CN116840447A - 一种基于多传感器与神经网络的土壤紧实度检测方法 - Google Patents
一种基于多传感器与神经网络的土壤紧实度检测方法 Download PDFInfo
- Publication number
- CN116840447A CN116840447A CN202310829150.2A CN202310829150A CN116840447A CN 116840447 A CN116840447 A CN 116840447A CN 202310829150 A CN202310829150 A CN 202310829150A CN 116840447 A CN116840447 A CN 116840447A
- Authority
- CN
- China
- Prior art keywords
- soil
- neural network
- force
- value
- alpha
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 155
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 65
- 230000008569 process Effects 0.000 claims abstract description 51
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 238000009826 distribution Methods 0.000 claims abstract description 21
- 238000003780 insertion Methods 0.000 claims abstract description 20
- 230000037431 insertion Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000004140 cleaning Methods 0.000 claims abstract description 6
- 238000002156 mixing Methods 0.000 claims abstract description 4
- 239000000523 sample Substances 0.000 claims description 48
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000033001 locomotion Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 20
- 230000000875 corresponding effect Effects 0.000 description 16
- 238000005259 measurement Methods 0.000 description 11
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 230000006872 improvement Effects 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000486463 Eugraphe sigma Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000005358 geomagnetic field Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/245—Earth materials for agricultural purposes
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Food Science & Technology (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Remote Sensing (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于多传感器与神经网络的土壤紧实度检测方法，能够适用各种地形，包括：采集多种质地土壤样本的检测数据；进行无迹卡尔曼滤波以及数据清洗，输出去除噪声后的力‑时间‑对地距离三维度信息和土壤多参数信息数据；基于力‑时间‑对地距离三维度信息和土壤多参数信息数据对物理信息神经网络模型进行训练；计算每次插入土壤过程的力的分布、功率分布、动态分布、频域特征和时频特征，并结合力‑时间‑对地距离三维度信息训练深度神经网络模型；将训练后的模型进行融合，引入调和参数α进行混合模型的训练；将待测样本土壤的力‑时间‑对地距离三维度信息和温湿度数据作为混合模型的输入，输出预测的土壤紧实度。
Description
技术领域
本发明涉及土壤检测技术领域，更具体的说是涉及一种基于多传感器与神经网络的土壤紧实度检测方法。
背景技术
土壤紧实度是影响农业生产和环境保护的关键因素之一。合适的土壤紧实度有利于作物生长、减少水分蒸发、降低水肥浪费。
现有的土壤紧实度测量方法大多基于单一数据来源，难以全面反映土壤的物理特性和环境变化。近年来，随着无人机、传感器技术以及大数据分析技术的快速发展，对土壤紧实度进行实时、高精度测量成为可能。然而，目前的研究和生产过程中仍然存在一些问题，需要进一步改进和优化，需要一种适用各种地形、实时、可视化程度良好的土壤紧实度检测技术。
发明内容
有鉴于此，本发明提供了一种基于多传感器与神经网络的土壤紧实度检测方法，在多种地形条件下，通过分析多源数据检测土壤紧实度，并将结果可视化呈现，能够为地理研究、种植规划提高数字化方案和数据支撑，从土壤紧实度大小和插入土过程中所需力的大小成正相关关系入手，提出便携、快速、有效的土壤紧实度检测方法。
为了实现上述目的，本发明采用如下技术方案：
一种基于多传感器与神经网络的土壤紧实度检测方法，包括：
采集多种质地土壤样本的检测数据；
对检测数据进行无迹卡尔曼滤波以及数据清洗，结合采集过程对应的时间戳，输出去除噪声后的力-时间-对地距离三维度信息和土壤多参数信息数据；
基于力-时间-对地距离三维度信息和土壤多参数信息数据对物理信息神经网络模型进行训练；
基于力-时间-对地距离三维度信息计算每次插入土壤过程的力的分布、功率分布、动态分布、频域特征和时频特征，并结合土壤相关理化性质训练深度神经网络模型；
将训练后的物理信息神经网络模型和深度神经网络模型进行融合，引入调和参数α进行混合模型的训练；
将待测样本土壤的力-时间-对地距离三维度信息和温湿度数据作为混合模型的输入，输出预测的土壤紧实度。
优选地，采集多种质地土壤样本的检测数据具体包括：
选择多组砂质土、黏质土、壤土三种质地的土壤样本，针对每种质地的每个土壤样本，采集土壤温湿度、土壤摩擦系数、土壤弹性模量、插入土壤时所施加的力的大小、土壤紧实度真值、插入过程对地距离、对应的位置信息和姿态信息。
优选地，无迹卡尔曼滤波具体过程为：
定义状态向量：xt＝[F,t,d,temp,H,μ,E]T
其中F为插入土壤时所施加的力的大小真实值，t为时间，d为插入过程对地距离真实值，temp为土壤温度真实值，H为土壤湿度真实值，μ为土壤摩擦系数真实值，E为土壤弹性模量真实值；
定义观测向量：zt＝[Fm,dm,tempm,Hm,μm,]T
其中Fm为插入土壤时所施加的力的大小，dm为插入过程对地距离，tempm为测量的土壤温度，Hm为测量的土壤湿度；
定义动态模型：xt+1＝f(xt,wt)，zt＝h(xt,vt)
其中f和h分别为状态转移函数和观测函数，wt和vt为过程噪声和观测噪声。
优选地，还包括：
对预测的土壤紧实度进行归一化处理后，根据经纬度和海拔高度，为每个预测结果生成一个三维坐标，将预测的土壤紧实度结果进行三维可视化。
优选地，还包括：
基于预测的土壤紧实度，结合位置信息进行数据融合，将预测结果呈现在地形图上，得到被测土壤区域的土壤紧实度分布。
优选地，调和参数α计算过程为：
初始化调和参数α的值，α＝∈[0,1]；
根据α值，计算混合模型ypred的预测值，计算公式为：
ypred＝α*y1+(1-α)*y2
其中y1为物理信息神经网络模型的预测值，y2为深度神经网络模型的预测值；
计算预测值ypred与土壤紧实度真值ytrue之间的差值error:
error＝ypred-ytrue；
计算每个样本预测误差的平方：squarederror＝error2；
计算所有样本预测误差平方的均值：
计算均方根误差RMSE：
基于均方根误差构建高斯过程回归模型，通过高斯过程回归模型计算采集函数EI；高斯过程回归模型被用于预测每个可能的α值对应的目标函数值，包括预测均值μ(α)和预测标准差σ(α)，可用于计算期望改进(EI)的值并指导参数α的优化；
基于采集函数EI指导α值的迭代更新，计算EI(α)的值，即给定一个α值，所求的EI(α)衡量了在该α下预期能对目标函数进行多大程度的改进，公式为：
其中，μ(α)是预测均值；σ(α)是预测标准差；ξ是探索参数，设置成0.01；Φ(Z)和分别表示标准正态分布的累积分布函数和概率密度函数；
在α的搜索空间内找到最大的EI(α)，对应的α值即为最佳的调和参数αbest，即在已有样本中，使得目标函数值最优(最大或最小，取决于问题的性质)的α值，在每次迭代中，会根据新的αbest更新，在α的搜索空间内找到最大的EI(α)，对应的α值会被设置为新的αbest，用于下一次迭代。
优选地，数据清洗过程中，删除缺失值；检测异常值；对数据进行标准化归一化处理，使得数据在相同的量级范围内。
优选地，通过IMU模块获取探针运动状态，基于四元数表示探针姿态，结合探针与地边夹角，对插入土壤时所施加的力的大小和插入过程对地距离进行矫正。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于多传感器与神经网络的土壤紧实度检测方法，能够适用各种地形、可视化程度好。
附图说明
为了更清楚地说明本发明实施例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，还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的基于多传感器与神经网络的土壤紧实度检测方法流程图。
图2附图为本发明提供的传感器位置分布设计图。
其中，1、压阻式力传感器，2、温湿度传感器，3激光测距传感器，4、温湿度传感器探针，5、弹簧。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
如图1所示，一种基于多传感器与神经网络的土壤紧实度检测方法，包括：
采集多种质地土壤样本的检测数据；
对检测数据进行无迹卡尔曼滤波以及数据清洗，结合采集过程对应的时间戳，输出去除噪声后的力-时间-对地距离三维度信息和土壤多参数信息数据；
基于力-时间-对地距离三维度信息和土壤多参数信息数据对物理信息神经网络模型进行训练；
基于力-时间-对地距离三维度信息计算每次插入土壤过程的力的分布、功率分布、动态分布、频域特征和时频特征，并结合力-时间-对地距离三维度信息训练深度神经网络模型；
将训练后的物理信息神经网络模型和深度神经网络模型进行融合，引入最佳调和参数α进行混合模型的训练；
将待测样本土壤的力-时间-对地距离三维度信息和温湿度数据作为混合模型的输入，输出预测的土壤紧实度。
在本实施例中，采集多种质地土壤样本的检测数据具体包括：
选择多组砂质土、黏质土、壤土三种质地的土壤样本，针对每种质地的每组土壤样本，采集土壤温湿度、土壤摩擦系数、土壤弹性模量、插入土壤时所施加的力的大小、土壤紧实度真值、插入过程对地距离、对应的位置信息和姿态信息。
更具体的，如图2所示，土壤紧实度检测仪下端放置多个温湿度传感器探针4、默认探针端头竖直朝下，温湿度传感器2上方空间用来安置压阻式力传感器1，留有空间余量利用弹簧5进行探针固定，固定后将压阻式力传感器数据调零，同时安装激光测距传感器3对插入土壤的深度进行测量，安置核心板进行控制，内置GPS模块和IMU模块进行检测仪的地理位置和运动姿态进行数据采集。
针对每个样本，通过压阻式力传感器1测量向下土壤时所需施加力的大小，通过土壤温湿度传感器2测得土壤温湿度，通过激光测距传感器3测量插入过程对地距离，结合对应的时刻作数据输出，即随着时间，力和对地距离的变化，通过GPS模块和IMU模块测得当前位置和姿态信息，用标定测量土壤的位置信息以及调整插入土壤的姿态矫正，使用土壤紧实度测定仪测量土壤样本的紧实度真值。使用摩擦系数测定仪采集采集点对应土壤的土壤摩擦系数，根据土类的弹性模量的参考值统一选择合适的弹性模量。
每个样本至少采集3次数据，以获得稳定的测量结果。
具体地，本实施说明应用于山地土壤紧实度检测，根据前期勘察的山体特征，建议在山地地形上每距离3米或5米选取多个测试点，每个测试点采集3次数据。需要说明的是本发明方法也可以应用在其它地形类型中，此实施例只是一个具体说明。
进一步地，激光测距传感器在温湿度传感器探针竖直插入土壤过程中，定义温湿度传感器探针长度为L1，对地距离为L2，允许误差为L0，则会产生如下情况：
(1)L2-L1大于L0，则说明并未做好采样准备。
(2)L2-L1小于或等于L0，且L2-L1大于0，则做好采集准备。
(3)L2-L1小于0，则是处于数据采集过程。
如图2所示，本实施例在采集数据后，通过IMU模块进行姿态矫正。在应用山体过程中，地势地形会对检测仪的传感器模块数据的精度产生直接影响，首先需要克服插入土壤的方向在与地面不垂直的问题，根据IMU模块实时测量探针的加速度、角速度和地磁场信息，解析出温湿度传感器探针在空间中的姿态，以四元数的方法表示温湿度传感器探针的姿态，具体步骤如下：
结合压阻式力传感器为实例
温湿度传感器探针随检测仪理想竖直于地面情况下，四元数qIMU表示为:
qIMU＝[w,x,y,z]；
其中w是标量部分，[w,x,y,z]是向量部分，探针相对于地面坐标系(或者参考坐标系)的旋转，
定义一个在探针坐标系中表示力传感器方向的向量vprobe，例如[0,0,1]表示探针沿着其自身坐标系的Z轴测量力。
为了将探针坐标系中的向量vprobe转换为地面坐标系中的向量vground，需要用姿态四元数qIMU对vprobe进行旋转。
四元数旋转公式如下：
其中，是四元数的逆(或共轭)，对于单位四元数(即||qIMU||＝1)，逆四元数的计算公式为/>注意，这里的*表示四元数乘法。
四元数乘法公式如下：
q1*q2＝[w1*w2-x1*x2-y1*y2-z1*z2,
w1*x2-x1*w2-y1*z2-z1*y2,
w1*y2-x1*z2-y1*w2-z1*x2,
w1*z2-x1*y2-y1*x2-z1*w2,]
四元数旋转和乘法公式可以计算出vprobe，这是地面坐标系中表示力传感器方向的向量。然后，可以将测量到的力值投影到这个方向上，从而通过IMU模块对力进行纠正。具体地，可以计算力值与vprobe的点积，得到纠正后的力值。
IMU姿态纠正对插入过程对地距离的处理与上述部分同理。
定义激光测距传感器在探针坐标系中指向地面的向量：vlaser-probe，例如[0,0,-1]，表示激光测距传感器沿着探针自身坐标系的负Z轴测量距离。
将vlaser-probe转换为地面坐标系中的向量vlaser-ground。具体而言，需要使用IMU测量的姿态四元数qIMU对vlaser-probe进行旋转：
计算测量插入过程对地距离(假设为dlaser)与vlaser-ground的点积得到激光测距仪测量的距离在地面坐标系中的垂直分量。设地面坐标系的单位向量为vup＝[0,0,-1]，则纠正后的插入过程对地距离dground可以通过以下公式计算：
dground＝dlaser*(vlaser-ground·vup)。
在本实施例中，数据预处理，首先是将初始数据进行无迹卡尔曼滤波算法处理，该算法能有效提高非线性数据的准确性和稳定性，无迹卡尔曼滤波算法主要步骤如下：
a.初始化准备：
初始化状态向量x0和协方差矩阵p0
定义状态向量：xt＝[F,t,d,temp,H,μ,E]T
其中F为插入土壤时所施加的力的大小真实值，t为时间，d为插入过程对地距离真实值，temp为土壤温度真实值，H为土壤湿度真实值，μ为土壤摩擦系数真实值，E为土壤弹性模量真实值。
定义观测向量：zt＝[Fm,dm,tempm,Hm,]T
其中Fm为插入土壤时所施加的力的大小，dm为插入过程对地距离，tempm为测量的土壤温度，Hm为测量的土壤湿度,；
定义动态模型：xt+1＝f(xt,wt)，zt＝h(xt,vt)
其中f和h分别为状态转移函数和观测函数，wt和vt为在xt状态下的过程噪声和观测噪声。
根据当前时刻的状态xt和过程噪声wt，计算预测状态转移矩阵Ft和预测状态协方差矩阵Pt：
其中，0表示过程噪声为零向量，Q为过程噪声协方差矩阵；
b.计算sigma点:
其中,为第一个sigma点,即为当前状态的估算值,/>即为在接下来n个sigma点在当前状态的基础上增加一个向量,该向量为状态协方差矩阵的Pt对应维度的合适列；是在当前估计状态的基础上减去一个向量,该向量为状态协方差矩阵的Pt对应维度的合适列；λ为无迹卡尔曼滤波算法一个调节参数，用于控制sigma点分布的参数，通常取值为3-n，n为状态向量的维度，/>表示矩阵的第i个特征值的平方根,pt为预测在状态xt的协方差矩阵,i表示状态变量对应的第i个维度。
c.预测sigma点：
其中,为根据t-1时刻得到的t时刻预测值的第i个sigma点,f为状态转移函数。
d.计算预测状态向量和预测协方差矩阵Pt∣t-1:
其中，为预测步骤后的状态均值，Pt∣t-1为预测步骤后的协方差矩阵，/>和为权重系数，α和β为无迹卡尔曼滤波算法参数，一般取值为0.1，Q为过程噪声协方差矩阵；
e.计算观测sigma点：
即状态转移后的sigma点，vt为观测噪声，vt大小主要取决于传感器精度；
i.计算预测观测均值和观测协方差矩阵St：
计算预测的测量值均值。每个sigma点的预测测量值被其对应的权重/>加权后求和，得到了预测的测量值均值/>
计算预测的测量值协方差矩阵St。它表示的是预测的测量值的不确定性。每个sigma点的预测测量值的偏差(即)被其对应的权重/>加权后，再乘以其转置形成的矩阵，然后求和。R是测量噪声的协方差矩阵，用于考虑测量噪声的影响。
f.计算卡尔曼增益Kt：
其中Ct为预测状态和预测观测值之间的交叉协方差，用于表示状态值和测量值之间的相关性。
g.更新状态向量和协方差矩阵：
xt|t表示在获得t时刻的观测值后更新的状态向量。zt表示在t时刻的实际观测向量，而表示在t-1时刻预测的t时刻的观测均值。
Pt|t表示在获得t时刻的观测向量后更新的协方差矩阵。Pt|t-1是在t-1时刻预测的t时刻的协方差矩阵，St是在t-1时刻预测的t时刻的观测协方差矩阵，Kt是t时刻的卡尔曼增益矩阵，Kt是更新状态估计的关键因子。卡尔曼增益Kt决定了在状态更新时，应当赋予预测状态和测量值之间的比例。如果卡尔曼增益较大，那么测量值的影响就会更大；如果卡尔曼增益较小，那么预测状态的影响就会更大。
在本实施例中，数据清洗主要包括：删除缺失值，使用箱线图或3σ原则检测异常值，使用zscore函数实现数据标准化，得到可靠的力-时间-对地距离三维度信息，提供模型训练。
在本实施例中，基于力-时间-对地距离三维度信息和土壤多参数信息数据(土壤温湿度temp，土壤摩擦系数μ，土壤弹性模量E)训练物理信息神经网络(PINN)模型。
在本实施例中，深度神经网络模型的训练。统计模型需要大量特征数据作为输入层：
(1)动态特征：力的变化速率(力的导数)、功率的变化速率(功率的导数)；
(2)统计特征：力的中位数、功率的中位数、最大值、最小值、标准差、功率的峰值与平均值之比(Peak-to-Average Ratio,PAR)，传感器采集数据过程是时序的，在力-时间-对地距离在坐标上显示是一个连续的曲面，例如在力的轴面方向上峰值可得力的最值，对力和时间进行积分可以获得功率大小，力和对地距离进行积分可以获得做功大小；
(3)频域特征：力信号的频谱特征(如能量谱密度、频谱中心频率等)、功率信号的频谱特征(如能量谱密度、频谱中心频率等)；
(4)时频特征：利用短时傅里叶变换(STFT)、小波变换等时频分析方法，提取信号的时频特征；
进一步地，丰富输入层的同时，采用最小冗余最大相关性(mRMR)特征选择方法对上述几组特征数据进行特征选择，保持最大相关性的同时，保持最小冗余，规避过拟合情况的出现，避免高度相关的特征引入。
进一步地，深度神经网络模型的设置3到5个隐藏层，每个隐藏层设置100到200个神经源，选择ReLU激活函数，并增加正则化项L1或L2。输出层则为预测土壤紧密度，可以选择线性激活函数直接输出。
在本实施例中，混合模型ypred的融合。引入调和参数α平衡物理信息神经网络模型和深度神经网络模型对预测结果的贡献，α取值范围为[0,1]。
进一步地，利用贝叶斯优化查找最优的调和参数αbest，使ypred保持物理合理性的同时，提高ypred预测的准确性和鲁棒性。初始化α值，根据α值对应的预测误差，由此构建高斯过程回归模型，通过高斯过程回归描述混合模型ypred的不稳定性，选择采集函数ExpectedImprovement(EI)对应的α值进行迭代更新，最后需要找到最大的EI(α),即为最佳的调和参数αbest，具体过程如下：
初始化调和参数α的值，α＝∈[0,1]；
根据α值，计算混合模型ypred的预测值。计算公式为：
ypred＝α*y1+(1-α)*y2，
其中y1为物理信息神经网络模型的预测值，y2为深度神经网络模型的预测值；
计算预测值ypred与土壤紧实度真值ytrue之间的差值error：
error＝ypred-ytrue；
计算每个样本预测误差的平方：squarederror＝error2；
计算所有样本预测误差平方的均值：
计算均方根误差RMSE：
基于均方根误差构建高斯过程回归模型，描述混合模型ypred的不稳定性，从而提供关于调和参数α的优化指导；高斯过程回归模型被用于预测每个可能的α值对应的目标函数值，包括预测均值μ(α)和预测标准差σ(α)，可用于计算期望改进(EI)的值并指导参数α的优化；
基于采集函数EI指导α值的迭代更新，计算EI(α)的值，即给定一个α值，所求的EI(α)衡量了在该α下预期能对目标函数进行多大程度的改进，公式为：
其中，μ(α)是预测均值；σ(α)是预测标准差；ξ是探索参数，设置成0.01；Φ(Z)和分别表示标准正态分布的累积分布函数和概率密度函数；
在α的搜索空间内找到最大的EI(α)，对应的α值即为最佳的调和参数αbest，即在已有样本中，使得目标函数值最优(最大或最小，取决于问题的性质)的α值，在每次迭代中，会根据新的αbest更新，在α的搜索空间内找到最大的EI(α)，对应的α值会被设置为新的αbest，用于下一次迭代。
在本实施例中，对预测的土壤紧实度数据进行归一化处理后，使用coordinates将经纬度和海拔高度数据整合到一个矩阵，为每个预测结果生成一个三维坐标，可以通过MATLAB的带有颜色映射散点图进行将预测的土壤紧实度结果进行三维可视化，即使用scatter3()绘制三维散点图，通过colormap()来指定颜色映射，反应了紧密度大小。
在本实施例中，根据山地的地形点云数据和无人机测得的植被高度数据，再结合预测的土壤紧实度结果，创建一个带有植被覆盖和土壤紧实度的山地地形三维模型，根据土壤紧实度数据为每个采样点着色，从而展示山地区域的土壤紧实度分布，以便于用户直观地了解土壤紧实度在地理空间上的分布情况。
在山地地区有效地检测和预测土壤紧实度。这将为农业生产、土壤保护和生态恢复提供有益信息，有助于实现可持续发展和生态保护。此外，这种方法在其它地形类型中也具有广泛的应用前景。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于多传感器与神经网络的土壤紧实度检测方法，其特征在于，包括：
采集多种质地土壤样本的检测数据；
对检测数据进行无迹卡尔曼滤波以及数据清洗，结合采集过程对应的时间戳，输出去除噪声后的力-时间-对地距离三维度信息和土壤多参数信息数据；
基于力-时间-对地距离三维度信息和土壤多参数信息数据对物理信息神经网络模型进行训练；
基于力-时间-对地距离三维度信息计算每次插入土壤过程的力的分布、功率分布、动态分布、频域特征和时频特征，并结合力-时间-对地距离三维度信息训练深度神经网络模型；
将训练后的物理信息神经网络模型和深度神经网络模型进行融合，引入调和参数α进行混合模型的训练；
将待测样本土壤的力-时间-对地距离三维度信息和温湿度数据作为混合模型的输入，输出预测的土壤紧实度。
2.根据权利要求1所述的一种基于多传感器与神经网络的土壤紧实度检测方法，其特征在于，采集多种质地土壤样本的检测数据具体包括：
选择多组砂质土、黏质土、壤土三种质地的土壤样本，针对每种质地的每个土壤样本，采集土壤温湿度、土壤摩擦系数、土壤弹性模量、插入土壤时所施加的力的大小、土壤紧实度真值、插入过程对地距离、对应的位置信息和姿态信息。
3.根据权利要求2所述的一种基于多传感器与神经网络的土壤紧实度检测方法，其特征在于，无迹卡尔曼滤波具体过程为：
定义t时刻的状态向量：xt＝[F,t,d,temp,H,μ,E]T
其中F为插入土壤时所施加的力的大小真实值，t为时间，d为插入过程对地距离真实值，temp为土壤温度真实值，H为土壤湿度真实值，μ为土壤摩擦系数真实值，E为土壤弹性模量真实值；
定义观测向量：zt＝[Fm,dm,tempm,Hm,μm,]T
其中Fm为插入土壤时所施加的力的大小，dm为插入过程对地距离，tempm为壤温度，Hm为土壤湿度；
定义动态模型：xt+1＝f(xt,wt)，zt＝h(xt,vt)
其中f和h分别为状态转移函数和观测函数，wt和vt为过程噪声和观测噪声。
4.根据权利要求1所述的一种基于多传感器与神经网络的土壤紧实度检测方法，其特征在于，还包括：
对预测的土壤紧实度进行归一化处理后，根据经纬度和海拔高度，为每个预测结果生成一个三维坐标，将预测的土壤紧实度结果进行三维可视化。
5.根据权利要求1所述的一种基于多传感器与神经网络的土壤紧实度检测方法，其特征在于，还包括：
基于预测的土壤紧实度，结合位置信息进行数据融合，将预测结果呈现在地形图上，得到被测土壤区域的土壤紧实度分布。
6.根据权利要求1所述的一种基于多传感器与神经网络的土壤紧实度检测方法，其特征在于，调和参数α计算过程为：
a.初始化调和参数α的值，α＝∈[0,1]；
b.根据α值，计算混合模型ypred的预测值，计算公式为：
ypred＝α*y1+(1-α)*y2
其中y1为物理信息神经网络模型的预测值，y2为深度神经网络模型的预测值；
c.计算预测值ypred与土壤紧实度真值ytrue之间的差值error:
error＝ypred-ytrue；
d.计算每个样本预测误差的平方：squarederror＝error2；
e.计算所有样本预测误差平方的均值：
f.计算均方根误差RMSE：
g.基于均方根误差构建高斯过程回归模型，通过高斯过程回归模型计算采集函数EI；
h.基于采集函数EI指导α值的迭代更新，计算EI(α)的值，公式为：
其中，μ(α)是预测均值；σ(α)是预测标准差；ξ是探索参数，设置成0.01；Φ(Z)和分别表示标准正态分布的累积分布函数和概率密度函数；
在α的搜索空间内找到最大的EI(α)，对应的α值即为最佳的调和参数αbest。
7.根据权利要求1所述的一种基于多传感器与神经网络的土壤紧实度检测方法，其特征在于，数据清洗过程中，删除缺失值；检测异常值；对数据进行标准化归一化处理，使得数据在相同的量级范围内。
8.根据权利要求2所述的一种基于多传感器与神经网络的土壤紧实度检测方法，其特征在于，通过IMU模块获取探针运动状态，基于四元数表示探针姿态，结合探针与地边夹角，对插入土壤时所施加的力的大小和插入过程对地距离进行矫正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310829150.2A CN116840447A (zh) | 2023-07-07 | 2023-07-07 | 一种基于多传感器与神经网络的土壤紧实度检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310829150.2A CN116840447A (zh) | 2023-07-07 | 2023-07-07 | 一种基于多传感器与神经网络的土壤紧实度检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116840447A true CN116840447A (zh) | 2023-10-03 |
Family
ID=88170364
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310829150.2A Pending CN116840447A (zh) | 2023-07-07 | 2023-07-07 | 一种基于多传感器与神经网络的土壤紧实度检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116840447A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117114627A (zh) * | 2023-10-18 | 2023-11-24 | 日照市自然资源和规划局 | 土地资源管理系统 |
-
2023
- 2023-07-07 CN CN202310829150.2A patent/CN116840447A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117114627A (zh) * | 2023-10-18 | 2023-11-24 | 日照市自然资源和规划局 | 土地资源管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation | |
| Bittelli | Measuring soil water content: A review | |
| Karydas et al. | Evaluation of spatial interpolation techniques for mapping agricultural topsoil properties in Crete | |
| Gong et al. | ICEsat GLAS data for urban environment monitoring | |
| Leiriao et al. | Calculation of the temporal gravity variation from spatially variable water storage change in soils and aquifers | |
| CN105180938A (zh) | 一种基于粒子滤波的重力采样矢量匹配定位方法 | |
| CN107194054B (zh) | 一种顾及socd空间异质性的克里格插值模型构建方法 | |
| CN105157704A (zh) | 一种基于贝叶斯估计的粒子滤波重力辅助惯导匹配方法 | |
| CN116840447A (zh) | 一种基于多传感器与神经网络的土壤紧实度检测方法 | |
| CN106777585A (zh) | 一种区域浅表滑坡时空分异规律的esda分析法 | |
| CN114819737B (zh) | 公路路域植被的碳储量估算方法、系统及存储介质 | |
| Liu et al. | Investigating DEM error patterns by directional variograms and Fourier analysis | |
| CN115062260A (zh) | 一种适用于异质森林的森林生物量PolInSAR估算方法和系统、存储介质 | |
| CN107907134A (zh) | 一种里程信息辅助地磁匹配的车辆定位系统与方法 | |
| Zarai et al. | Integrating multiple electromagnetic data to map spatiotemporal variability of soil salinity in Kairouan region, Central Tunisia | |
| Ali | On the selection of an interpolation method for creating a terrain model (TM) from LIDAR data | |
| WO2011080944A1 (ja) | 水稲作付け状況把握システム、水稲作付け状況把握方法、及び水稲作付け状況把握プログラム | |
| Tourian et al. | HydroSat: a repository of global water cycle products from spaceborne geodetic sensors | |
| Wardah et al. | Radar rainfall estimates comparison with kriging interpolation of gauged rain | |
| Abd Aziz et al. | Utilizing repeated GPS surveys from field operations for development of agricultural field DEMs | |
| CN116183868A (zh) | 一种复杂生态系统土壤有机碳遥感估算方法及系统 | |
| CN109633760B (zh) | 一种基于自然电位等效融合成像的地下流体监测方法 | |
| Wang et al. | Soil moisture retrieval from sentinel-1 and sentinel-2 data using ensemble learning over vegetated fields | |
| CN115166874A (zh) | 基于机器学习的气象干旱指数spi构建方法 | |
| CN109871552B (zh) | 一种不同深度的土壤温度估算方法 |
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 |