CN116990074B - 一种智能土壤识别采样系统及方法 - Google Patents
一种智能土壤识别采样系统及方法 Download PDFInfo
- Publication number
- CN116990074B CN116990074B CN202311252108.5A CN202311252108A CN116990074B CN 116990074 B CN116990074 B CN 116990074B CN 202311252108 A CN202311252108 A CN 202311252108A CN 116990074 B CN116990074 B CN 116990074B
- Authority
- CN
- China
- Prior art keywords
- soil
- drill bit
- sampling
- unit
- image
- 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.)
- Active
Links
- 239000002689 soil Substances 0.000 title claims abstract description 204
- 238000005070 sampling Methods 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000005303 weighing Methods 0.000 claims abstract description 43
- 238000004140 cleaning Methods 0.000 claims abstract description 29
- 238000003860 storage Methods 0.000 claims abstract description 23
- 238000005553 drilling Methods 0.000 claims abstract description 18
- 238000004806 packaging method and process Methods 0.000 claims abstract description 12
- 238000004891 communication Methods 0.000 claims abstract description 6
- 230000007246 mechanism Effects 0.000 claims description 75
- 230000006870 function Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 239000000463 material Substances 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000007789 sealing Methods 0.000 claims description 12
- 239000002344 surface layer Substances 0.000 claims description 12
- 238000005520 cutting process Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010926 purge Methods 0.000 claims description 4
- 230000004323 axial length Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 238000007639 printing Methods 0.000 claims 1
- 238000005507 spraying Methods 0.000 claims 1
- 238000012856 packing Methods 0.000 abstract description 7
- 239000013598 vector Substances 0.000 description 17
- 238000005527 soil sampling Methods 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 10
- 239000012535 impurity Substances 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011480 coordinate descent method Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011524 similarity measure Methods 0.000 description 3
- 239000007921 spray Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003670 easy-to-clean Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000010908 plant waste Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004856 soil analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/02—Devices for withdrawing samples
- G01N1/04—Devices for withdrawing samples in the solid state, e.g. by cutting
- G01N1/08—Devices for withdrawing samples in the solid state, e.g. by cutting involving an extracting tool, e.g. core bit
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65B—MACHINES, APPARATUS OR DEVICES FOR, OR METHODS OF, PACKAGING ARTICLES OR MATERIALS; UNPACKING
- B65B1/00—Packaging fluent solid material, e.g. powders, granular or loose fibrous material, loose masses of small articles, in individual containers or receptacles, e.g. bags, sacks, boxes, cartons, cans, or jars
- B65B1/30—Devices or methods for controlling or determining the quantity or quality or the material fed or filled
- B65B1/32—Devices or methods for controlling or determining the quantity or quality or the material fed or filled by weighing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65B—MACHINES, APPARATUS OR DEVICES FOR, OR METHODS OF, PACKAGING ARTICLES OR MATERIALS; UNPACKING
- B65B51/00—Devices for, or methods of, sealing or securing package folds or closures; Devices for gathering or twisting wrappers, or necks of bags
- B65B51/10—Applying or generating heat or pressure or combinations thereof
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65B—MACHINES, APPARATUS OR DEVICES FOR, OR METHODS OF, PACKAGING ARTICLES OR MATERIALS; UNPACKING
- B65B61/00—Auxiliary devices, not otherwise provided for, for operating on sheets, blanks, webs, binding material, containers or packages
- B65B61/02—Auxiliary devices, not otherwise provided for, for operating on sheets, blanks, webs, binding material, containers or packages for perforating, scoring, slitting, or applying code or date marks on material prior to packaging
- B65B61/025—Auxiliary devices, not otherwise provided for, for operating on sheets, blanks, webs, binding material, containers or packages for perforating, scoring, slitting, or applying code or date marks on material prior to packaging for applying, e.g. printing, code or date marks on material prior to packaging
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65B—MACHINES, APPARATUS OR DEVICES FOR, OR METHODS OF, PACKAGING ARTICLES OR MATERIALS; UNPACKING
- B65B61/00—Auxiliary devices, not otherwise provided for, for operating on sheets, blanks, webs, binding material, containers or packages
- B65B61/04—Auxiliary devices, not otherwise provided for, for operating on sheets, blanks, webs, binding material, containers or packages for severing webs, or for separating joined packages
- B65B61/06—Auxiliary devices, not otherwise provided for, for operating on sheets, blanks, webs, binding material, containers or packages for severing webs, or for separating joined packages by cutting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Abstract
本发明提出了一种智能土壤识别采样系统及方法，包括：视觉单元识别土壤表面和土壤下方是否存在农作物杂物，判断当前位置的土壤是否适合进行采样；钻土单元用于清理表面覆盖有农作物的土壤，并将钻头插入土壤中，将钻取的泥土输送到取样仓中；输送单元选择性的清理泥土表面的农作物杂物，并将取样仓中的泥土进一步进行输送至储料斗；称重单元将输送单元输出的泥土进行定量称重；包装单元将定量称重后的泥土进行制袋包装；控制单元分别与视觉单元、钻土单元、输送单元、称重单元和包装单元通信连接。
Description
技术领域
本发明涉及土壤采样设备技术领域，尤其涉及一种智能土壤识别采样系统及方法。
背景技术
为了提高数字农业的装备智能化水平，提高自动化程度，提高作业效率，实现农场的无人化管理和作业，在土壤采样方面有必要使用自动作业机器人替代人工采集。自动化土壤采样机器人，可以节省人力成本，实现高精度、高一致性、大样本数的土壤采集。采样检测结合遥感数据、地面农业传感器数据进行农情反演，可以建立精准的肥力模型和作业处方图。根据更加准确的土壤数据可以实现精准的具有针对性的肥料施放、喷水灌溉等作业，提高农业生产效率，提升农作物产量但是实现土壤采样的前提是土壤采样的精度满足要求。
无人农场由于机械化运作，农作物进行处理时采取简化处理，导致先前种植的农作物的根茎和杆叶留在当前土壤中，造成了复杂的土壤状态。如果不考虑农作物杂物，会造成土壤采集质量过差，杂物过多的问题。因此，提供一种能够识别并清理表面的农作物杂物，精准识别土壤表层，对土壤进行固定深度采集的智能土壤识别采样系统及方法，是很有必要的。
发明内容
有鉴于此，本发明提出了一种能够清理土壤表层以及土壤一定深度下的农作物杂物分布状况、降低农作物杂物对土壤采样品质的不利影响，实现智能土壤识别采样系统及方法。
本发明的技术方案是这样实现的：
一方面，本发明提供了一种智能土壤识别采样系统，包括：
视觉单元，识别土壤表面和土壤下方是否存在农作物杂物，判断当前位置的土壤是否适合进行采样；
钻土单元，用于清理表面覆盖有农作物的土壤，并将钻头插入土壤中，将钻取的泥土输送到取样仓中；
输送单元，选择性的清理泥土表面的农作物杂物，并将取样仓中的泥土进一步进行输送至储料斗；
称重单元，将输送单元输出的泥土进行定量称重；
包装单元，将定量称重后的泥土进行制袋包装；
控制单元，分别与视觉单元、钻土单元、输送单元、称重单元和包装单元通信连接。
在以上技术方案的基础上，优选的，所述钻土单元还包括升降电机、直线运动机构、驱动电机、外钻管和内钻头；升降电机与直线运动机构转动连接，用于驱动直线运动机构的运动部沿铅垂方向往复运动；驱动电机固定设置在直线运动机构的运动部上，驱动电机的输出轴上设置有取样仓，且驱动电机的输出轴贯穿取样仓设置，驱动电机的输出轴伸出取样仓的部分设置有外钻管和内钻头，外钻管与取样仓密封连接；内钻头与驱动电机的输出轴固定连接，外钻管和内钻头均朝着远离取样仓的方向竖直向下延伸；内钻头沿着驱动电机的轴向方向运动并与取样仓连通；外钻管靠近土壤的一侧设置有刀刃部，内钻头为螺旋形结构，内钻头的轴向长度大于外钻管的轴向长度；取样仓还与输送单元连通。
优选的，所述输送单元包括物料管、可产生负压或者正压的风机和储料斗，当风机产生正压时，正压空气顺次经过储料斗、物料管、取样仓、外钻管和内钻头，对土壤表面的农作物杂物进行吹扫；当风机产生负压时，负压空气产生吸力并带动泥土依次经过取样仓和物料管，并进入储料斗。
优选的，所述称重单元包括螺杆机构、称重机构和排料管；螺杆机构水平的设置在储料斗靠近地面的一端，螺杆机构轴向延伸方向的两端分别设置有称重机构和排料管；螺杆机构正转时将储料斗内的泥土向称重机构方向输送，当称重机构上的泥土的重量达到设定值时，螺杆机构反转，将多余的泥土通过排料管向外排出。
优选的，所述包装单元包括膜卷输送机构、管状膜卷、封切机构和激光打码机构；管状膜卷绕设在膜卷输送机构上，膜卷输送机构驱动管状膜卷运动，且管状膜卷的开口正对称重机构的出料端；激光打码机构将泥土的采样信息喷印在管状膜卷的表面；封切机构对装填泥土的管状膜卷进行热封和切断，使装有泥土的管状膜卷竖直掉落。
优选的，所述视觉单元包括摄像机，用于配合外钻管和内钻头和正压输出的风机清理土壤表面的农作物杂物，结合超像素区域增长的方法对获取的图像进行处理，判断是否完成土壤表面的清理工作；或者配合外钻管和内钻头在土壤内挖掘一定深度的坑洞，获取坑洞内部的图像，结合机器学习的图像分类方法对图像进行处理，判断坑洞内是否存在农作物根茎。
优选的，所述结合超像素区域增长的方法对获取的图像进行处理，判断是否完成土壤表面的清理工作，是对获取的图像应用超像素分隔算法，将图像分割成一组超像素区域，采用简单线性迭代聚类SLIC，将图像中的像素聚合成一组具有相似颜色和空间位置的超像素，再采用区域增长算法，将图像中的每个像素点作为一个模糊集合，通过模糊运算实现区域增长，对于颜色相似度在一定范围内的超像素，保留它们作为候选区域；使用基于梯度的边缘检测算法捕获颜色变化对应的边缘或者物体边界，从而得到对应的图像轮廓；对得到的图像轮廓进行轮廓提取，采用Zernike Moments形状描述方法提取特征，判断提取的特征是否满足清理标准，输出土壤表层的清理结果。
优选的，所述结合机器学习的图像分类方法对图像进行处理，判断坑洞内是否存在农作物根茎，是收集包含有农作物根茎和没有农作物根茎的土壤图像的数据集，确保每个土壤图像均有对应的标签；对获取的图像进行预处理，提出非土壤坑洞区域；将纹理信息结合颜色信息作为提取特征，对提取特征进行特征标准化；对数据集划分为训练集和测试集，使用训练集训练SCDM-SVM模型，选择核函数、SCDM-SVM参数以及正则化参数，使得SCDM-SVM模型预测结果的准确率最佳；然后使用训练后的SCDM-SVM模型对新的土壤图像进行预测，判断坑洞内是否存在农作物根茎。
优选的，所述核函数为Sigmoid函数。
另一方面，本发明提供了一种智能土壤识别采样方法，包括如下步骤：
S1：在采样小车上配置上述的智能土壤识别采样系统；启动设置在钻土单元附近的视觉单元，并使用超像素区域增长的方法对获取的图像进行处理；
S2：外钻管、内钻头配合风机产生的正压对土壤表面的农作物杂物进行吹扫清理，控制单元驱动直线运动机构带动内钻头下降1cm并复位，采用超像素区域增长的方法对获取的图像进行处理，如果图像处理的输出结果为1，则记录内钻头累计下降的高度H并跳转到步骤S4；如果图像处理的输出结果为0，则跳转到步骤S3；
S3：控制单元驱动直线运动机构带动内钻头下降在上一次竖直移动的基础上，进一步带动内钻头竖直向下移动1cm并复位，仍采用超像素区域增长的方法对获取的图像进行处理，如果图像处理的输出结果为1，则记录内钻头的累计下降的高度H并跳转到步骤S4；如果图像处理的输出结果为0，则重复执行步骤S3；
S4：控制单元驱动直线运动机构带动内钻头竖直下降至H+5cm处，并不旋转，直接复位形成一个垂直坑洞，由视觉单元获取坑洞处的图像，结合机器学习的图像分类方法对图像进行处理，确认坑洞内是否存在农作物根茎，如果图像处理的输出结果为1，则表示存在农作物根茎，执行步骤S5，如果图像处理的输出结果为0，则表示不存在农作物根茎，执行步骤S6；
S5：存在农作物根茎表示当前坑洞不适合采样，采样小车水平移动5cm以后重新执行步骤S1；
S6：不存在农作物根茎表明此处土壤合格，内钻头配合升降电机往复运动钻出一个深度为DH的掘洞，随后外钻管与内钻头同步运动，伸入掘洞中，风机形成负压，内钻头将挖取的泥土送入取样仓中，并在风机负压抽吸作用下，经过物料管并进入储料斗中，经称重后包装、制袋和封口，完成泥土样本的采集。
本发明提供的一种智能土壤识别采样系统及方法，相对于现有技术，具有以下有益效果：
（1）本申请能够通过特殊的机械结构和控制系统清除表层的农作物残留，并通过视觉系统判断是否达到土壤表层。同时，通过视觉系统检测土壤采样区域是否含有农作物根茎，以确定采样环境是否合格以及是否继续进行采样操作。同时还根据环境信息以及下一次所种植作物信息建立了采样深度判断模型，以达到最佳采样深度；
（2）采样系统能够对采样区域进行密闭采样，以防止采样过程中受到干扰，同时对采样后的土壤进行一体化的封装和标识，实现采样包装一站式服务，保证样本的可靠性以及提高后续样本研究的效率。
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为本发明一种智能土壤识别采样系统及方法的系统结构框图；
图2为本发明一种智能土壤识别采样系统及方法的视觉单元、钻土单元、输送单元和称重单元的一种组合结构示意图；
图3为本发明一种智能土壤识别采样系统及方法的输送单元和称重单元的一种结构示意图；
图4为本发明一种智能土壤识别采样系统及方法的称重单元和包装单元的一种结构示意图；
图5为本发明一种智能土壤识别采样系统及方法的工作流程图；
图6为本发明一种智能土壤识别采样系统及方法的系统算法流程图；
图7为本发明一种智能土壤识别采样系统及方法的结合超像素区域增长的方法对获取的图像进行处理的流程图；
图8为本发明一种智能土壤识别采样系统及方法的结合机器学习的图像分类方法对图像进行处理的流程图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
如图1-图4所示，一方面，本发明提供了一种智能土壤识别采样系统，包括：
视觉单元1用于识别土壤表面和土壤下方是否存在农作物杂物，判断当前位置的土壤是否适合进行采样；
钻土单元2用于清理表面覆盖有农作物的土壤，并将钻头插入土壤中，将钻取的泥土输送到取样仓20中进行暂存；
输送单元3选择性的清理泥土表面的农作物杂物，并将取样仓20中的泥土进一步进行输送至储料斗30中存放；
称重单元4将输送单元3输出的泥土进行定量称重；
包装单元5将定量称重后的泥土进行制袋包装；
控制单元6分别与视觉单元1、钻土单元2、输送单元3、称重单元4和包装单元5通信连接。控制单元6用于驱动其余单元执行相应的动作。
如图2所示，为了采集一定深度处的土壤样本，钻土单元2还包括升降电机21、直线运动机构22、驱动电机23、外钻管24和内钻头25；升降电机21与直线运动机构22转动连接，用于驱动直线运动机构22的运动部沿铅垂方向往复运动；驱动电机23固定设置在直线运动机构22的运动部上，驱动电机23的输出轴上设置有取样仓20，且驱动电机23的输出轴贯穿取样仓20设置，驱动电机23的输出轴伸出取样仓20的部分设置有外钻管24和内钻头25，外钻管24与取样仓20密封连接；内钻头25与驱动电机23的输出轴固定连接，外钻管24和内钻头25均朝着远离取样仓20的方向竖直向下延伸；内钻头25沿着驱动电机23的轴向方向运动并与取样仓20连通；外钻管24靠近土壤的一侧设置有刀刃部，内钻头25为螺旋形结构，内钻头25的轴向长度大于外钻管24的轴向长度；取样仓20还与输送单元3连通。外钻管和内钻头是合作方式共同取土，可减少钻土阻力及有效输送土壤。取样仓20与外界空气隔绝，可以保证取样土壤的纯度。本方案中，外钻管24和内钻头25是独立运动的。升降电机21为伺服电机，直线运动机构22采用重型丝杠机构；驱动电机23采用减速电机。
在土壤采样的过程中，内钻头25承受了较多的动载荷，动载荷会导致钻头交变变形，易引起疲劳破坏，这是影响采样钻头的可靠性的关键因素，为了保证其可靠性进行了钻头可靠性研究，过程如下：
建立内钻头的物理模型，即在三维实体模型的基础上附加了材料信息以及约束关系；建立内钻头的有限元仿真模型，即在物理模型的基础上施加了动态载荷；分析内钻头的动态响应和寿命评估，动态响应包含了内钻头受力和变形随时间变化规律，同时评估内钻头在该载荷下的使用寿命；根据仿真结果，优化内钻头的结构参数；进一步通过土壤采样实验验证内钻头的可靠性；根据实验结果，评估内钻头可靠性，进行针对性的改进，直至满足要求。
如图3所示，输送单元3包括物料管31、可产生负压或者正压的风机32和储料斗30，当风机32产生正压时，正压空气顺次经过储料斗30、物料管31、取样仓20、外钻管24和内钻头25，对土壤表面的农作物杂物进行吹扫；当风机32产生负压时，负压空气产生吸力并带动泥土依次经过取样仓20和物料管31，并进入储料斗30。例如，风机正转时可在物料管31与取样仓20之间形成负压，利用此时的吸力将采集到的土壤样本输送至储料斗30；风机反转可形成正压，有一个对外的吹力，可用于将某一个区域覆盖在土壤表面较小的农作物杂物清理开来。
如图4所示，称重单元4包括螺杆机构41、称重机构42和排料管43；螺杆机构41水平的设置在储料斗30靠近地面的一端，螺杆机构41轴向延伸方向的两端分别设置有称重机构42和排料管43；螺杆机构41正转时将储料斗30内的泥土向称重机构42方向输送，当称重机构42上的泥土的重量达到设定值时，螺杆机构41反转，将多余的泥土通过排料管43向外排出。称重机构42为一称重料斗，内部配置有称重设备，当称重料斗内的土壤物料达到预设重量时，螺杆机构41停止正转，并通过反转将多余的土壤物料通过排料管43排出。
包装单元5包括膜卷输送机构51、管状膜卷52、封切机构53和激光打码机构54；管状膜卷52绕设在膜卷输送机构51上，膜卷输送机构51驱动管状膜卷52运动，且管状膜卷52的开口正对称重机构52的出料端；激光打码机构54将泥土的采样信息喷印在管状膜卷52的表面；封切机构53对装填泥土的管状膜卷52进行热封和切断，使装有泥土的管状膜卷52竖直掉落。管状膜卷52被输送到称重料斗正下方时，会被揉捻撑开，或者吸附开，待装填相应数量的土壤物料后，分别由激光打码机构54打码；管状膜卷52端部开口被热封，管状膜卷52的另一端被切刀裁切割断。
视觉单元1包括摄像机，摄像机设置在取样仓20靠近地面的一端，用于配合外钻管24和内钻头25和正压输出的风机32清理土壤表面的农作物杂物，结合超像素区域增长的方法对获取的图像进行处理，判断是否完成土壤表面的清理工作；或者配合外钻管24和内钻头25在土壤内挖掘一定深度的坑洞，获取坑洞内部的图像，结合机器学习的图像分类方法对图像进行处理，判断坑洞内是否存在农作物根茎。视觉单元1有两个主要功能，一个是在覆盖有农作物的情况下联合内外钻以及风机共同清理土壤表面的农杂物，视觉系统在此中的作用为识别是否将目标区域表面农作物杂物清理干净并露出土壤表面。另一个功能则是配合外钻管来识别该区域土壤内是否存在土壤根茎，初步判断该区域是否适合进行采样行为。本方案分别提供了两种不同的模型分别为土壤表面和土壤坑洞内的农作物杂物的情形进行分析。现分别说明如下：
具体的，识别是否将目标区域表面农作物杂物清理干净并露出土壤表面，采用的是区域增长算法来进行图像分割。但是一般的区域增长算法对噪声比较敏感，参数设置要求高，故引用超像素区域增长的方法，该方法将超像素分割与区域增长相结合，可以更好地处理图像中的纹理和颜色变化。通过将图像分割成一组小区域，然后在超像素级别应用区域增长，可以实现更高效的分割。
超像素区域增长的基本原理是首先将图像分割成一组相对均匀的超像素，然后在超像素级别应用传统的区域增长算法。这种方法可以更好地捕捉图像中的局部结构和细节，同时减少了计算复杂性。
超像素是由一组相邻像素组成的区域，具有类似颜色、纹理和亮度特征。通过将图像分割成超像素，可以将相似的像素聚合在一起，从而在后续的区域增长过程中减少噪声和纹理变化的影响。此模型的最终目的在于辨别是否将固定区域的覆盖农杂物清理干净，由此当此区域露出了土壤表层且该区域土壤露出范围符合一个标准即可认为该区域将农杂物清理干净了。由此在进行图像分割之后还要对进行特定区域的识别，此处即将农作物覆盖层与土壤表层的图像进行分割之后识别出土壤表层的范围，若该范围满足既定标准即可。
首先，将图像应用超像素分割算法，将图像分割成一组相似的超像素区域。采用简单线性迭代聚类SLIC。这种算法基于k-均值聚类的思想，将图像中的像素聚合成一组具有相似颜色和空间位置的超像素。SLIC算法的公式如下：
给定一个图像I，其中每个像素p有一个颜色向量c p 和一个空间坐标s p ，定义一个特征向量x p =（c p ,s p ）。给定一个超像素数量K，将图像划分为K个网格，并在每个网格中随机选择一个像表作为初始聚类中心m k 。然后重复以下步骤直到收敛。
对于每个聚类中心m k ，在其周围的一个大小为S×S的窗口内，计算每个像表p与m k 之间的距离d(p,m k )，距离计算公式为：
；其中，/> 是颜色空间上的欧氏距离，/>是空间坐标上的欧氏距离，/>是窗口大小。
对于每个像素p，将其分配给距离最近的聚类中心m k ，即：
；其中，/>是像素p所属的超像素标签。
对于每个聚类中心m k ，更新其值为其所属像素的特征向量的平均值，即：
；其中，/>是属于m k 的像表集合，/>是/>的大小。
再采用区域增长算法，选用能够处理不确定性和的模糊性，并且对噪声和灰度变化不敏感的基于模糊逻辑的区域增长。这种算法基于模糊逻辑的思想，将图像中的每个像素点看作一个模糊集合，并通过模糊运算来实现区域增长。基于模糊逻辑的区域增长算法的公式如下：
给定一个图像I，其中每个像表p有一个灰度值gp和一个隶属度函数值。给定一个初始种子点s，设定其隶属度函数值为 />=1 ，其他像素点的隶属度函数值为/>=0.5。然后重最以下步骤直到收敛：
对于每个像素p，计算其与种子点s之间的灰度差 ；
对于每个像素p，计算其与种子点s之间的相似度；
对于每个像素p，更新其隶属度函数值为。
由于土壤颜色虽然没有固定的标准，但是相对于农作物来说，其颜色差异还是相对较大的，由此根据调查所得的土壤颜色划定一个颜色范围，考虑到该设备在不同地区的范用性，可以将不同类型土壤的颜色范围作并集以整体考虑。其次考虑到光照和环境条件会影响到拍摄到的图像颜色，将多种光照条件下的土壤颜色也纳入该范围。可以使用颜色空间中的范围或颜色通道的阈值来定义这个范围。根据农作物也可设定一个颜色范围，其中包括该农场在不同时期可能种植的多种作物的颜色。
颜色相似度度量：对于每个超像素，计算与设定的颜色范围之间的颜色相似度度量。可以使用欧氏距离、色彩差异等作为相似度度量。为了定义土壤和农作物的颜色范围，可以使用HSV颜色空间。为了计算HSV空间中两种颜色之间的欧氏距离，使用以下公式：；其中/> 和/>是两种颜色的色调，饱和度和明度分量。
为了计算HSV空间中两种颜色之间的色彩差异，也可以使用CIEDE2000公式，它比欧氏距离更准确和感知相关。
在进行颜色分割后就以及获得了一些候选区域，但是对于所清理区域来说，其还有较为明显的特征与未被清理区域区分开来，即其轮廓是一种不规则但是接近圆形的轮廓。由此可以对候选区域进行轮廓提取，此处采用边缘检测算法进行。
由于图像颜色变化明显，纹理变化也比较明显，由此可以使用基于梯度的边缘检测算法。这些算法可以帮助捕获颜色变化所对应的边缘或物体边界。此处选择Sobel算子；Sobel算子可以捕捉图像中颜色变化明显的边缘，特别是在水平和垂直方向上的变化。它对于强烈的颜色和灰度变化敏感，因此在有明显边界的区域中表现较好。
Sobel算子对噪声相对较敏感。如果在候选区域中存在噪声或颜色变化，可能会导致虚假的边缘检测结果。由此在边缘检测之前进行图像高斯平滑来减少噪声的影响。
经Sobel算子处理的图像可以得到水平方向和竖直方向上的梯度和/>，然后可以根据以下公式计算出近似梯度幅值G和梯度方向/>：
，/>；根据计算结果得到对应的图像轮廓。
形状分析： 对于提取的轮廓，可以应用形状分析技术来估计区域的形状特征。由于该方案中的清理方法所形成的清理区域很难形成一个具有固定特征的区域形状，由此需要更灵活的形状特征分析方法，以适应各种形状的情况。
此处引用形状描述子的方法，它是一种将复杂的形状信息转化为一组数值特征的方法，通常通过计算一些统计量或变换来实现。在农作物清理问题中，形状描述可以用于捕捉不同形状的特征，以便更准确地判断清理效果。以下是基本步骤：
轮廓提取：将得到的轮廓将作为形状描述的输入。
归一化：在应用形状描述之前，确保轮廓是闭合的，并将其归一化到相同的尺度。这可以通过将轮廓的点按一定比例缩放来实现，以确保形状描述对尺度变化不敏感。
采用Zernike Moments形状描述方法：Zernike Moments是一组正交多项式函数在单位圆上的投影。这些多项式函数被称为Zernike多项式，它们具有旋转和尺度不变性，适用于描述各种形状。Zernike Moments能够捕捉轮廓的几何特征，如圆度、角度、对称性等。
计算Zernike多项式：对于每个Zernike Moment，需要计算一组正交多项式。这些多项式通常用归一化的极坐标表示，如下：
；其中，n和 m是整数，/>是归一化的半径，/>是极角，R(n,m)是归一化的Radial Zernike多项式，i是虚数单位。此处由于清理区域形状比较复杂，由此在系统运算允许的条件下选择的阶数与重复次数应不小于10，以达到更好的效果。
计算Zernike Moments：对于给定的轮廓，计算每个Zernike Moment的投影。这涉及将归一化后的轮廓映射到Zernike多项式上，并进行积分计算。
特征融合：如果计算了多个Zernike Moments，可以将它们组合成一个特征向量。这可以是简单的将每个Zernike Moment的值排列成一个向量。
阈值和决策：对于提取的Zernike Moments特征，设定适当的阈值或决策规则，以判断该形状是否满足清理标准。此处阈值的设定需要前期进行，即将人工清理的多组区域数据作为输入，提取其特征所处的阈值范围。此处由于会存在覆盖物是不同农作物的情况，由此前期训练数据必须包括清理不同农作物之后的区域特征。
综合结果：如果多个候选区域计算了Zernike Moments特征，只要其中一个满足决策要求，即可认为该区域符合清理标准。
当检测出符合条件的区域时，即可认为已经完成了土壤表面清理工作，即检测到了符合标准的土壤表层。此模型检测到符合标准土壤表层时输出1，否则输出0。
另一方面，配合外钻管来识别该区域土壤内是否存在土壤根茎，初步判断该区域是否适合进行采样行为，沿用模型一来进行该种识别，则会存在图像颜色差异不明显，特征区域难以提取等问题，一般的图像分割算法也难以达到该种识别标准，由此选择采用机器学习的图像分类方法。
对于该问题，由于训练数据集样本较少，使用深度学习方法存在困难，由此选用支持向量机SVM，SVM在小样本情况下表现很好，它通过找到一个最优超平面来分隔不同类别，可以用于分类任务。但是又由于目标机器的工作环境恶劣，导致其芯片性能不足，使用的算法需要计算量足够小，内存需求同样小，由此引进随机坐标下降法优化SVM算法。这是一种基于坐标下降的算法，它可以处理大规模或稀疏的优化问题，通过每次随机选择一个坐标方向来更新变量，减少了计算量和内存需求。
首先，需要将SVM的原始问题转化为对偶问题，即最大化拉格朗日对偶函数：
，其中/>是拉格朗日乘子向量，/>是标签向量，/>是核函数，N是样本数。这个问题的约束条件是：/>，/>是软间隔参数；/>；。
然后，需要使用随机坐标下降法来求解这个对偶问题。具体来说，需要按照以下步骤进行迭代：
随机选择一个索引i，并计算该索引对应的拉格朗日乘子向量的上界H和下界L：；/>；其中，/>是另一个随机选择的索引j对应的拉格朗日乘子。计算/>的未经剪辑的新值：
；其中， /> 是预测误差，预测函数/>， /> 是核函数矩阵的二阶导数。
根据上界H和下界L对 进行剪辑，得到 /> 的新值：
；
根据的新旧值和约束条件，更新 />的新值：/>；
根据 的新值，更新偏置 /> 的新值：
；b为常数项；
如果 ，则/>；否则，取两者的平均值作为/>。最后，根据/>和/>的最终值，计算SVM的权重向量/> (如果使用线性核函数) 或者预测函数F（x） (如果使用非线性核函数)。具体公式如下：
；将其称为基于随机坐标下降法优化的SCDM-SVM。其算法实现步骤如下：
数据收集和准备：收集包含有植物根茎和没有植物根茎的土壤图像数据集。确保每个图像都有相应的标签，以指示是否含有植物根茎。确保数据集具有多样性，涵盖了不同种类的土壤以及不同类型和大小的植物根茎。这有助于训练模型在不同情况下具有良好的泛化能力。
数据预处理： 对图像进行预处理以适应模型的需求。这包括调整图像大小、归一化像素值、去除噪声等。此处由于所拍摄图像整体包括有农作物覆盖物图像与土壤图像，由此为了防止农作物覆盖物的图像对之后图像处理进行干扰，需要前期将目标区域即土壤坑洞区域从整体中划分出来。此处由于模型一已经对图像进行分割，划分出了土壤区域，由此只需对目标区域进行标注，并只对该区域进行特征提取与识别操作。
选择合适的特征：首先，需要选择适合这个问题的特征。
纹理特征：土壤图像中植物根茎的纹理特征可能与没有植物根茎的区域不同。使用方向梯度直方图（HOG）来捕捉纹理信息，即将图像划分为小的细胞，计算每个细胞内像素的梯度方向和强度，然后将梯度方向分成不同的角度范围，生成每个细胞的梯度直方图。将这些直方图组合成特征向量。
颜色特征：将图像的颜色信息分成不同的通道（如红、绿、蓝），计算每个通道的颜色直方图，或者计算通道间的统计信息，如均值、方差等。将这些特征组合成特征向量。颜色直方图和统计信息可以用于捕捉图像的颜色分布和变化情况。植物根茎可能在颜色上与周围土壤有所不同，这些差异可以通过颜色特征来表达。将纹理特征和颜色特征进行组合，捕捉更丰富的图像信息，提高分类性能。
特征向量组合：对于每个图像，将纹理特征向量和颜色特征向量进行拼接或组合，形成一个更大的特征向量。这样，每个图像都会有一个综合的特征向量，包含了纹理和颜色信息。
由于在钻洞过程中，钻头的动作可能会破坏根茎的原有结构，造成形状特征不明显的问题，由此，此处仅将纹理信息结合颜色信息作为提取特征，而不考虑其形状特征。
数据预处理：对提取的特征进行预处理，如特征标准化，以确保它们具有相似的尺度。
数据划分：将数据集划分为训练集和测试集，通常使用随机划分或交叉验证。训练集用于训练SCDM-SVM模型，测试集用于评估性能。确保训练数据集中包含足够数量的正例（含有植物根茎的图像）和负例（不含植物根茎的图像），以避免训练模型时的类别不平衡问题。
SCDM-SVM模型训练： 使用训练集对SCDM-SVM模型进行训练。选择适当的核函数和SCDM-SVM参数，以及正则化参数C等。
首先对模型采用线性模型进行尝试，该核函数适用于相对简单的分类问题，当特征之间的关系是线性的时候。此类问题初步判断特征向量之间为线性关系，由此首先采用此模型进行训练，并进行评估。
使用交叉验证方法对模型进行评估，其中较大的正则化参数C会导致更多的支持向量，可能导致过拟合，而较小的正则化参数C则会更强调模型的泛化能力。根据交叉验证的结果，选择合适的正则化参数C值。若正则化参数C值如何改变都无法提高模型的准确性，即考虑更换核函数。
由于模型中可能存在非线性的组合问题，可选择Sigmoid核函数，其用于将数据映射到一个非线性的特征空间，以便在非线性问题中构建一个更好的决策边界。如果数据在原始特征空间中无法被线性分割，Sigmoid核函数可以将数据映射到一个更高维的特征空间，以便找到一个更复杂的决策边界来分类含有植物根茎的区域和不含的区域。
模型评估： 根据模型的预测结果和测试集的真实标签，计算以下评估指标：
准确率= (正确预测的样本数) / (总样本数)；
精确率= (真正例) / (真正例+假正例)；
召回率 = (真正例) / (真正例+假反例)。
在此问题中，主要关注点在准确率上，由此主要根据其得出的结果，调整SVM的参数，如调整正则化参数C或尝试不同的核函数。
预测输出：使用训练好的SCDM-SVM模型对新的土壤图像进行预测，判断其中是否含有植物根茎。此模型检测到存在植物根茎时输出1，否则输出0。
另外，本发明提供了一种智能土壤识别采样方法，包括如下步骤：
S1：在采样小车上配置上述的智能土壤识别采样系统；启动设置在钻土单元2附近的视觉单元1，并使用超像素区域增长的方法对获取的图像进行处理；采样小车上可以配置GPS定位装置。
S2：外钻管24、内钻头25配合风机32产生的正压对土壤表面的农作物杂物进行吹扫清理，控制单元6驱动直线运动机构22带动内钻头25下降1cm并复位，采用超像素区域增长的方法对获取的图像进行处理，如果图像处理的输出结果为1，则记录内钻头25累计下降的高度H并跳转到步骤S4；如果图像处理的输出结果为0，则跳转到步骤S3。
首先覆盖土壤表面的农作物大多由农作物的杆叶组成，杆子呈长条且无规律覆盖，由此可以通过使用内钻进行清理，内钻为带有螺纹的钻头，在对指定区域进行清理工作时，内钻正转向下接触到农作物杆子，该操作可将该区域的杆子旋转集中，之后反转即可将杆子甩开，而内部风机反转吹风可以将该区域的农作物叶子以及其他较小杂物清理开来。由于农作物覆盖物的厚度未知，由此该操作每次钻头下降长度都是逐步递进的，可通过多次下降将表面农作物清理开，并到达土壤表层。
而是否将农作物杂物清理干净并到达土壤表层，可通过视觉系统的模型一进行识别。这一步还有一个重要作用，即可记录钻头到达土壤表层的下降长度，作为后面到达土壤下方设定深度位置的一个参考点。
S3：控制单元6驱动直线运动机构22带动内钻头25下降在上一次竖直移动的基础上，进一步带动内钻头25竖直向下移动1cm并复位，仍采用超像素区域增长的方法对获取的图像进行处理，如果图像处理的输出结果为1，则记录内钻头25的累计下降的高度H并跳转到步骤S4；如果图像处理的输出结果为0，则重复执行步骤S3。H不超过5cm。
S4：控制单元6驱动直线运动机构22带动内钻头25竖直下降至H+5cm处，并不旋转，直接复位形成一个垂直坑洞，由视觉单元1获取坑洞处的图像，结合机器学习的图像分类方法对图像进行处理，确认坑洞内是否存在农作物根茎，如果图像处理的输出结果为1，则表示存在农作物根茎，执行步骤S5，如果图像处理的输出结果为0，则表示不存在农作物根茎，执行步骤S6。
S5：存在农作物根茎表示当前坑洞不适合采样，采样小车水平移动5cm以后重新执行步骤S1。
S6：不存在农作物根茎表明此处土壤合格，内钻头25配合升降电机21往复运动钻出一个深度为DH的掘洞，随后外钻管24与内钻头25同步运动，伸入掘洞中，风机32形成负压，内钻头25将挖取的泥土送入取样仓20中，并在风机32负压抽吸作用下，经过物料管31并进入储料斗30中，经称重后包装、制袋和封口，完成泥土样本的采集。
在到达土壤表层且确定土壤表面以及清理干净之后，将进行采样前的检测工作，即确定该地土壤下方是否存在农作物根茎，若存在根茎且根茎不易于进行清除，则该区域就不适合进行继续采样。若不存在根茎，即认为该区域的土壤环境符合采样条件，进行下一步采样操作。
采样深度同样也需根据环境以及下一次所种植农作物不同进行调整，由于采样任务的目标就是对该地土壤各方面进行考察，以判断其是否达到了下一次农作物的种植标准，或者对其所缺乏的营养元素进行精准的调整补充，实现精准施肥。其采样深度确定标准为下一次农作物根茎的普遍深度，令其为DH。
本申请可以有效地解决无人农场的土壤采样问题，提高土壤采样的准确性、质量和效率。可以根据实际情况自动调整高度，清除表层农作物残留，识别出合适的土壤采样区域，避免采集到含有杂质或者农作物根茎的土壤。封闭采样区域，防止外界环境对土壤样本的影响，同时实现一体化的灌装和贴标，保证土壤样本的完整性和可追溯性。提高了无人农场的土壤采样工作的自动化程度，减少人力成本和时间成本，为后续的土壤分析和精准施肥提供可靠的数据支持。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种智能土壤识别采样系统，其特征在于，包括：
钻土单元（2），用于清理表面覆盖有农作物的土壤，并将钻头插入土壤中，将钻取的泥土输送到取样仓（20）中；
所述钻土单元（2）还包括升降电机（21）、直线运动机构（22）、驱动电机（23）、外钻管（24）和内钻头（25）；升降电机（21）与直线运动机构（22）转动连接，用于驱动直线运动机构（22）的运动部沿铅垂方向往复运动；驱动电机（23）固定设置在直线运动机构（22）的运动部上，驱动电机（23）的输出轴上设置有取样仓（20），且驱动电机（23）的输出轴贯穿取样仓（20）设置，驱动电机（23）的输出轴伸出取样仓（20）的部分设置有外钻管（24）和内钻头（25），外钻管（24）与取样仓（20）密封连接；内钻头（25）与驱动电机（23）的输出轴固定连接，外钻管（24）和内钻头（25）均朝着远离取样仓（20）的方向竖直向下延伸；内钻头（25）沿着驱动电机（23）的轴向方向运动并与取样仓（20）连通；外钻管（24）靠近土壤的一侧设置有刀刃部，内钻头（25）为螺旋形结构，内钻头（25）的轴向长度大于外钻管（24）的轴向长度；取样仓（20）还与输送单元（3）连通；
输送单元（3），包括可产生负压或者正压的风机（32），用于选择性的清理泥土表面的农作物杂物，并将取样仓（20）中的泥土进一步进行输送至储料斗（30）；
视觉单元（1），包括摄像机，摄像机设置在取样仓（20）靠近地面的一端，用于配合外钻管（24）和内钻头（25）和正压输出的风机（32）清理土壤表面的农作物杂物，结合超像素区域增长的方法对获取的图像进行处理，判断是否完成土壤表面的清理工作；或者配合外钻管（24）和内钻头（25）在土壤内挖掘一定深度的坑洞，获取坑洞内部的图像，结合机器学习的图像分类方法对图像进行处理，判断坑洞内是否存在农作物根茎；
称重单元（4），将输送单元（3）输出的泥土进行定量称重；
包装单元（5），将定量称重后的泥土进行制袋包装；
控制单元（6），分别与视觉单元（1）、钻土单元（2）、输送单元（3）、称重单元（4）和包装单元（5）通信连接。
2.根据权利要求1所述的一种智能土壤识别采样系统，其特征在于，所述输送单元（3）包括物料管（31）；当风机（32）产生正压时，正压空气顺次经过储料斗（30）、物料管（31）、取样仓（20）、外钻管（24）和内钻头（25），对土壤表面的农作物杂物进行吹扫；当风机（32）产生负压时，负压空气产生吸力并带动泥土依次经过取样仓（20）和物料管（31），并进入储料斗（30）。
3.根据权利要求2所述的一种智能土壤识别采样系统，其特征在于，所述称重单元（4）包括螺杆机构（41）、称重机构（42）和排料管（43）；螺杆机构（41）水平的设置在储料斗（30）靠近地面的一端，螺杆机构（41）轴向延伸方向的两端分别设置有称重机构（42）和排料管（43）；螺杆机构（41）正转时将储料斗（30）内的泥土向称重机构（42）方向输送，当称重机构（42）上的泥土的重量达到设定值时，螺杆机构（41）反转，将多余的泥土通过排料管（43）向外排出。
4.根据权利要求3所述的一种智能土壤识别采样系统，其特征在于，所述包装单元（5）包括膜卷输送机构（51）、管状膜卷（52）、封切机构（53）和激光打码机构（54）；管状膜卷（52）绕设在膜卷输送机构（51）上，膜卷输送机构（51）驱动管状膜卷（52）运动，且管状膜卷（52）的开口正对称重机构（42）的出料端；激光打码机构（54）将泥土的采样信息喷印在管状膜卷（52）的表面；封切机构（53）对装填泥土的管状膜卷（52）进行热封和切断，使装有泥土的管状膜卷（52）竖直掉落。
5.根据权利要求1所述的一种智能土壤识别采样系统，其特征在于，所述结合超像素区域增长的方法对获取的图像进行处理，判断是否完成土壤表面的清理工作，是对获取的图像应用超像素分隔算法，将图像分割成一组超像素区域，采用简单线性迭代聚类SLIC，将图像中的像素聚合成一组具有相似颜色和空间位置的超像素，再采用区域增长算法，将图像中的每个像素点作为一个模糊集合，通过模糊运算实现区域增长，对于颜色相似度在一定范围内的超像素，保留它们作为候选区域；使用基于梯度的边缘检测算法捕获颜色变化对应的边缘或者物体边界，从而得到对应的图像轮廓；对得到的图像轮廓进行轮廓提取，采用Zernike Moments形状描述方法提取特征，判断提取的特征是否满足清理标准，输出土壤表层的清理结果。
6.根据权利要求1所述的一种智能土壤识别采样系统，其特征在于，所述结合机器学习的图像分类方法对图像进行处理，判断坑洞内是否存在农作物根茎，是收集包含有农作物根茎和没有农作物根茎的土壤图像的数据集，确保每个土壤图像均有对应的标签；对获取的图像进行预处理，提出非土壤坑洞区域；将纹理信息结合颜色信息作为提取特征，对提取特征进行特征标准化；对数据集划分为训练集和测试集，使用训练集训练SCDM-SVM模型，选择核函数、SCDM-SVM参数以及正则化参数，使得SCDM-SVM模型预测结果的准确率最佳；然后使用训练后的SCDM-SVM模型对新的土壤图像进行预测，判断坑洞内是否存在农作物根茎。
7.根据权利要求6所述的一种智能土壤识别采样系统，其特征在于，所述核函数为Sigmoid函数。
8.一种智能土壤识别采样方法，其特征在于，包括如下步骤：
S1：在采样小车上配置如权利要求1-7任一项所述的智能土壤识别采样系统；启动设置在钻土单元（2）附近的视觉单元（1），并使用超像素区域增长的方法对获取的图像进行处理；
S2：外钻管（24）、内钻头（25）配合风机（32）产生的正压对土壤表面的农作物杂物进行吹扫清理，控制单元（6）驱动直线运动机构（22）带动内钻头（25）下降1cm并复位，采用超像素区域增长的方法对获取的图像进行处理，如果图像处理的输出结果为1，则记录内钻头（25）累计下降的高度H并跳转到步骤S4；如果图像处理的输出结果为0，则跳转到步骤S3；
S3：控制单元（6）驱动直线运动机构（22）带动内钻头（25）下降在上一次竖直移动的基础上，进一步带动内钻头（25）竖直向下移动1cm并复位，仍采用超像素区域增长的方法对获取的图像进行处理，如果图像处理的输出结果为1，则记录内钻头（25）的累计下降的高度H并跳转到步骤S4；如果图像处理的输出结果为0，则重复执行步骤S3；
S4：控制单元（6）驱动直线运动机构（22）带动内钻头（25）竖直下降至H+5cm处，并不旋转，直接复位形成一个垂直坑洞，由视觉单元（1）获取坑洞处的图像，结合机器学习的图像分类方法对图像进行处理，确认坑洞内是否存在农作物根茎，如果图像处理的输出结果为1，则表示存在农作物根茎，执行步骤S5，如果图像处理的输出结果为0，则表示不存在农作物根茎，执行步骤S6；
S5：存在农作物根茎表示当前坑洞不适合采样，采样小车水平移动5cm以后重新执行步骤S1；
S6：不存在农作物根茎表明此处土壤合格，内钻头（25）配合升降电机（21）往复运动钻出一个深度为DH的掘洞，随后外钻管（24）与内钻头（25）同步运动，伸入掘洞中，风机（32）形成负压，内钻头（25）将挖取的泥土送入取样仓（20）中，并在风机（32）负压抽吸作用下，经过物料管（31）并进入储料斗（30）中，经称重后包装、制袋和封口，完成泥土样本的采集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311252108.5A CN116990074B (zh) | 2023-09-26 | 2023-09-26 | 一种智能土壤识别采样系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311252108.5A CN116990074B (zh) | 2023-09-26 | 2023-09-26 | 一种智能土壤识别采样系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116990074A CN116990074A (zh) | 2023-11-03 |
| CN116990074B true CN116990074B (zh) | 2023-12-29 |
Family
ID=88530501
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311252108.5A Active CN116990074B (zh) | 2023-09-26 | 2023-09-26 | 一种智能土壤识别采样系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116990074B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN207556905U (zh) * | 2017-12-25 | 2018-06-29 | 武汉理工大学 | 一种新型便携式岩土取样器 |
| CN113073626A (zh) * | 2021-04-26 | 2021-07-06 | 中京(武汉)工程技术有限公司 | 一种建筑施工的岩土地质勘察方法 |
| CN216594255U (zh) * | 2021-11-09 | 2022-05-24 | 中科厚载环境科技盐城有限公司 | 一种自动规划路径的土壤检测取样设备 |
| CN114858514A (zh) * | 2022-06-02 | 2022-08-05 | 南京国环科技股份有限公司 | 土壤环境智慧监测系统和方法 |
| CN115931429A (zh) * | 2022-12-08 | 2023-04-07 | 武汉大学 | 一种基于图像识别的智能机器人土壤采样方法 |
| CN116381201A (zh) * | 2023-06-07 | 2023-07-04 | 北京建工环境修复股份有限公司 | 一种土壤污染检测装置及其使用方法 |
| CN116542920A (zh) * | 2023-04-26 | 2023-08-04 | 广东省农业科学院农业资源与环境研究所 | 基于施肥溶液和土壤ec值来评估植物施肥量的评估方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7100707B2 (en) * | 2004-01-16 | 2006-09-05 | Harold Howard | Stabilized soil core samples and method for preparing same |
| AU2017355728B2 (en) * | 2016-11-07 | 2020-09-10 | Climate Llc | Agricultural implements for soil and vegetation analysis |
| US10801927B2 (en) * | 2016-12-01 | 2020-10-13 | AgNext LLC | Autonomous soil sampler |
| WO2023076683A1 (en) * | 2021-11-01 | 2023-05-04 | Yard Stick PBC | Systems and methods for soil analysis |
-
2023
- 2023-09-26 CN CN202311252108.5A patent/CN116990074B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN207556905U (zh) * | 2017-12-25 | 2018-06-29 | 武汉理工大学 | 一种新型便携式岩土取样器 |
| CN113073626A (zh) * | 2021-04-26 | 2021-07-06 | 中京(武汉)工程技术有限公司 | 一种建筑施工的岩土地质勘察方法 |
| CN216594255U (zh) * | 2021-11-09 | 2022-05-24 | 中科厚载环境科技盐城有限公司 | 一种自动规划路径的土壤检测取样设备 |
| CN114858514A (zh) * | 2022-06-02 | 2022-08-05 | 南京国环科技股份有限公司 | 土壤环境智慧监测系统和方法 |
| CN115931429A (zh) * | 2022-12-08 | 2023-04-07 | 武汉大学 | 一种基于图像识别的智能机器人土壤采样方法 |
| CN116542920A (zh) * | 2023-04-26 | 2023-08-04 | 广东省农业科学院农业资源与环境研究所 | 基于施肥溶液和土壤ec值来评估植物施肥量的评估方法 |
| CN116381201A (zh) * | 2023-06-07 | 2023-07-04 | 北京建工环境修复股份有限公司 | 一种土壤污染检测装置及其使用方法 |
Non-Patent Citations (3)
| Title |
|---|
| Portable-Mechanical-Sampler System for Real-Time Monitoring and Predicting Soybean Quality in the Bulk Transport;Jaques, LBA 等;IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT;第71卷;第1-12页 * |
| 农田土壤采样器的改进设计;邵睿 等;农机化研究(第6期);第81-84页 * |
| 紫色土丘陵区农田土壤不同坡位取样单元确定研究;郭澎涛;中国博士学位论文全文数据库 农业科技辑;第1-97页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116990074A (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aquino et al. | Automated early yield prediction in vineyards from on-the-go image acquisition | |
| Aquino et al. | A new methodology for estimating the grapevine-berry number per cluster using image analysis | |
| CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
| Ruiz-Ruiz et al. | Testing different color spaces based on hue for the environmentally adaptive segmentation algorithm (EASA) | |
| Sun et al. | Image processing algorithms for infield single cotton boll counting and yield prediction | |
| CN110717903A (zh) | 一种利用计算机视觉技术进行农作物病害检测的方法 | |
| Mishra et al. | A Deep Learning-Based Novel Approach for Weed Growth Estimation. | |
| CN110569747A (zh) | 一种利用图像金字塔与Faster-RCNN快速统计大田水稻稻穗数的方法 | |
| Sharma et al. | RETRACTED ARTICLE: SVM-based compliance discrepancies detection using remote sensing for organic farms | |
| Alzadjali et al. | Maize tassel detection from UAV imagery using deep learning | |
| Hernández-Rabadán et al. | Integrating SOMs and a Bayesian classifier for segmenting diseased plants in uncontrolled environments | |
| Ni et al. | Three-dimensional photogrammetry with deep learning instance segmentation to extract berry fruit harvestability traits | |
| CN108052886A (zh) | 一种小麦条锈病菌夏孢子自动统计计数方法 | |
| Wang et al. | Combining SUN-based visual attention model and saliency contour detection algorithm for apple image segmentation | |
| Ariza-Sentís et al. | Object detection and tracking on UAV RGB videos for early extraction of grape phenotypic traits | |
| CN113963275A (zh) | 一种冬小麦、土地农作物的遥感识别方法及遥感识别系统 | |
| CN116990074B (zh) | 一种智能土壤识别采样系统及方法 | |
| Dhawale et al. | Analysis of nutritional deficiency in citrus species tree leaf using image processing | |
| Kannan | An efficient deep neural network for disease detection in rice plant using XGBOOST ensemble learning framework | |
| Wu et al. | A Dense Litchi Target Recognition Algorithm for Large Scenes | |
| Li et al. | Image processing for crop/weed discrimination in fields with high weed pressure | |
| CN115170987A (zh) | 一种基于图像分割和配准融合对葡萄进行病害检测的方法 | |
| Kim et al. | Detection of citrus greening using microscopic imaging | |
| Bini et al. | Intelligent agrobots for crop yield estimation using computer vision | |
| WO2022137242A1 (en) | Deep learning system for estimating object volume, weight and crop yields based on remote imaging |
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 |