CN116486140A - 土壤质地分类方法、装置和电子设备 - Google Patents

土壤质地分类方法、装置和电子设备 Download PDF

Info

Publication number
CN116486140A
CN116486140A CN202310285248.6A CN202310285248A CN116486140A CN 116486140 A CN116486140 A CN 116486140A CN 202310285248 A CN202310285248 A CN 202310285248A CN 116486140 A CN116486140 A CN 116486140A
Authority
CN
China
Prior art keywords
soil
classified
classification
image
texture
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.)
Granted
Application number
CN202310285248.6A
Other languages
English (en)
Other versions
CN116486140B (zh
Inventor
宫帅
郝文雅
叶英新
宋卫玲
黄海强
郭梦妍
刘志强
张晓阳
魏佳爽
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.)
Sinochem Agriculture Holdings
Original Assignee
Sinochem Agriculture Holdings
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 Sinochem Agriculture Holdings filed Critical Sinochem Agriculture Holdings
Priority to CN202310285248.6A priority Critical patent/CN116486140B/zh
Publication of CN116486140A publication Critical patent/CN116486140A/zh
Application granted granted Critical
Publication of CN116486140B publication Critical patent/CN116486140B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/46Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462Salient features, e.g. scale invariant feature transforms [SIFT]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/50Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像识别技术领域,提供一种土壤质地分类方法、装置和电子设备,其中方法包括:获取待分类土壤图像;基于待分类土壤图像进行特征提取,得到待分类特征向量;将待分类特征向量输入至土壤质地分类模型,得到土壤质地分类模型输出的第一分类结果。本发明的土壤质地分类模型是基于采用不同拍摄参数组合对不同质地类别的土壤样本进行拍摄得到的多个土壤图像样本,以及每个土壤图像样本相关的分类结果标签训练得到,因此土壤质地分类模型能够对不同拍摄参数组合拍摄的各种土壤质地的待分类土壤图像进行土壤质地分类,从而通过在田间对土壤的拍照识别,实现对土壤质地进行快速且准确的分类,在土壤质地分类时减少检测成本,提高检测效率。

Description

土壤质地分类方法、装置和电子设备
技术领域
本发明涉及图像识别技术领域,尤其涉及一种土壤质地分类方法、装置和电子设备。
背景技术
土壤是作物生长和灌溉、施肥等农事作业的重要载体,土壤由不同粒径大小的颗粒组成,称为机械组成。不同的机械组成影响土壤的理化性质。具体表现为不同机械组成的土壤有不同的保水保肥能力,因此了解机械组成是合理进行作物栽培、科学管理灌溉和施肥的重要前提。
土壤机械组成通过测量不同粒级的含量来确定,土壤粒级可分为砂粒(2.0-0.05mm)、粉粒(0.05-0.002mm)和粘粒(小于0.002mm)。目前常用的土壤机械组成测定方法主要有吸管法和密度计法。吸管法主要包含称样、烘干、悬浮液制备、吸取25ml悬浮液-烘干称量-计算等步骤。比重计法是根据斯托克斯定律,用特制的甲种土壤比重计于不同时间测定悬液密度的变化,并根据沉降时间、沉降深度及比重计读数计算出土粒粒径大小及其含量百分数。主要过程需要经过取样、样品制备、测量悬液温度、测定悬液密度、计算。
可见,无论是吸管法或是比重计法,都需要进行田间取样、送样、以及实验室分析的过程,这会带来人力、物力的消耗以及增加时间成本,进而造成检测成本高,检测效率低的问题。
发明内容
本发明提供一种土壤质地分类方法、装置和电子设备,用以解决现有技术中进行土壤质地分类时检测成本高,检测效率低的缺陷。
本发明提供一种土壤质地分类方法,包括:
获取待分类土壤图像;
基于所述待分类土壤图像进行特征提取,得到待分类特征向量;
将所述待分类特征向量输入至土壤质地分类模型,得到所述土壤质地分类模型输出的第一分类结果;
其中,所述土壤质地分类模型是利用由多个土壤图像样本以及每个土壤图像样本相关的分类结果标签构建的样本数据集训练得到的;所述多个土壤图像样本是采用不同拍摄参数组合对不同质地类别的土壤样本进行拍摄得到的。
根据本发明提供的一种土壤质地分类方法,所述土壤质地分类模型,是基于以下步骤训练得到的:
获取所述样本数据集;所述样本数据集包括多个第一土壤图像样本特征向量和每个所述第一土壤图像样本特征向量相关的分类结果标签;每一所述第一土壤图像样本特征向量是对每一土壤图像样本进行特征提取得到的;
确定所述土壤质地分类模型对每个所述拍摄参数组合的第一土壤图像样本特征向量的第二分类结果;
基于每个所述拍摄参数组合的第一土壤图像样本特征向量的第二分类结果和第一土壤图像样本特征向量的分类结果标签确定目标拍摄参数组合;
根据所述目标拍摄参数组合得到更新样本数据集;
基于所述更新样本数据集训练所述土壤质地分类模型。
根据本发明提供的一种土壤质地分类方法,所述更新样本数据集是基于以下步骤得到的:
从所述样本数据集中筛选出多个第二土壤图像样本特征向量;每一所述第二土壤图像样本特征向量是从所述样本数据集中基于所述目标拍摄参数组合拍摄的每一所述第一土壤图像样本特征向量得到的;
基于所述多个第二土壤图像样本特征向量和每个所述第二土壤图像样本特征向量相关的分类结果标签构建所述更新样本数据集。
根据本发明提供的一种土壤质地分类方法,所述基于每个所述拍摄参数组合的第一土壤图像样本特征向量的第二分类结果和第一土壤图像样本特征向量的分类结果标签确定目标拍摄参数组合,包括:
基于每个所述拍摄参数组合的第一土壤图像样本特征向量的第二分类结果和第一土壤图像样本特征向量的分类结果标签计算第一分类准确率;
在所述第一分类准确率大于或等于设定阈值的情况下,确定所述第一分类准确率对应的拍摄参数组合为目标拍摄参数组合。
根据本发明提供的一种土壤质地分类方法,所述基于所述更新样本数据集训练所述土壤质地分类模型,包括:
确定所述土壤质地分类模型对每个所述第二土壤图像样本特征向量的分类结果的准确率和召回率的调和平均数;
基于所有所述第二土壤图像样本特征向量的分类结果中最高的所述调和平均数调整所述土壤质地分类模型的模型参数;
基于调整后的所述模型参数设置所述土壤质地分类模型。
根据本发明提供的一种土壤质地分类方法,在所述获取待分类土壤图像之后,还包括:
增强所述待分类土壤图像的对比度、对所述待分类土壤图像进行降噪处理,和/或对所述待分类土壤图像进行纹理分割。
根据本发明提供的一种土壤质地分类方法,所述基于所述待分类土壤图像进行特征提取,得到待分类特征向量,包括:
计算所述待分类土壤图像的HSV直方图向量、计算所述待分类土壤图像的颜色自相关图向量、计算所述待分类土壤图像的色矩、计算所述待分类土壤图像的Gabor特征,和/或计算所述待分类土壤图像的小波系数;
基于所述HSV直方图向量、所述颜色自相关图向量、所述色矩、所述Gabor特征,和/或所述小波系数,得到所述待分类特征向量。
本发明还提供一种土壤质地分类装置,包括:
第一获取模块,用于获取待分类土壤图像;
特征提取模块,用于基于所述待分类土壤图像进行特征提取,得到待分类特征向量;
第一分类结果确定模块,用于将所述待分类特征向量输入至土壤质地分类模型,得到所述土壤质地分类模型输出的第一分类结果;
其中,所述土壤质地分类模型是利用多个土壤图像样本以及每个土壤图像样本相关的分类结果标签构建的样本数据集训练得到的;所述多个土壤图像样本是采用不同拍摄参数组合对不同质地类别的土壤样本进行拍摄得到的。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述土壤质地分类方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述土壤质地分类方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述土壤质地分类方法。
本发明提供的土壤质地分类方法、装置和电子设备,通过土壤质地分类模型对待分类土壤图像经过特征提取后的待分类特征向量进行土壤质地分类。由于土壤质地分类模型是基于采用不同拍摄参数组合对不同质地类别的土壤样本进行拍摄得到的多个土壤图像样本,以及每个土壤图像样本相关的分类结果标签训练得到,因此土壤质地分类模型能够对不同拍摄参数组合拍摄的各种土壤质地的待分类土壤图像进行土壤质地分类。从而通过本发明实施例在田间对土壤的拍照识别,可实现对土壤质地进行快速且准确的分类,进而在土壤质地分类时减少检测成本,提高检测效率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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是本发明提供的土壤质地分类方法的流程示意图之一;
图2是本发明提供的土壤质地分类方法的流程示意图之二;
图3是本发明提供的土壤质地分类方法的流程示意图之三;
图4是本发明提供的土壤质地分类方法的流程示意图之四;
图5是本发明提供的土壤质地分类方法的流程示意图之五;
图6是本发明提供的土壤质地分类方法的流程示意图之六;
图7是本发明提供的土壤质地分类装置的结构示意图;
图8是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1-图5描述本发明的一种土壤质地分类方法。请参照图1,本发明提供一种土壤质地分类方法,包括:
步骤100、获取待分类土壤图像。
电子设备获取待分类土壤图像。其中电子设备可以是智能手机、平板电脑、台式电脑、智能手表、智能手环等设备。待分类土壤图像是对田间的各种土壤质地(如砂土、壤质砂土、砂质粘壤土等)进行拍摄得到的待识别或分类的图像。待分类土壤图像可通过后续的土壤质地分类模型进行分类。
步骤300、基于待分类土壤图像进行特征提取,得到待分类特征向量。
电子设备基于待分类土壤图像进行特征提取,得到待分类特征向量。具体的,电子设备可以基于待分类土壤图像的显著图像特征(如色矩、小波系数等)进行特征提取,从而得到表示待分类土壤图像的显著图像特征的待分类特征向量,以便土壤质地分类模型基于待分类特征向量进行土壤质地分类。
步骤400、将待分类特征向量输入至土壤质地分类模型,得到土壤质地分类模型输出的第一分类结果。
电子设备将待分类特征向量输入至土壤质地分类模型,得到土壤质地分类模型输出的第一分类结果。基于第一分类结果可获取待分类土壤图像的土壤质地类别。例如土壤质地分类模型输出的分类结果为砂土,则表示待分类土壤图像的土壤质地属于砂土。
其中,土壤质地分类模型可选用各种分类模型,例如,土壤质地分类模型可选用支持向量机(英文全称Support Vector Machine,简称SVM)、决策树模型、随机森林模型等。
其中,本发明实施例的土壤质地分类模型能够对各种土壤质地进行识别的原因在于,土壤质地分类模型是利用多个土壤图像样本以及每个土壤图像样本相关的分类结果标签构建的样本数据集训练得到的;多个土壤图像样本是采用不同拍摄参数组合对不同质地类别的土壤样本进行拍摄得到的。
具体的,本发明实施例的拍摄参数组合可以包括拍摄土壤样本时的光圈、快门、采集高度、拍摄角度以及感光度中至少两种。例如拍摄参数组合包括光圈和快门。不同拍摄参数组合指的是拍摄参数组合中至少有一个拍摄参数不一致。例如拍摄参数组合A:光圈:f2.8;快门:1/100。拍摄参数组合B:f5.6;快门:1/100。拍摄参数组合A与拍摄参数组合B是不同的拍摄参数组合。
需要说明的是,为了让土壤质地分类模型能够识别现实中各种拍摄参数拍摄的待识别土壤图像,提高对各种拍摄参数拍摄的待识别土壤图像的预测能力。因此在一个实施例中,本发明实施例的拍摄参数组合包括光圈、快门、采集高度、拍摄角度以及感光度的五个参数。其中,光圈可包括多个光圈数值,例如光圈包括f2.8、f5.6、f8、f11、f16。快门可包括多个快门数值,例如快门包括1/100、1/250、1/500、1/1000、1/2000。采集高度可包括多个采集高度数值,例如采集高度数值包括10cm、20cm、30cm、40cm。其中采集高度表示拍摄的摄像头距离土壤样本的拍摄距离。拍摄角度可包括多个拍摄角度数值,例如拍摄角度包括30°、60°、90°、120°、150°。其中拍摄角度摄像头的中心线与土壤样本所在的地面的夹角。感光度可包括多个感光度数值,例如感光度包括400,800,1000,2000,4000。通过对土壤样本采用不同拍摄参数组合进行拍摄,得到不同拍摄参数组合拍摄的土壤样本图像。
另外,本发明实施例的多个土壤图像样本是基于不同质地类别的土壤样本进行拍摄得到的。例如本发明实施例具体可从各省区田间收集有代表性的土壤样本1000份。将土壤样本平铺在白色背景的板上进行图像采集。其中土壤样本1000份包括多种不同质地类别的土壤样本,例如土壤样本1000份中包括12种土壤质地,如砂土、壤质砂土、砂质粘壤土、砂质粘土、粘壤土、砂质壤土、壤土、粉壤土、粉土、粉质粘壤土、砂质粘土、黏土。
从而本发明实施例通过采用不同拍摄参数组合对不同质地类别的土壤样本进行拍摄,得到多个土壤图像样本。即多个土壤图像样本中包括现实中通过各种拍摄参数组合对不同质地类别的土壤样本拍摄的图像。多个土壤图像样本基本覆盖了现实中常用的各种拍摄参数组合,能够还原各种拍摄场景。
在获取多个土壤图像样本的基础上,还需要获取每个土壤图像样本的分类结果标签。具体的,可事先根据《耕地质量等级》中土壤机械组成测定规范,采用比重计法对1000份土壤样本中的砂粒、粉粒、粘粒含量进行测量。比重计试验用于计算土壤中砂粒、粉砂和粘土的含量,并使土壤质地三角形确定土壤的质地。将所有的土壤图像样本跟比重计法测量结果及土壤质地三角形的土壤质地分类一一对应。从而本发明实施例获取多个土壤图像样本以及每个土壤图像样本相关的分类结果标签得到的样本数据集。其中多个土壤图像样本是采用不同拍摄参数组合对不同质地类别的土壤样本进行拍摄得到的。通过土壤图像样本和土壤图像样本的分类结果标签构建的样本数据集,对土壤质地分类模型(例如支持向量机)进行训练。土壤质地分类模型能够识别到不同拍摄参数组合拍摄的各种土壤质地的土壤图像样本的特征,从而实现对待分类土壤图像进行土壤质地分类。通过在田间对土壤进行拍照识别,实现对土壤质地进行快速且准确的分类。减少检测成本,提高检测效率。
本发明实施例通过土壤质地分类模型对待分类土壤图像经过特征提取后的待分类特征向量进行土壤质地分类。由于土壤质地分类模型是基于采用不同拍摄参数组合对不同质地类别的土壤样本进行拍摄得到的多个土壤图像样本,以及每个土壤图像样本相关的分类结果标签训练得到,因此土壤质地分类模型能够对不同拍摄参数组合拍摄的各种土壤质地的待分类土壤图像进行土壤质地分类。从而通过本发明实施例在田间对土壤的拍照识别,可实现对土壤质地进行快速且准确的分类,进而在土壤质地分类时减少检测成本,提高检测效率。
在本发明实施例的其他方面,请参照图2,土壤质地分类模型,是基于以下步骤训练得到的:
步骤10、获取样本数据集。
电子设备获取样本数据集。其中,样本数据集包括多个第一土壤图像样本特征向量和每个第一土壤图像样本特征向量相关的分类结果标签;每一第一土壤图像样本特征向量是对每一土壤图像样本进行特征提取得到的。通过对每一土壤图像样本进行特征提取得到每一第一土壤图像样本特征向量,土壤质地分类模型才能基于第一土壤图像样本特征向量和每个第一土壤图像样本特征向量相关的分类结果标签进行训练。
具体的,对每个土壤图像样本进行特征提取的方式包括计算待分类土壤图像的HSV(英文全称分别为Hue,Saturation,Value,分别译为色调、饱和度、和明度)直方图向量、计算待分类土壤图像的颜色自相关图向量、计算待分类土壤图像的色矩、计算待分类土壤图像的Gabor(译为小波变换)特征和/或计算待分类土壤图像的小波系数;再基于HSV直方图向量、颜色自相关图向量、色矩、Gabor特征和/或小波系数,得到第一土壤图像样本特征向量。
需要说明的是,为了通过多个维度对土壤图像样本进行特征提取,提高得到的土壤图像样本的特征向量的数据丰富性,优化土壤图像样本的特征向量的数据质量,进而提高土壤质地分类模型的分类准确率,本发明实施例对每个土壤图像样本进行特征提取的方式包括计算土壤图像样本的HSV直方图向量、计算土壤图像样本的颜色自相关图向量、计算土壤图像样本的色矩、计算土壤图像样本的Gabor特征和计算土壤图像样本的小波系数;再将HSV直方图向量、颜色自相关图向量、色矩、Gabor特征和小波系数的5个图像特征组合在一起以形成土壤图像样本的第一土壤图像样本特征向量。另外,每个土壤图像样本进行特征提取之前还会进行图像增强,具体图像增强方式可参见步骤200的描述,在此不赘述。
另外,可以理解的,样本数据集中包括不同拍摄参数组合的数据集。其中不同数据集的土壤图像样本是通过不同拍摄参数组合拍摄的,每个数据集内的土壤图像样本是使用相同的拍摄参数组合拍摄的。例如通过拍摄参数组合A对1000份土壤样本进行图像采集,得到数据集1,数据集1内的每个土壤图像样本都是基于拍摄参数组合A拍摄的。通过拍摄参数组合B对1000份土壤样本进行图像采集,得到数据集2,数据集2内的每个土壤图像样本都是基于拍摄参数组合B拍摄的。通过设置样本数据集中包括不同拍摄参数组合的数据集,便于通过土壤质地分类模型分别对不同拍摄参数组合的数据集进行训练,从而基于每个拍摄参数组合的数据集的分类结果,确定分类结果较优的目标摄参数组合。
步骤20、确定土壤质地分类模型对每个拍摄参数组合的第一土壤图像样本特征向量的第二分类结果。
电子设备确定土壤质地分类模型对每个拍摄参数组合的第一土壤图像样本特征向量的第二分类结果。由于并非是每个拍摄参数组合都能获取较好的土壤质地预测结果。需要通过土壤质地分类模型对每个拍摄参数组合的第一土壤图像样本特征向量的第二分类结果,确定合适的拍摄参数组合。
步骤30、基于每个拍摄参数组合的第一土壤图像样本特征向量的第二分类结果和第一土壤图像样本特征向量的分类结果标签确定目标拍摄参数组合。
电子设备基于每个拍摄参数组合的第一土壤图像样本特征向量的第二分类结果和第一土壤图像样本特征向量的分类结果标签,可确定每个拍摄参数组合的第一土壤图像样本特征向量的土壤质地分类准确率,从而挑选土壤质地分类准确率优异的目标拍摄参数组合对土壤图像样本进行拍摄,从而构建质量更好的更新数据集。
例如对于拍摄参数组合A的第一土壤图像样本特征向量的土壤质地分类准确率为70%。对于拍摄参数组合B的第一土壤图像样本特征向量的土壤质地分类准确率为90%,可见拍摄参数组合B相比拍摄参数组合A更加合适作为目标拍摄参数组合。拍摄参数组合A可以是快门速度1/100,光圈f16,拍摄角度在120°,采集高度20cm,感光度1000。拍摄参数组合B可以是快门速度1/200,光圈f5.6,拍摄角度在60°,采集高度20cm,感光度800。
步骤40、根据目标拍摄参数组合得到更新样本数据集。
电子设备根据目标拍摄参数组合得到更新样本数据集。需要说明的是目标拍摄参数组合可以是具体参数或者参数范围。在本发明实施例中目标拍摄参数组合可以是快门速度1/250-1/1000,光圈f5.6-f11,拍摄角度在60-120°,采集高度20-30cm,感光度400-2000。
更新样本数据集包括采用目标拍摄参数组合对不同质地类别的土壤样本进行拍摄得到的多个更新土壤图像样本和每个更新土壤图像样本的分类结果标签。由于目标拍摄参数组合是从不同的拍摄参数组合中确定的土壤质地分类准确率优异的拍摄参数组合,从而根据所述目标拍摄参数组合得到更新样本数据集,提高输入至土壤质地分类模型的数据集质量,有利于提高土壤质地分类模型的分类准确率。
步骤50、基于更新样本数据集训练土壤质地分类模型。
电子设备基于更新样本数据集训练土壤质地分类模型。具体的,本发明实施例土壤质地分类模型以支持向量机为例。由于更新样本数据集包括多种不同土壤质地(12种土壤质地)的更新土壤图像样本。本发明实施例可对更新样本数据集采用分层抽样方法划分训练集和测试集。采用线性核函数对更新土壤图像样本的特征向量进行数据升维处理;可利用K交叉验证获得分类准确率,从而确认最优的模型参数,利用最优模型参数重新训练土壤质地分类模型,得到最终的土壤分类模型。
由于更新样本数据集是采用目标拍摄参数组合对不同质地类别的土壤样本进行拍摄得到的多个更新土壤图像样本,和每个更新土壤图像样本的分类结果标签得到的。通过更新样本数据集训练土壤质地分类模型,从而提高土壤质地分类模型对目标拍摄参数组合拍摄的不同土壤质地的待分类图像的分类准确率,且便于引导用户通过目标拍摄参数组合对土壤样本进行拍摄。例如当目标拍摄参数组合是快门速度1/250-1/1000,光圈f5.6-f11,拍摄角度在60-120°,采集高度20-30cm,感光度400-2000时,此时目标拍摄参数组合拍摄的更新土壤图像样本在土壤质地分类模型的分类准确率较高,因此基于目标拍摄参数组合拍摄的更土壤图像样本对土壤质地分类模型进行训练。提高土壤质地分类模型对目标拍摄参数组合拍摄的不同土壤质地的待分类图像的分类准确率,且便于引导用户通过目标拍摄参数组合(即快门速度1/250-1/1000,光圈f5.6-f11,拍摄角度在60-120°,采集高度20-30cm,感光度400-2000)对土壤样本进行拍摄。
在本发明实施例的其他方面,所述更新样本数据集是基于以下步骤得到的:
步骤41、从所述样本数据集中筛选出多个第二土壤图像样本特征向量。
为了减轻获取更新样本数据集过程中的图像拍摄量和数据处理量,本发明实施例电子设备可从所述样本数据集中筛选出多个第二土壤图像样本特征向量。每一所述第二土壤图像样本特征向量是从所述样本数据集中基于所述目标拍摄参数组合拍摄的每一所述第一土壤图像样本特征向量得到的。例如,当目标拍摄参数组合是快门速度1/250-1/1000,光圈f5.6-f11,拍摄角度在60-120°,采集高度20-30cm,感光度400-2000时,可从样本数据集中筛选出满足上述目标拍摄参数组合的要求的第一土壤图像样本特征向量作为第二土壤图像样本特征向量。例如样本数据集中原有的第一土壤图像样本特征向量A满足上述目标拍摄参数组合的要求,可将第一土壤图像样本特征向量A作为更新样本数据集中的第二土壤图像样本特征向量。从而本发明实施例无需再基于目标拍摄参数组合重新对土壤样本进行拍摄以及无需再对土壤图像样本进行特征提取,直接从所述样本数据集中筛选出多个第二土壤图像样本特征向量,实现减少图像拍摄量和数据处理量。
步骤42、基于所述多个第二土壤图像样本特征向量和每个所述第二土壤图像样本特征向量相关的分类结果标签构建所述更新样本数据集。
为了能够输入到土壤质地分类模型进行训练,电子设备需要获取每个第二土壤图像样本特征向量相关的分类结果标签。基于所述多个第二土壤图像样本特征向量和每个所述第二土壤图像样本特征向量相关的分类结果标签构建所述更新样本数据集。
本发明通过从样本数据集中筛选出多个第二土壤图像样本特征向量,基于所述多个第二土壤图像样本特征向量和每个所述第二土壤图像样本特征向量相关的分类结果标签构建所述更新样本数据集,从而避免基于目标拍摄参数组合重新对不同土壤质地类别的土壤样本进行拍照以及避免对重新拍摄得到的土壤图像样本进行特征提取,减少图像拍摄量和数据处理量,提高土壤地质分类模型的训练效率。
在本发明实施例的其他方面,请参照图3,步骤30、基于每个拍摄参数组合的第一土壤图像样本特征向量的第二分类结果和第一土壤图像样本特征向量的分类结果标签确定目标拍摄参数组合,包括:
步骤31、基于每个拍摄参数组合的第一土壤图像样本特征向量的第二分类结果和第一土壤图像样本特征向量的分类结果标签计算第一分类准确率。
电子设备基于每个拍摄参数组合的第一土壤图像样本特征向量的第二分类结果和第一土壤图像样本特征向量的分类结果标签计算第一分类准确率。例如某个拍摄参数组合的第一土壤图像样本特征向量的第二分类结果分别包括砂土、壤质砂土、砂质粘壤土、砂质粘土和粘壤土。而第一土壤图像样本特征向量的分类结果标签分别是砂土、壤质砂土、砂质粘壤土、砂质粘壤土和粘壤土。可见,该拍摄参数组合的第一土壤图像样本特征向量的第二分类结果存在1个第二分类结果不准确,4个第二分类结果准确。因此第一分类准确率为4/5=80%。
步骤32、在第一分类准确率大于或等于设定阈值的情况下,确定第一分类准确率对应的拍摄参数组合为目标拍摄参数组合。
电子设备在第一分类准确率大于或等于设定阈值的情况下,确定第一分类准确率对应的拍摄参数组合为目标拍摄参数组合。当第一分类准确率大于或等于设定阈值,说明此时的第一分类准确率对应的拍摄参数组合的土壤图像样本是满足分类准确率要求的优质土壤图像样本。需要更多的大于或等于设定阈值第一分类准确率对应的拍摄参数组合的土壤图像样本对土壤质地分类模型进行训练。因此,确定大于或等于设定阈值的第一分类准确率对应的拍摄参数组合为目标拍摄参数组合。在本发明实施例中目标拍摄参数组合可以是快门速度1/250-1/1000,光圈f5.6-f11,拍摄角度在60-120°,采集高度20-30cm,感光度400-2000。可见上述目标拍摄参数组合是现实中常用的拍摄参数组合。其中,设定阈值可根据实际情况设置,例如设定阈值可以是80%。
通过确定大于或等于设定阈值的第一分类准确率对应的拍摄参数组合为目标拍摄参数组合,从而便于选择第一分类准确率较高的目标拍摄参数组合拍摄不同质地类别的土壤样本,基于目标拍摄参数组合拍摄的土壤样本图像构建更新数据集,基于更新数据集训练土壤质地分类模型,提高土壤质地分类模型对目标拍摄参数组合拍摄的待分类图像的分类准确率。
在本发明实施例的其他方面,请参照图4,步骤50、基于更新样本数据集训练土壤质地分类模型,包括:
步骤51、确定土壤质地分类模型对每个第二土壤图像样本特征向量的分类结果的准确率和召回率的调和平均数。
电子设备确定土壤质地分类模型对每个第二土壤图像样本特征向量的分类结果的准确率和召回率的调和平均数。需要说明的是,通常情况下第二土壤图像样本特征向量的分类结果的精确率和召回率越高越好,但是本发明实施例为了提高对不同土壤质地类别的分类准确率,计算准确率和召回率的调和平均数,通过调和平均数考虑准确率和召回率两者加权的结果。当准确率和召回率的调和平均数越高说明此时的模型参数越好,越能够提高对不同土壤质地类别的分类准确率。
步骤52、基于所有第二土壤图像样本特征向量的分类结果中最高的调和平均数调整土壤质地分类模型的模型参数。
步骤53、基于调整后的模型参数设置土壤质地分类模型。
电子设备基于所有第二土壤图像样本特征向量的分类结果中最高的调和平均数调整土壤质地分类模型的模型参数,再基于调整后的模型参数设置土壤质地分类模型。通过基于所有第二土壤图像样本特征向量的分类结果的准确率和召回率的调和平均数最高的调和平均数,调整土壤质地分类模型的模型参数,综合考虑土壤质地分类模型的分类结果的准确率和召回率,提高土壤质地分类模型对不同土壤质地类别的分类准确率。
在本发明实施例的其他方面,步骤100、获取待分类土壤图像之后,还包括:
步骤210、增强待分类土壤图像的对比度、
步骤220、对待分类土壤图像进行降噪处理,
和/或
步骤230、对待分类土壤图像进行纹理分割。
其中,上述步骤210至步骤230可基于python3.8环境下利用CV2、sklearn等库实现。对待分类土壤图像进行降噪处理可使用截巴特沃斯滤波器滤波器对待分类土壤图像进行降噪处理。对待分类土壤图像进行纹理分割可利用Gabor滤波器对图像进行纹理分割。通过步骤210、步骤220和步骤230中的其中一个步骤可实现提高图像质量,以便更好地对待分类土壤图像进行特征提取和纹理分类。
需要说明的是,请参照图5,在一个实施例中,为了进一步提高图像质量,以便更好地对待分类土壤图像进行特征提取和纹理分类,同时执行步骤210至步骤230的三个图像增强方式对待分类土壤图像进行图像增强。
在本发明实施例的其他方面,步骤300、基于待分类土壤图像进行特征提取,得到待分类特征向量,包括:
步骤310、计算待分类土壤图像的HSV直方图向量、计算待分类土壤图像的颜色自相关图向量、计算待分类土壤图像的色矩、计算待分类土壤图像的Gabor特征,和/或计算待分类土壤图像的小波系数。
步骤320、基于HSV直方图向量、颜色自相关图向量、色矩、Gabor特征,和/或小波系数,得到待分类特征向量。
其中HSV直方图向量可描述待分类土壤图像的颜色空间特征;颜色自相关图向量可确定待分类土壤图像的相同像素的空间相关性;色矩可确定待分类土壤图像的确定图像之间的颜色相似度;由于Gabor特征对光照变化不敏感,一定程度上容忍图像旋转和变形,因此Gabor特征的鲁棒性较好,Gabor特征也可作为待分类土壤图像的图像特征。小波系数具体包括离散小波变换的平均系数和标准系数。
基于HSV直方图向量、颜色自相关图向量、色矩、Gabor特征和小波系数中的任意一种数据形成的待分类特征向量可描述待分类土壤图像的图像特征。在本发明实施例中,待分类特征向量基于HSV直方图向量、颜色自相关图向量、色矩、Gabor特征和小波系数组成。从而通过多个维度对土壤图像样本进行特征提取,提高得到的土壤图像样本的特征向量的数据丰富性,优化土壤图像样本的特征向量的数据质量,进而提高土壤质地分类模型的分类准确率。
下面通过实验对本发明实施例的土壤质地分类方法进行验证。本发明实施例的土壤质地分类模型对1000个土壤图像样本的识别准确率或者分类准确率的结果如表1下:
表1
序号 土壤质地名称 样本量 识别准确率
1 砂土 112 96.72%
2 壤质砂土 87 93.35%
3 砂质粘壤土 93 91.27%
4 砂质粘土 88 95.21%
5 粘壤土 123 93.70%
6 砂质壤土 88 95.60%
7 壤土 153 92.44%
8 粉壤土 30 86.32%
9 粉土 39 85.73%
10 粉质粘壤土 62 88.25%
11 砂质粘土 22 82.21%
12 黏土 103 92.45%
通过实验可见,本发明实施例对不同土壤质地类别的待分类土壤图像具有较高的分类准确率,能够在田间对土壤的拍照识别,实现对土壤质地进行快速且准确的分类,进而在土壤质地分类时减少检测成本,提高检测效率。
综上,请参照图6,本发明实施例通过不同拍摄参数组合对1000份土壤样本进行图像采集,其中1000份土壤样本中包括不同土壤质地类别(例如12类土壤质地)的1000份土壤样本。通过对图像采集的土壤图像样本进行图像增强和特征提取,得到第一土壤图像样本特征向量,基于多个第一土壤图像样本特征向量和每个第一土壤图像样本特征向量的分类结果标签构建样本数据集。样本数据集包括不同拍摄参数组合的数据集。其中不同数据集的土壤图像样本是通过不同拍摄参数组合拍摄的,每个数据集内的土壤图像样本是使用相同的拍摄参数组合拍摄的。确定土壤质地分类模型(例如支持向量机)对不同拍摄参数组合的数据集进行第一次训练的分类结果中分类准确率较优拍摄参数组合为目标拍摄参数,基于目标拍摄参数从样本数据集中选择数据样本重新组成更新样本数据集,再基于更新样本数据集对土壤质地分类模型进行第二次训练,得到最终的土壤质地分类模型。通过基于样本数据集和更新样本数据集对土壤质地分类模型的两次训练,确定对土壤样本拍摄的目标拍摄参数组合,便于引导用户通过目标拍摄参数组合对土壤样本进行拍摄,且提高土壤质地分类模型对土壤质地进行分类的准确性。
本发明实施例通过实现利用电子设备对待分类土壤拍照进行土壤质地分类,一方面极大的减少了田间取样、送样、实验室分析化验带来的人力、物力以及时间成本,另一方面,通过土壤质地分类的划分,可以方便地帮助用户基于土壤质地进行种植栽培方面的管理决策。
下面对本发明提供的土壤质地分类装置进行描述,下文描述的土壤质地分类装置与上文描述的土壤质地分类方法可相互对应参照。
请参照图7,本发明还提供一种土壤质地分类装置,包括:
第一获取模块201,用于获取待分类土壤图像;
特征提取模块202,用于基于待分类土壤图像进行特征提取,得到待分类特征向量;
第一分类结果确定模块203,用于将待分类特征向量输入至土壤质地分类模型,得到土壤质地分类模型输出的第一分类结果;
其中,土壤质地分类模型是利用由多个土壤图像样本以及每个土壤图像样本相关的分类结果标签构建的样本数据集训练得到的;多个土壤图像样本是采用不同拍摄参数组合对不同质地类别的土壤样本进行拍摄得到的。
本发明实施例的土壤质地分类装置,通过土壤质地分类模型对待分类土壤图像经过特征提取后的待分类特征向量进行土壤质地分类。由于土壤质地分类模型是基于采用不同拍摄参数组合对不同质地类别的土壤样本进行拍摄得到的多个土壤图像样本,以及每个土壤图像样本相关的分类结果标签训练得到,因此土壤质地分类模型能够对不同拍摄参数组合拍摄的各种土壤质地的待分类土壤图像进行土壤质地分类。从而通过本发明实施例在田间对土壤的拍照识别,可实现对土壤质地进行快速且准确的分类,进而在土壤质地分类时减少检测成本,提高检测效率。
根据本发明提供的一种土壤质地分类装置,土壤质地分类装置还包括土壤质地分类模型训练模块,土壤质地分类模型训练模块包括:
第二获取模块,用于获取样本数据集;样本数据集包括多个第一土壤图像样本特征向量和每个第一土壤图像样本特征向量相关的分类结果标签;每一第一土壤图像样本特征向量是对每一土壤图像样本进行特征提取得到的;
第二分类结果确定模块,用于确定土壤质地分类模型对每个拍摄参数组合的第一土壤图像样本特征向量的第二分类结果;
目标拍摄参数组合确定模块,用于基于每个拍摄参数组合的第一土壤图像样本特征向量的第二分类结果和第一土壤图像样本特征向量的分类结果标签确定目标拍摄参数组合;
更新样本数据集构建模块,用于根据所述目标拍摄参数组合得到更新样本数据集;
训练模块,用于基于更新样本数据集训练土壤质地分类模型。
根据本发明提供的一种土壤质地分类装置,所述更新样本数据集构建模块,包括:
第二土壤图像样本特征向量获取模块,用于从所述样本数据集中筛选出多个第二土壤图像样本特征向量;每一所述第二土壤图像样本特征向量是从所述样本数据集中基于所述目标拍摄参数组合拍摄的每一所述第一土壤图像样本特征向量得到的;
更新样本数据集最终构建模块,用于基于所述多个第二土壤图像样本特征向量和每个所述第二土壤图像样本特征向量相关的分类结果标签构建所述更新样本数据集。
根据本发明提供的一种土壤质地分类装置,目标拍摄参数组合确定模块包括:
第一分类准确率计算模块,用于基于每个拍摄参数组合的第一土壤图像样本特征向量的第二分类结果和第一土壤图像样本特征向量的分类结果标签计算第一分类准确率;
最终目标拍摄参数组合确定模块,用于在第一分类准确率大于或等于设定阈值的情况下,确定第一分类准确率对应的拍摄参数组合为目标拍摄参数组合。
根据本发明提供的一种土壤质地分类装置,更新样本数据集构建模块包括:
调和平均数确定模块,用于确定土壤质地分类模型对每个第二土壤图像样本特征向量的分类结果的准确率和召回率的调和平均数;
模型参数调整模块,用于基于所有第二土壤图像样本特征向量的分类结果中最高的调和平均数调整土壤质地分类模型的模型参数;
模型设置模块,用于基于调整后的模型参数设置土壤质地分类模型。
根据本发明提供的一种土壤质地分类装置,还包括:
对比度增强模块,用于增强待分类土壤图像的对比度、
降噪处理模块,用于对待分类土壤图像进行降噪处理,
和/或
纹理分割模块,用于对待分类土壤图像进行纹理分割。
根据本发明提供的一种土壤质地分类装置,特征提取模块202包括:
数据获取模块,用于计算待分类土壤图像的HSV直方图向量、计算待分类土壤图像的颜色自相关图向量、计算待分类土壤图像的色矩、计算待分类土壤图像的Gabor特征,和/或计算待分类土壤图像的小波系数;
待分类特征向量获取模块,用于基于HSV直方图向量、颜色自相关图向量、色矩、Gabor特征,和/或小波系数,得到待分类特征向量。
图8示例了一种电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行土壤质地分类方法,该方法包括:获取待分类土壤图像;基于待分类土壤图像进行特征提取,得到待分类特征向量;将待分类特征向量输入至土壤质地分类模型,得到土壤质地分类模型输出的第一分类结果;其中,土壤质地分类模型是利用多个土壤图像样本以及每个土壤图像样本相关的分类结果标签构建的样本数据集训练得到的;多个土壤图像样本是采用不同拍摄参数组合对不同质地类别的土壤样本进行拍摄得到的。
此外,上述的存储器830中的逻辑指令可以通过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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,计算机程序被处理器执行时,计算机能够执行上述各方法所提供的土壤质地分类方法,该方法包括:获取待分类土壤图像;基于待分类土壤图像进行特征提取,得到待分类特征向量;将待分类特征向量输入至土壤质地分类模型,得到土壤质地分类模型输出的第一分类结果;其中,土壤质地分类模型是利用多个土壤图像样本以及每个土壤图像样本相关的分类结果标签构建的样本数据集训练得到的;多个土壤图像样本是采用不同拍摄参数组合对不同质地类别的土壤样本进行拍摄得到的。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的土壤质地分类方法,该方法包括:获取待分类土壤图像;基于待分类土壤图像进行特征提取,得到待分类特征向量;将待分类特征向量输入至土壤质地分类模型,得到土壤质地分类模型输出的第一分类结果;其中,土壤质地分类模型是利用多个土壤图像样本以及每个土壤图像样本相关的分类结果标签构建的样本数据集训练得到的;多个土壤图像样本是采用不同拍摄参数组合对不同质地类别的土壤样本进行拍摄得到的。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是: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。

Claims (10)

1.一种土壤质地分类方法,其特征在于,包括:
获取待分类土壤图像;
基于所述待分类土壤图像进行特征提取,得到待分类特征向量;
将所述待分类特征向量输入至土壤质地分类模型,得到所述土壤质地分类模型输出的第一分类结果;
其中,所述土壤质地分类模型是利用多个土壤图像样本以及每个土壤图像样本相关的分类结果标签构建的样本数据集训练得到的;所述多个土壤图像样本是采用不同拍摄参数组合对不同质地类别的土壤样本进行拍摄得到的。
2.根据权利要求1所述的土壤质地分类方法,其特征在于,所述土壤质地分类模型,是基于以下步骤训练得到的:
获取所述样本数据集;所述样本数据集包括多个第一土壤图像样本特征向量和每个所述第一土壤图像样本特征向量相关的分类结果标签;每一所述第一土壤图像样本特征向量是对每一土壤图像样本进行特征提取得到的;
确定所述土壤质地分类模型对每个所述拍摄参数组合的第一土壤图像样本特征向量的第二分类结果;
基于每个所述拍摄参数组合的第一土壤图像样本特征向量的第二分类结果和第一土壤图像样本特征向量的分类结果标签确定目标拍摄参数组合;
根据所述目标拍摄参数组合得到更新样本数据集;
基于所述更新样本数据集训练所述土壤质地分类模型。
3.根据权利要求2所述的土壤质地分类方法,其特征在于,所述更新样本数据集是基于以下步骤得到的:
从所述样本数据集中筛选出多个第二土壤图像样本特征向量;每一所述第二土壤图像样本特征向量是从所述样本数据集中基于所述目标拍摄参数组合拍摄的每一所述第一土壤图像样本特征向量得到的;
基于所述多个第二土壤图像样本特征向量和每个所述第二土壤图像样本特征向量相关的分类结果标签构建所述更新样本数据集。
4.根据权利要求2所述的土壤质地分类方法,其特征在于,所述基于每个所述拍摄参数组合的第一土壤图像样本特征向量的第二分类结果和第一土壤图像样本特征向量的分类结果标签确定目标拍摄参数组合,包括:
基于每个所述拍摄参数组合的第一土壤图像样本特征向量的第二分类结果和第一土壤图像样本特征向量的分类结果标签计算第一分类准确率;
在所述第一分类准确率大于或等于设定阈值的情况下,确定所述第一分类准确率对应的拍摄参数组合为目标拍摄参数组合。
5.根据权利要求3所述的土壤质地分类方法,其特征在于,所述基于所述更新样本数据集训练所述土壤质地分类模型,包括:
确定所述土壤质地分类模型对每个所述第二土壤图像样本特征向量的分类结果的准确率和召回率的调和平均数;
基于所有所述第二土壤图像样本特征向量的分类结果中最高的所述调和平均数调整所述土壤质地分类模型的模型参数;
基于调整后的所述模型参数设置所述土壤质地分类模型。
6.根据权利要求1所述的土壤质地分类方法,其特征在于,在所述获取待分类土壤图像之后,还包括:
增强所述待分类土壤图像的对比度、对所述待分类土壤图像进行降噪处理,和/或对所述待分类土壤图像进行纹理分割。
7.根据权利要求1所述的土壤质地分类方法,其特征在于,所述基于所述待分类土壤图像进行特征提取,得到待分类特征向量,包括:
计算所述待分类土壤图像的HSV直方图向量、计算所述待分类土壤图像的颜色自相关图向量、计算所述待分类土壤图像的色矩、计算所述待分类土壤图像的Gabor特征,和/或计算所述待分类土壤图像的小波系数;
基于所述HSV直方图向量、所述颜色自相关图向量、所述色矩、所述Gabor特征,和/或所述小波系数,得到所述待分类特征向量。
8.一种土壤质地分类装置,其特征在于,包括:
第一获取模块,用于获取待分类土壤图像;
特征提取模块,用于基于所述待分类土壤图像进行特征提取,得到待分类特征向量;
第一分类结果确定模块,用于将所述待分类特征向量输入至土壤质地分类模型,得到所述土壤质地分类模型输出的第一分类结果;
其中,所述土壤质地分类模型是利用多个土壤图像样本以及每个土壤图像样本相关的分类结果标签构建的样本数据集训练得到的;所述多个土壤图像样本是采用不同拍摄参数组合对不同质地类别的土壤样本进行拍摄得到的。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上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程序时实现如权利要求1至7任一项所述的土壤质地分类方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的土壤质地分类方法。
CN202310285248.6A 2023-03-22 2023-03-22 土壤质地分类方法、装置和电子设备 Active CN116486140B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310285248.6A CN116486140B (zh) 2023-03-22 2023-03-22 土壤质地分类方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310285248.6A CN116486140B (zh) 2023-03-22 2023-03-22 土壤质地分类方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN116486140A true CN116486140A (zh) 2023-07-25
CN116486140B CN116486140B (zh) 2024-04-05

Family

ID=87211055

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310285248.6A Active CN116486140B (zh) 2023-03-22 2023-03-22 土壤质地分类方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN116486140B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108401106A (zh) * 2018-02-24 2018-08-14 深圳前海量子云码科技有限公司 一种拍摄参数优化方法、装置、终端及存储介质
CN109284686A (zh) * 2018-08-23 2019-01-29 国网山西省电力公司计量中心 一种摄像头自动俯仰拍照的标签识别方法
CN111415205A (zh) * 2020-03-26 2020-07-14 倪慧珍 一种基于大数据的建筑工程造价评估系统
CN113436153A (zh) * 2021-06-11 2021-09-24 中国科学院南京土壤研究所 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法
CN113807160A (zh) * 2021-04-06 2021-12-17 京东科技控股股份有限公司 图像采集设备劫持的检测方法、装置及计算机设备
US20220079544A1 (en) * 2019-04-02 2022-03-17 Innotech Medical Industries Corp. An integrated x-ray precision imaging device
CN114199381A (zh) * 2021-12-13 2022-03-18 国网陕西省电力公司延安供电公司 一种改进红外检测模型的电气设备故障检测方法
CN114580767A (zh) * 2022-03-10 2022-06-03 广州大学 基于图像处理的土壤质地预测方法及装置
CN115294329A (zh) * 2022-08-15 2022-11-04 中科微影(浙江)医疗科技有限公司 一种基于深度学习模型的病灶图像识别方法
CN115393645A (zh) * 2022-08-27 2022-11-25 宁波华东核工业工程勘察院 一种土壤自动分类定名方法、系统、存储介质及智能终端
CN115623313A (zh) * 2022-09-29 2023-01-17 湖北星纪时代科技有限公司 图像处理方法、图像处理装置、电子设备、存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108401106A (zh) * 2018-02-24 2018-08-14 深圳前海量子云码科技有限公司 一种拍摄参数优化方法、装置、终端及存储介质
CN109284686A (zh) * 2018-08-23 2019-01-29 国网山西省电力公司计量中心 一种摄像头自动俯仰拍照的标签识别方法
US20220079544A1 (en) * 2019-04-02 2022-03-17 Innotech Medical Industries Corp. An integrated x-ray precision imaging device
CN111415205A (zh) * 2020-03-26 2020-07-14 倪慧珍 一种基于大数据的建筑工程造价评估系统
CN113807160A (zh) * 2021-04-06 2021-12-17 京东科技控股股份有限公司 图像采集设备劫持的检测方法、装置及计算机设备
CN113436153A (zh) * 2021-06-11 2021-09-24 中国科学院南京土壤研究所 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法
CN114199381A (zh) * 2021-12-13 2022-03-18 国网陕西省电力公司延安供电公司 一种改进红外检测模型的电气设备故障检测方法
CN114580767A (zh) * 2022-03-10 2022-06-03 广州大学 基于图像处理的土壤质地预测方法及装置
CN115294329A (zh) * 2022-08-15 2022-11-04 中科微影(浙江)医疗科技有限公司 一种基于深度学习模型的病灶图像识别方法
CN115393645A (zh) * 2022-08-27 2022-11-25 宁波华东核工业工程勘察院 一种土壤自动分类定名方法、系统、存储介质及智能终端
CN115623313A (zh) * 2022-09-29 2023-01-17 湖北星纪时代科技有限公司 图像处理方法、图像处理装置、电子设备、存储介质

Also Published As

Publication number Publication date
CN116486140B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN107194937B (zh) 一种开放环境下中医舌象图像分割方法
CN109154978A (zh) 用于检测植物疾病的系统和方法
CN108765465B (zh) 一种无监督sar图像变化检测方法
CN111784721A (zh) 基于深度学习的超声内窥图像智能分割与量化方法及系统
Xu et al. Hyperspectral image denoising using a spatial–spectral monte carlo sampling approach
CN111310571B (zh) 一种基于空谱维滤波的高光谱图像分类方法及装置
CN110070545B (zh) 一种城镇纹理特征密度自动提取城镇建成区的方法
Shihavuddin et al. Automated classification and thematic mapping of bacterial mats in the north sea
CN112053371A (zh) 一种遥感图像中的水体提取方法和装置
CN112883987A (zh) 基于遥感光谱特征的目标提取方法及系统及装置及介质
US20230146924A1 (en) Neural network analysis of lfa test strips
Shire et al. A review paper on: agricultural plant leaf disease detection using image processing
CN116309612B (zh) 基于频率解耦监督的半导体硅晶圆检测方法、装置及介质
CN116486140B (zh) 土壤质地分类方法、装置和电子设备
Nazeran et al. Biomedical image processing in pathology: a review
CN108960285B (zh) 一种分类模型生成方法、舌体图像分类方法及装置
CN111062954A (zh) 一种基于差分信息统计的红外图像分割方法、装置及设备
CN109345539B (zh) 基于图像抽象的自适应Mean-Shift立木图像分割方法
CN109359583B (zh) 一种遥感影像中显著性面状特定目标提取方法
CN112116598A (zh) 一种花卉种类识别方法及系统
Vijayalakshmi A new shape feature extraction method for leaf image retrieval
CN116205940B (zh) 基于医学检验的数字图像目标检测方法及系统
Han et al. TemPanSharpening: A multi-temporal Pansharpening solution based on deep learning and edge extraction
CN117333494B (zh) 基于深度学习的秸秆覆盖率检测方法及系统
CN117197651B (zh) 一种结合边缘检测与语义分割的田块提取方法及系统

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
GR01 Patent grant
GR01 Patent grant