，得出的定标曲线才准确。并且定标曲线法适合实验室分析，在实际应用中使用定标曲线法时，如果不确定待测样品与已有定标曲线对应的样品基体完全匹配，则需要制作一组待测元素严格呈现梯度分布的标准样品，从而重新制作一条定标曲线，因此现有技术对土壤成分检测的效率低。

发明内容

有鉴于此，本发明提供了一种适应复杂土壤基体的成分分析与预测方法、单元及系统，旨在解决现有技术对土壤成分检测的效率低的问题。

本发明实施例的第一方面提供了一种适应复杂土壤基体的成分分析与预测方法，包括：

获取待测土壤样本中待测元素与目标主量元素的光谱数据；其中，目标主量元素为根据预设条件预先选取的至少一种主量元素；

将待测元素与目标主量元素的光谱数据输入到预先训练的预测模型中，得到待测元素含量的预测值。

本发明实施例的第二方面提供了一种适应复杂土壤基体的成分分析与预测装置，包括：

获取模块，用于获取待测土壤样本中待测元素与目标主量元素的光谱数据；其中，目标主量元素为根据预设条件预先选取的至少一种主量元素；

预测模块，用于将待测元素与目标主量元素的光谱数据输入到预先训练的预测模型中，得到待测元素含量的预测值。

本发明实施例的第三方面提供了一种处理单元，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上第一方面的适应复杂土壤基体的成分分析与预测方法的步骤。

本发明实施例的第四方面提供了一种土壤成分检测系统，包括激发单元、收集单元以及如上第三方面的处理单元。

本发明实施例的第五方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上第一方面的适应复杂土壤基体的成分分析与预测方法的步骤。

本发明实施例提供的适应复杂土壤基体的成分分析与预测方法、单元及系统，首先，获取待测土壤样本中待测元素与目标主量元素的光谱数据；其中，目标主量元素为根据预设条件预先选取的至少一种主量元素；将待测元素与目标主量元素的光谱数据输入到预先训练的预测模型中，得到待测元素含量的预测值。通过根据预先训练的预测模型实现对待测元素的预测，在预测时通过结合主量元素的含量进行自适应调整，从而减小基体效应的影响，能够有效避免的基体效应造成的预测误差，有效解决了针对复杂基底的土壤成分预测问题，从而实现对海量种类的土壤进行快速分析，有效检测土壤种属相关的海量土壤成分，提高土壤成分预测的准确度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的适应复杂土壤基体的成分分析与预测方法的应用场景图；

图2是本发明实施例提供的适应复杂土壤基体的成分分析与预测方法的实现流程图；

图3是本发明实施示例提供的适应复杂土壤基体的成分分析与预测方法的实现流程图；

图4是本发明实施例提供的适应复杂土壤基体的成分分析与预测装置的结构示意图；

图5是本发明实施例提供的处理单元的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

目前，最常用的基于LIBS的定量分析方法为定标曲线法，包括样品标准化处理、光谱数据获取、光谱数据预处理和模型构建四个部分，最终可以得到一条线性的定标曲线，此时如果能够确定待测元素对应的特征谱线的强度，就可以确定该元素的含量。

基体效应是指样品的物理性质和化学组成变化影响了待测元素的发射特性。物理基体效应是指样品的物理性质不同，如样品的颗粒大小、熔点、导热系数等，影响激光与样品的相互作用过程和样品的烧蚀质量；化学基体效应是指样品包含的化合物的形态和组成以及电离水平不同，影响待测元素的发射特性和谱线强度与元素含量的比例关系。由于基体效应的影响，LIBS系统探测到的某种元素的原子谱线的信号强度，不仅取决于该元素的含量，还与被测样品中的其他元素组成有关。因此，只有当待测样品和标准样品的基本元素组分完全一致时，得出的定标曲线才有意义。

本发明提供了一种适应复杂土壤基体的成分分析与预测方法，研究了线性回归和神经网络模型等智能技术下的预测母线在修正基体效应时的有效性，从而确定土壤主量元素含量差异对微量元素检测结果带来的误差，相对于传统的化学检测法和常规的光电方法绘制定标曲线的方式，本发明通过根据预先训练的预测模型实现对待测元素的预测，在预测时通过结合主量元素的含量进行自适应调整，从而减小基体效应的影响，能够有效避免基体效应造成的预测误差，提高土壤成分预测的准确度。

图1是本发明实施例提供的适应复杂土壤基体的成分分析与预测方法的应用场景图。本发明所提供的适应复杂土壤基体的成分分析与预测方法可以包括但不限于应用于该应用场景。在该发明实施例中，该土壤成分检测系统包括：激发单元11、收集单元12以及处理单元13。

其中，激发单元11包括LIBS激光器和透镜组，收集单元12可以包括相机和光谱仪，处理单元13可以是计算机、笔记本、便携检测终端等，在此不作限定。处理单元13用于控制激发单元11向待测土壤样本投射探测光，收集单元12用于采集待测土壤样本的光谱数据并发送给处理单元13。

该系统在空气环境中进行工作，使用前先将激光器进行约20分钟的预热，保证系统工作时处于稳定状态。可以使用Q调制的固体激光器，单脉冲能量为100mJ，波长为1064nm；光谱仪为两通道，光谱测量范围为230nm~450nm，光谱分辨率为0.1nm。待测土壤样本所在的样片只进行水平方向上的移动，保证实验条件一致。由于在激发过程中样片会损失部分土壤，某点处连续激发的光谱质量一般会逐渐变差，因此在每个样片表面均匀地选取20个点，每个点连续激发20张光谱，总共获得400张光谱。每张光谱由3890个数据点组成。

图2是本发明实施例提供的适应复杂土壤基体的成分分析与预测方法的实现流程图。如图2所示，在一些实施例中，适应复杂土壤基体的成分分析与预测方法，应用于图1中所示的处理单元13，该方法包括：

S210，获取待测土壤样本中待测元素与目标主量元素的光谱数据；其中，目标主量元素为根据预设条件预先选取的至少一种主量元素。

在本发明实施例中，所使用的土壤样本需要进行四个制备流程：稀释、烘干、球磨、压片。其中，稀释是为了方便向土壤中引入不同浓度含量的元素，烘干是为了提高实验效率，球磨让土壤中的元素分布均匀，通过压片机对土壤进行压片得到最终能够多次重复激发的样本。

在本发明实施例中，主量元素为待测土壤样本中含量大于预设比例的元素。例如，Si、Ti、Al、Fe、Mn、Mg、Ca、Na、K等，在此不作限定。根据预设条件选取可以是根据光谱强度与元素含量之间的相关性选取和/或根据加入不同含量的待测元素后光谱数据的相对标准偏差选取，在此不作限定。

S220，将待测元素与目标主量元素的光谱数据输入到预先训练的预测模型中，得到待测元素含量的预测值。

在本发明实施例中，预测模型为神经网络模型和/或线性回归模型。神经网络模型可以是BP神经网络模型、反馈神经网络模型等，在此不作限定。由于主量元素的参与，神经网络模型和线性回归模型均可以在一定程度上减小基体效应的影响，但神经网络模型的自适应调整能力更强。

在本发明实施例中，通过根据预先训练的预测模型实现对待测元素的预测，在预测时通过结合主量元素的含量进行自适应调整，从而减小基体效应的影响，能够有效避免基体效应造成的预测误差，提高土壤成分预测的准确度。

在一些实施例中，预测模型为神经网络模型和/或线性回归模型。相应的，预测模型的训练过程包括：获取定标样品集并根据定标样品集训练预测模型；其中，定标样品集中包括多个定标样品；各个定标样品均具有预设含量的目标主量元素；各个定标样品的待测元素含量不同。

在本发明实施例中，一般选用同一地区的土壤样本作为定标样品训练预测模型，即各个定标样品都有相近含量的目标主量元素，也可以根据地区内土壤样本的各主量元素含量均值，作为预设含量，人为制造多个具有相同含量的目标主量元素的定标样品。各个定标样品的待测元素含量可以呈梯度分布，也可以呈正态分布，在此不作限定。

在一些实施例中，在S220之前，土壤成分含量检测方法还包括：根据定标样品集的光谱数据，确定各定标样品的特征向量；根据待测土壤样本中待测元素与目标主量元素的光谱数据，确定待测土壤样本的特征向量；计算待测土壤样本的特征向量与各定标样品的特征向量之间的距离；判断距离的最小值是否小于第一预设阈值；若距离的最小值小于第一预设阈值，则执行S220；若距离的最小值不小于第一预设阈值，则根据待测土壤样本中目标主量元素的光谱数据和各定标样品对预测模型重新训练。可选的，第一预设阈值可以为0.5。

在本发明实施例中，第一预设阈值可以是人为设定的，也可以是根据模型对不同地区的土壤成分预测情况确定的，在此不作限定。在定标样品代表地区A的土壤情况时，待测土壤与定标样品之间的距离越大，表示待测土壤所在的地区B与地区A的土壤成分的差异越大，此时再使用原有的预测模型预测就可能造成较大的预测误差。传统的思路是再选取一批地区B的土壤作为新的定标样品重新训练预测模型，但该方式较为繁琐，而本发明在对地区B的土壤成分进行预测时，仅需要以待测土壤样本的主量元素作为基础，分别添加不同含量的待测元素形成参考样品，实现模型的重新训练。

在一些实施例中，预测模型的重新训练过程包括：获取定标样品集和参考样品集并根据定标样品集和参考样品集训练预测模型；其中，参考样品集中包括多个参考样品；各个参考样品与待测土壤样本的目标主量元素含量相同；各个参考样品的待测元素含量不同。

在本发明实施例中，假设参考样品集中具有10个参考样品，可以将9个参考样品结合定标样品集作为新的训练集，1个参考样品作为测试集。

土壤中的主要元素包括Si、Ti、Al、Fe、Mn、Mg、Ca、Na、K等，由于Ti、Mn的元素含量相比其他元素较少，Na在两通道光谱仪中激发不明显，K的发射谱线波长大于600nm，综合考虑元素含量和在两通道光谱仪中的发射强度，因此剔除Ti、Mn、Na和K，选取Si、Al、Fe、Mg、Ca。

在一些实施例中，在S210之前，土壤成分含量检测方法还包括：计算各主量元素的光谱强度与元素含量之间的相关性；选取相关性大于第二预设阈值的主量元素，作为目标主量元素。

在本发明实施例中，可以采用皮尔逊相关系数计算相关性，皮尔逊相关系数是用于度量两个变量之间的线性相关性的指标，其值介于-1与1之间，越接近于1，说明相关性越好。

经过内标归一后，Si、Mg和Ca的谱线的相对光强和元素含量之间的相关性较好，Al、Fe的谱线的相对光强和元素含量之间的相关性较差，因此在后续的计算中，剔除Al，只保留其余4种主量元素，即Si、Fe、Mg和Ca。由于使用了Fe的一条谱线作内标归一，因此只使用Si、Mg和Ca作为目标主量元素加入预测模型。为避免同种元素谱线之间的干扰，每种元素只选取在样品1~样品10之间相关性均较好的一条谱线，最终选取SiⅠ251.611nm，MgⅡ279.078nm和CaⅡ370.603nm，这些谱线都具有较高的光谱强度。

在一些实施例中，在S210之前，土壤成分含量检测方法还包括：在第一样品内加入不同含量的待测元素后，获取第一样品内各个主量元素在不同含量的待测元素下的光谱数据；根据各主量元素在不同含量的待测元素下的光谱数据，计算各主量元素的相对标准偏差；选取相对标准偏差小于第三预设阈值的主量元素，作为目标主量元素。

在本发明实施例中，利用主量元素的光谱强度代表样品基体的前提是其光强具有一定的稳定性，即在同一基体的样品中，当待测元素的含量变化时，主量元素的光谱强度不会受到影响。评价稳定性的指标可以用相对标准偏差 RSD：

其中，第三预设阈值可以是10%，即可以选取 RSD全部小于10%的主量元素Si、Mg、Ca作为目标主量元素。

在一些实施例中，在S210之前，土壤成分含量检测方法还包括对光谱数据进行噪声去除和内标归一化处理。

在本发明实施例中，噪声去除包括暗噪声去除、高频噪声去除和背景噪声拟合。

其中，由于电荷耦合元件会带来热噪声，不同通道的热噪声不同。为去除暗噪声，在没有放置样品的情况下采集暗环境光谱，使用50次采集的结果平均后作为应剔除的噪声。

其中，可以通过小波变换，找到合适的阈值将信号的小波系数与高频噪声的小波系数分开，然后进行再次变换，从而将高频噪声从光谱中去除。

其中，可以拟合光谱背景的光谱谷底，同时将光谱峰值部分保留，再使用插值方法进行全谱段拟合，然后用光谱减去拟合的背景，得到去除背景噪声后的光谱。

由于光谱数据具有波动性，合适的数据归一化方法可以减少这种波动性。在本发明实施例中，可以采用内标归一法进行数据预处理：

(1)

其中， x _ij 是光谱矩阵中第 i行、第 j列的原始数据；是光谱矩阵中第 i行、第 j列归一化后的数据； y _i 是光谱矩阵中第 i行的参考元素的数据。

可选的，可以利用FeⅠ406.36nm处的谱线作为参考谱线，对上述选取的各谱线进行归一化，得到相对光强。

在一些实施例中，在S220之后，土壤成分含量检测方法还包括根据预设评价指标对预测模型进行评价；其中，预设评价指标可以包括但不限于下述至少一项：平均相对误差、最小相对误差、最大相对误差、相对标准偏差。

在本发明实施例中，可以使用平均相对误差来评价预测模型整体的预测能力，使用最小相对误差和最大相对误差来评价预测模型单次的预测能力，使用光谱谱线强度的相对标准偏差来评价预测的重复性。

下面给出一个实施示例对本发明的方法进行进一步的说明，但并不作为限定。图3是本发明实施示例提供的适应复杂土壤基体的成分分析与预测方法的实现流程图。如图3所示，在该实施示例中，该方法的步骤为：

步骤1，对待测土壤样本进行标准化处理，即进行稀释、烘干、球磨、压片等样本制备流程。

步骤2，获取标准化处理后的待测土壤样本的光谱数据。

步骤3，根据待测土壤样本的光谱数据，计算待测土壤样本和定标样品之间的距离，选出与待测土壤样本距离最近的定标样品，记为样品1。

步骤4，判断样品1与待测土壤样本之间的距离是否大于0.5，若不大于0.5，则进行步骤5。

步骤5，根据样品1训练前馈神经网络模型，得到训练好的预测模型，并进行步骤8。

步骤6，根据待测土壤样本的目标主量元素的含量，制作一个目标主量元素相同、待测元素含量不同的参考样品。

步骤7，根据参考样品和样品1训练线性回归模型，得到训练好的预测模型，并进行步骤8。

步骤8，将待测土壤样本的光谱数据输入到训练好的预测模型中，预测待测土壤样本中待测元素的含量。

综上，本发明的有益效果具体为：

1.本发明通过考虑了基体效应对预测模型的影响，解决了现有算法对复杂基底无法有效检测的问题，无论对于何种成分的土壤都能实现有效的检测。

2.同一地区的土壤的基体往往也会存在一定的差别，因此在对同一地区大量的同类土壤样品进行含量检测时，传统的方法往往需要制备大量不同浓度的样品，而本发明中需要检测不同的土壤样本时，仅需要根据该土壤样本的基体制作一个参考样本即可实现检测，从而实现海量土壤样本的快速准确的检测。

3.对于不同地区的土壤样本，也可以制作参考样本对模型进行重新训练，从而实现对不同地区的复杂土壤进行检测，能够对土壤种属相关的物品进行快速成分分析。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

图4是本发明实施例提供的适应复杂土壤基体的成分分析与预测装置的结构示意图。如图4所示，在一些实施例中，适应复杂土壤基体的成分分析与预测装置4，包括：

获取模块410，用于获取待测土壤样本中待测元素与目标主量元素的光谱数据；其中，目标主量元素为根据预设条件预先选取的至少一种主量元素。

预测模块420，用于将待测元素与目标主量元素的光谱数据输入到预先训练的预测模型中，得到待测元素含量的预测值。

可选的，预测模型为神经网络模型和/或线性回归模型。相应的，预测模型的训练过程包括：获取定标样品集并根据定标样品集训练预测模型；其中，定标样品集中包括多个定标样品；各个定标样品均具有预设含量的目标主量元素；各个定标样品的待测元素含量不同。

可选的，适应复杂土壤基体的成分分析与预测装置4还包括：判断模块，用于根据定标样品集的光谱数据，确定各定标样品的特征向量；根据待测土壤样本中待测元素与目标主量元素的光谱数据，确定待测土壤样本的特征向量；计算待测土壤样本的特征向量与各定标样品的特征向量之间的距离；判断距离的最小值是否小于第一预设阈值；若距离的最小值小于第一预设阈值，则执行将待测元素与目标主量元素的光谱数据输入到预先训练的预测模型中的步骤；若距离的最小值不小于第一预设阈值，则根据待测土壤样本中目标主量元素的光谱数据和各定标样品对预测模型重新训练。

可选的，预测模型的重新训练过程包括：获取定标样品集和参考样品集并根据定标样品集和参考样品集训练预测模型；其中，参考样品集中包括多个参考样品；各个参考样品与待测土壤样本的目标主量元素含量相同；各个参考样品的待测元素含量不同。

可选的，适应复杂土壤基体的成分分析与预测装置4还包括：元素选取模块，用于计算各主量元素的光谱强度与元素含量之间的相关性；选取相关性大于第二预设阈值的主量元素，作为目标主量元素。

可选的，元素选取模块，用于在第一样品内加入不同含量的待测元素后，获取第一样品内各个主量元素在不同含量的待测元素下的光谱数据；根据各主量元素在不同含量的待测元素下的光谱数据，计算各主量元素的相对标准偏差；选取相对标准偏差小于第三预设阈值的主量元素，作为目标主量元素。

可选的，适应复杂土壤基体的成分分析与预测装置4还包括：预处理模块，用于对光谱数据进行噪声去除和内标归一化处理。

可选的，适应复杂土壤基体的成分分析与预测装置4还包括：评价模块，用于根据预设评价指标对预测模型进行评价；其中，预设评价指标可以包括但不限于下述至少一项：平均相对误差、最小相对误差、最大相对误差、相对标准偏差。

本实施例提供的适应复杂土壤基体的成分分析与预测装置，可用于执行上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

图5是本发明实施例提供的处理单元的结构示意图。如图5所示，本发明的一个实施例提供的处理单元5，该实施例的处理单元5包括：处理器50、存储器51以及存储在存储器51中并可在处理器50上运行的计算机程序52。处理器50执行计算机程序52时实现上述各个适应复杂土壤基体的成分分析与预测方法实施例中的步骤，例如图2所示的S210至S220。或者，处理器50执行计算机程序52时实现上述各系统实施例中各模块/单元的功能，例如图4所示模块410至420的功能。

示例性的，计算机程序52可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器51中，并由处理器50执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序52在处理单元5中的执行过程。

处理单元5可以是终端或者服务器，其中，终端可以为手机、MCU、ECU等，在此不作限定，服务器可以是物理服务器、云服务器等，在此不作限定。处理单元5可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是处理单元5的示例，并不构成对处理单元5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端还可以包括输入输出设备、网络接入设备、总线等。

所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器51可以是处理单元5的内部存储单元，例如处理单元5的硬盘或内存。存储器51也可以是处理单元5的外部存储设备，例如处理单元5上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，存储器51还可以既包括处理单元5的内部存储单元也包括外部存储设备。存储器51用于存储计算机程序以及终端所需的其他程序和数据。存储器51还可以用于暂时地存储已经输出或者将要输出的数据。

本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述适应复杂土壤基体的成分分析与预测方法实施例中的步骤。

计算机可读存储介质存储有计算机程序52，计算机程序52包括程序指令，程序指令被处理器50执行时实现上述实施例方法中的全部或部分流程，也可以通过计算机程序52来指令相关的硬件来完成，计算机程序52可存储于一计算机可读存储介质中，该计算机程序52在被处理器50执行时，可实现上述各个方法实施例的步骤。其中，计算机程序52包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。

计算机可读存储介质可以是前述任一实施例的终端的内部存储单元，例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备，例如终端上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种适应复杂土壤基体的成分分析与预测方法，其特征在于，包括：

获取待测土壤样本中待测元素与目标主量元素的光谱数据；其中，所述目标主量元素为根据预设条件预先选取的至少一种主量元素；

将所述待测元素与目标主量元素的光谱数据输入到预先训练的预测模型中，得到待测元素含量的预测值。

2.根据权利要求1所述的适应复杂土壤基体的成分分析与预测方法，其特征在于，所述预测模型为神经网络模型和/或线性回归模型；

所述预测模型的训练过程包括：

获取定标样品集并根据所述定标样品集训练所述预测模型；其中，所述定标样品集中包括多个定标样品；各个定标样品均具有预设含量的目标主量元素；各个定标样品的待测元素含量不同。

3.根据权利要求2所述的适应复杂土壤基体的成分分析与预测方法，其特征在于，在将所述待测元素与目标主量元素的光谱数据输入到预先训练的预测模型中，得到待测元素含量的预测值之前，所述方法还包括：

根据所述定标样品集的光谱数据，确定各定标样品的特征向量；

根据所述待测土壤样本中待测元素与目标主量元素的光谱数据，确定所述待测土壤样本的特征向量；

计算所述待测土壤样本的特征向量与各定标样品的特征向量之间的距离；

判断所述距离的最小值是否小于第一预设阈值；

若所述距离的最小值小于第一预设阈值，则执行将所述待测元素与目标主量元素的光谱数据输入到预先训练的预测模型中的步骤；

若所述距离的最小值不小于第一预设阈值，则根据所述待测土壤样本中目标主量元素的光谱数据和各定标样品对所述预测模型重新训练。

4.根据权利要求3所述的适应复杂土壤基体的成分分析与预测方法，其特征在于，所述预测模型的重新训练过程包括：

获取定标样品集和参考样品集并根据所述定标样品集和所述参考样品集训练所述预测模型；

其中，所述参考样品集中包括多个参考样品；各个参考样品与所述待测土壤样本的目标主量元素含量相同；各个参考样品的待测元素含量不同。

5.根据权利要求1所述的适应复杂土壤基体的成分分析与预测方法，其特征在于，在获取待测土壤样本中待测元素与目标主量元素的光谱数据之前，所述方法还包括：

计算各主量元素的光谱强度与元素含量之间的相关性；

选取所述相关性大于第二预设阈值的主量元素，作为所述目标主量元素。

6.根据权利要求1所述的适应复杂土壤基体的成分分析与预测方法，其特征在于，在获取待测土壤样本中待测元素与目标主量元素的光谱数据之前，所述方法还包括：

在第一样品内加入不同含量的待测元素后，获取所述第一样品内各个主量元素在不同含量的待测元素下的光谱数据；

根据各主量元素在不同含量的待测元素下的光谱数据，计算各主量元素的相对标准偏差；

选取所述相对标准偏差小于第三预设阈值的主量元素，作为所述目标主量元素。

7.根据权利要求1-6任一项所述的适应复杂土壤基体的成分分析与预测方法，其特征在于，在获取待测土壤样本中待测元素与目标主量元素的光谱数据之后，所述方法还包括：

对所述光谱数据进行噪声去除和内标归一化处理；

在得到待测元素含量的预测值之后，所述方法还包括：

根据预设评价指标对所述预测模型进行评价；

其中，所述预设评价指标包括下述至少一项：平均相对误差、最小相对误差、最大相对误差、相对标准偏差。

8.一种处理单元，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至7中任一项所述适应复杂土壤基体的成分分析与预测方法的步骤。

9.一种土壤成分检测系统，其特征在于，包括激发单元、收集单元以及如上权利要求8所述的处理单元。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述适应复杂土壤基体的成分分析与预测方法的步骤。

Images