CN117110274A - 土壤成分全自动现场快速检测方法、装置及设备 - Google Patents
土壤成分全自动现场快速检测方法、装置及设备 Download PDFInfo
- Publication number
- CN117110274A CN117110274A CN202311386414.8A CN202311386414A CN117110274A CN 117110274 A CN117110274 A CN 117110274A CN 202311386414 A CN202311386414 A CN 202311386414A CN 117110274 A CN117110274 A CN 117110274A
- Authority
- CN
- China
- Prior art keywords
- soil
- group
- samples
- components
- content
- 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
Links
- 239000002689 soil Substances 0.000 title claims abstract description 892
- 238000001514 detection method Methods 0.000 title claims abstract description 91
- 230000003595 spectral effect Effects 0.000 claims abstract description 107
- 238000000034 method Methods 0.000 claims abstract description 66
- 230000008569 process Effects 0.000 claims abstract description 28
- 238000001228 spectrum Methods 0.000 claims description 105
- 238000004590 computer program Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000002536 laser-induced breakdown spectroscopy Methods 0.000 claims description 10
- 238000001237 Raman spectrum Methods 0.000 claims description 6
- 238000002329 infrared spectrum Methods 0.000 claims description 6
- 238000001069 Raman spectroscopy Methods 0.000 claims description 4
- 238000011065 in-situ storage Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 239000000463 material Substances 0.000 abstract description 2
- 239000000203 mixture Substances 0.000 description 39
- 239000003245 coal Substances 0.000 description 12
- 238000012545 processing Methods 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000004927 clay Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 239000010410 layer Substances 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000005527 soil sampling Methods 0.000 description 2
- 239000002344 surface layer Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 239000007864 aqueous solution Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000295 emission spectrum Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- -1 hydroxyl ions Chemical class 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000007561 laser diffraction method 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
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
- G01N21/718—Laser microanalysis, i.e. with formation of sample plasma
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Crystallography & Structural Chemistry (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Optics & Photonics (AREA)
- Plasma & Fusion (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本申请适用于分析材料技术领域，提供了土壤成分全自动现场快速检测方法、装置及设备，该方法应用于目标农用机械，其中，目标农用机械上设置有土壤采集装置；方法包括：在目标农用机械工作过程中，控制土壤采集装置采集多组土壤样本；其中，多组土壤样本的采集位置不同；针对任一组土壤样本，获取该组土壤样本的光谱数据，基于该组土壤样本的光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量；基于各组土壤样本中土壤的成分和各组土壤样本中土壤成分的含量，得到目标农用机械工作范围内的土壤成分和土壤成分的含量。本申请保证土壤成分检测的效率和准确性。
Description
技术领域
本申请属于分析材料技术领域，尤其涉及土壤成分全自动现场快速检测方法、装置及设备。
背景技术
随着经济水平的进步，生活质量的提高，可持续发展越来越成为关注的重点，对土壤成分含量进行检测是可持续发展的重要部分。
但目前，对于大范围的土壤检测，现有技术的方法是，通过人工选择一个或者多个点位作为这个范围内的代表点，通过检测代表点的土壤成分的方式来得到该大范围内的土壤检测结果，但该方法的偶然性很高，当这个范围不是很大的时候误差不会很大，但随着范围的越来越大，此方法的误差越来越高，准确性无法满足。同时，人工检测的传统方法效率低，成本高。
因此，亟待一种效率高和准确性强的土壤成分检测方法。
发明内容
本申请实施例提供了土壤成分全自动现场快速检测方法、装置及设备，以保证土壤成分检测的效率和准确性。
本申请是通过如下技术方案实现的：
第一方面，本申请实施例提供了一种土壤成分全自动现场快速检测方法，应用于目标农用机械，其中，目标农用机械上设置有土壤采集装置；方法包括：
在目标农用机械工作过程中，控制土壤采集装置采集多组土壤样本。其中，多组土壤样本的采集位置不同。
针对任一组土壤样本，获取该组土壤样本的光谱数据，基于该组土壤样本的光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量。
基于各组土壤样本中土壤的成分和各组土壤样本中土壤成分的含量，得到目标农用机械工作范围内的土壤成分和土壤成分的含量。
结合第一方面，在一些可能的实现方式中，每组土壤样本中均包括多个土壤样本，同一组土壤样本中的各个土壤样本的土壤采集深度不同。
针对任一组土壤样本，获取该组土壤样本的光谱数据，基于该组土壤样本的光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量，包括：
针对任一土壤样本，获取该土壤样本的光谱数据，基于该土壤样本的光谱数据，得到该土壤样本中土壤的成分和该土壤样本中土壤成分的含量。
获取各个土壤样本的采集深度；将各个土壤样本根据各个土壤样本的采集深度进行分类，得到各个土壤样本的分类结果。
基于各组土壤样本中土壤的成分和各组土壤样本中土壤成分的含量，得到目标农用机械工作范围内的土壤成分和土壤成分的含量，包括：
基于各个土壤样本的分类结果、各个土壤样本中土壤的成分和各个土壤样本中土壤成分的含量，得到目标农用机械工作范围内的不同深度的土壤成分和不同深度的土壤成分的含量。
结合第一方面，在一些可能的实现方式中，针对任一组土壤样本，获取该组土壤样本的光谱数据，基于该组土壤样本的光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量，包括：
针对任一组土壤样本，获取该组土壤样本的光谱数据，去除该组土壤样本的光谱数据中的噪声，得到该组土壤样本的目标光谱数据，基于该组土壤样本的目标光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量。
结合第一方面，在一些可能的实现方式中，该组土壤样本的光谱数据为LIBS光谱数据、近红外光谱数据或拉曼光谱数据。
结合第一方面，在一些可能的实现方式中，该组土壤样本的光谱数据包括第一光谱数据、第二光谱数据和第三光谱数据。其中，第一光谱数据为LIBS光谱数据，第二光谱数据为近红外光谱数据，第三光谱数据为拉曼光谱数据。
基于该组土壤样本的光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量，包括：
基于第一光谱数据，得到第一光谱数据对应的该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量。
基于第二光谱数据，得到第二光谱数据对应的该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量。
基于第三光谱数据，得到第三光谱数据对应的该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量。
将第一光谱数据对应的该组土壤样本中土壤的成分、第二光谱数据对应的该组土壤样本中土壤的成分和第三光谱数据对应的该组土壤样本中土壤的成分中出现的成分，作为该组土壤样本中土壤的成分。
计算第一光谱数据对应的该组土壤样本中土壤成分的含量、第二光谱数据对应的该组土壤样本中土壤成分的含量和第三光谱数据对应的该组土壤样本中土壤成分的含量的均值，将均值作为该组土壤样本中土壤成分的含量。
结合第一方面，在一些可能的实现方式中，基于各组土壤样本中土壤的成分和各组土壤样本中土壤成分的含量，得到目标农用机械工作范围内的土壤成分和土壤成分的含量，包括：
将各组土壤样本中土壤的成分中出现的成分，作为目标农用机械工作范围内的土壤成分。
针对任一土壤成分，获取各组土壤样本中的该土壤成分的含量，计算各组土壤样本中的该土壤成分的含量的均值。
基于各个该土壤成分的含量的均值，得到目标农用机械工作范围内的土壤成分的含量。
结合第一方面，在一些可能的实现方式中，目标农用机械上设置有pH值检测装置；控制土壤采集装置采集多个土壤样本之后，方法还包括：
控制pH值检测装置对多组土壤样本进行pH检测，得到多组土壤样本的pH值；其中，每组土壤样本的pH值均对应一组土壤样本。
计算多组土壤样本的pH值的均值，将多组土壤样本的pH值的均值作为目标农用机械工作范围内的土壤的pH值。
结合第一方面，在一些可能的实现方式中，目标农用机械上设置有土壤处理装置；在目标农用机械工作过程中，控制土壤采集装置采集多组土壤样本之后，在针对任一组土壤样本，获取该组土壤样本的光谱数据，基于该组土壤样本的光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量之前，方法还包括：
控制土壤处理装置对多组土壤样本依次进行干燥、粉碎和压制处理，得到多组目标样本；其中，目标样本为压制成预设尺寸的土壤样本。
针对任一组土壤样本，获取该组土壤样本的光谱数据，基于该组土壤样本的光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量，包括：
针对任一组目标样本，获取该组目标样本的光谱数据，基于该组目标样本的光谱数据，得到该组目标样本中土壤的成分和该组目标样本中土壤成分的含量。
基于各组土壤样本中土壤的成分和各组土壤样本中土壤成分的含量，得到目标农用机械工作范围内的土壤成分和土壤成分的含量，包括：
基于各组目标样本中土壤的成分和各组目标样本中土壤成分的含量，得到目标农用机械工作范围内的土壤成分和土壤成分的含量。
第二方面，本申请实施例提供了一种土壤成分全自动现场快速检测装置，应用于目标农用机械，目标农用机械上设置有土壤采集装置；上述装置包括：
样本获取模块，用于在目标农用机械工作过程中，控制土壤采集装置采集多组土壤样本；其中，多组土壤样本的采集位置不同。
计算模块，用于针对任一组土壤样本，获取该组土壤样本的光谱数据，基于该组土壤样本的光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量。
结果输出模块，用于基于各组土壤样本中土壤的成分和各组土壤样本中土壤成分的含量，得到目标农用机械工作范围内的土壤成分和土壤成分的含量。
第三方面，本申请实施例提供了一种终端设备，包括：处理器和存储器，该存储器用于存储计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的土壤成分全自动现场快速检测方法。
可以理解的是，上述第二方面至第三方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：
本申请的方法应用于目标农用机械，通过在目标农用机械工作过程中，控制土壤采集装置采集多个土壤样本的方式，大范围采集目标农用机械工作范围内的土壤样本，避免了在采集土壤样本时的偶然性。得到多组土壤样本之后，针对任一组土壤样本，获取该组土壤样本的光谱数据，基于该组土壤样本的光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量，进而根据各组土壤样本中土壤的成分和各组土壤样本中土壤成分的含量，得到目标农用机械工作范围内的土壤成分和土壤成分的含量。因为目标农用机械工作过程中就自动完成了土壤样本的采集，相比于传统人工选择一个或者多个点位后去点位采集的方式，采集的效率大大提高，提高了土壤成分检测的效率；当目标农用机械工作范围很大时，也不会因为采集点过少造成误差，满足了检测的准确性的需求。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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是本申请一实施例提供的土壤成分全自动现场快速检测方法的流程示意图；
图2是本申请一实施例提供的土壤成分全自动现场快速检测装置的结构示意图；
图3是本申请一实施例提供的终端设备的结构示意图。
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，以便透彻理解本申请实施例。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申请。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申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例提供了土壤成分全自动现场快速检测方法，通过搭载在农用机械上随这个农用机械进行运动的方式，实现多个位置的土壤样本的采集，其采集的土壤样本数量多，避免了采样的偶然性，之后获取土壤样本的光谱数据，最后计算得到农用机械工作范围内的土壤成分和土壤成分的占比。
图1是本申请一实施例提供的土壤成分全自动现场快速检测方法的流程示意性图，参照图1，对该土壤成分全自动现场快速检测方法的详述如下：
步骤101，在目标农用机械工作过程中，控制土壤采集装置采集多组土壤样本。其中，多组土壤样本的采集位置不同。
这里，目标农用机械工作过程指的是在农田里进行工作的过程，例如，假如目标农用机械为联合收割机，其工作过程可以为联合收割机对农作物进行收割。目标农用机械为播种机，其工作过程可以为播种机进行播种。目标农用机械还可以为拖拉机，其工作过程可以为按照预设轨迹在田间进行运动。为不同时间土壤的变化提供了检测能力。不同的农机在不同的时间完成不同的任务，而土壤的变化随着翻耕、施肥、杀虫、收割等重要农业环节而出现不同的变化。本方法适用在不同的农机上，配合农业生产环节，进行低成本检测，从而有机会绘制出与农业作业环节相关的土壤成分变化数据视图，结合高密度多指标的特征，提供了前所未有的数据获取能力。土壤成分检测不仅仅可以检测土壤中的无机常规成分，还可以检测出土壤中的有机矿产成分。其中有机矿产大多数为煤矿中不同类型或不同成分的煤。
多个土壤样本的采集位置不同，其实现方式有多种，例如，可以每隔一定的时间采集一次，目标农用机械在工作时的速度是固定的，因此采集位置的个数（对应多个土壤样本的个数）可以根据实际情况进行调节。除此之外，还可以通过GPS等手段，定位每个土壤样本的采集的位置，通过改变每个土壤样本的采集位置的个数的方式，改变多个土壤样本的个数。
具体的，随着目标农用机械的工作进行土壤样本的采集，可以采集大量的目标农用机械工作范围内的土壤样本，其采集数量多，采集效率高，避免了传统采集的偶然性，可以提高土壤成分检测的准确性。
具体的，多组土壤样本的位置不同，其目的为实现在对土壤进行大范围尺度的检测，通过在不同位置采集样本，采集样本数量多，避免了样本的偶然性，能够实现土壤大范围检测，同样还保持了大范围土壤样本检测的准确性。
示例性的，目标农用机械上设置有土壤处理装置；在目标农用机械工作过程中，控制土壤采集装置采集多组土壤样本之后，在针对任一组土壤样本，获取该组土壤样本的光谱数据，基于该组土壤样本的光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量之前，方法还可以包括：
控制土壤处理装置对多组土壤样本依次进行干燥、粉碎和压制处理，得到多组目标样本；其中，目标样本为压制成预设尺寸的土壤样本。
针对任一组土壤样本，获取该组土壤样本的光谱数据，基于该组土壤样本的光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量，包括：
针对任一组目标样本，获取该组目标样本的光谱数据，基于该组目标样本的光谱数据，得到该组目标样本中土壤的成分和该组目标样本中土壤成分的含量。
基于各组土壤样本中土壤的成分和各组土壤样本中土壤成分的含量，得到目标农用机械工作范围内的土壤成分和土壤成分的含量，包括：
基于各组目标样本中土壤的成分和各组目标样本中土壤成分的含量，得到目标农用机械工作范围内的土壤成分和土壤成分的含量。
具体的，在获取光谱之前对土壤样本依次进行干燥、粉碎和压制处理，可以去除水分、土壤粘连等因素对光谱数据获取的影响，更能高效的获取土壤的光谱数据，提高检测效率。
具体的，采集土壤样本的方式为原位取土，取土方式结合了农用机械作业的过程，并实时自动处理样本，并自动进行检测，并通过可以在线更新的算法模块处理，准实时快速的得到检测的数据结果，从而支持对土壤的高密度精准数据分析，生成数据产品可以结合农业或行业知识体系（库）支持土壤应用的决策和规划意见。弥补了土壤样本抽查送实验室检测的补足，实现了实验室检测无法完成的土壤样本数据的批量产生和高密度（可达每数米一个采样点，行业当前做法是百亩至万亩一个采样点）检测覆盖。
步骤102，针对任一组土壤样本，获取该组土壤样本的光谱数据，基于该组土壤样本的光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量。
示例性的，每组土壤样本中均包括多个土壤样本，同一组土壤样本中的各个土壤样本的土壤采集深度不同。
针对任一组土壤样本，获取该组土壤样本的光谱数据，基于该组土壤样本的光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量，包括：
针对任一土壤样本，获取该土壤样本的光谱数据，基于该土壤样本的光谱数据，得到该土壤样本中土壤的成分和该土壤样本中土壤成分的含量。
获取各个土壤样本的采集深度；将各个土壤样本根据各个土壤样本的采集深度进行分类，得到各个土壤样本的分类结果。
基于各组土壤样本中土壤的成分和各组土壤样本中土壤成分的含量，得到目标农用机械工作范围内的土壤成分和土壤成分的含量，包括：
基于各个土壤样本的分类结果、各个土壤样本中土壤的成分和各个土壤样本中土壤成分的含量，得到目标农用机械工作范围内的不同深度的土壤成分和不同深度的土壤成分的含量。
具体的，对于土壤样本的采集深度来说，采集土壤的深度可以为表层（0-20cm）、中层（20-60cm）和深层（60-100cm）。在采集不同深度的土壤样本的时候，土壤采集装置可以直接深入到深层，此时采集到的100cm高的柱状土壤的最上面的20cm高的柱状土壤即为表层土壤，同理，中间40cm高的柱状土壤为中层土壤，最下面40cm高的柱状土壤为深层土壤。不同深度的土壤样本可以从对应区域直接进行取样。
具体的，为了更好的了解不同采集深度土壤中成分的不同，将土壤样本进行了分类，得到不同采集深度土壤中的成分之后，还可以将该结果应用在实际生产生活中，例如，当表层土壤的成分不适于某种作物生长时，根据不同采集深度土壤中的成分，将适应作物生长的深度的土壤翻至土壤表层，满足耕种条件。
具体的，每组土壤样本中的每个土壤样本的采集深度不同，其目的为实现在对土壤进行多深度层面的检测，通过在不同采集深度采集样本，能够实现土壤多深度层面的检测，获得在该采集区域内，不同采集深度的土壤的成分，获得不同采集深度的土壤成分的差异，进而实现对该检测区域（农用机械工作范围）内土壤成分的充分了解，便于将该信息应用于后续的生产和生活中。
示例性的，步骤102可以包括：针对任一组土壤样本，获取该组土壤样本的光谱数据，去除该组土壤样本的光谱数据中的噪声，得到该组土壤样本的目标光谱数据，基于该组土壤样本的目标光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量。
具体的，土壤样本的光谱数据中掺杂了很多无关噪声，噪声的来源是很多的，包括仪器放置的环境、机器本身等。除此之外，光源本身带有其他的光谱的干扰，土壤样本的基质对光谱的干扰，去除掉这些掺杂的无关噪声，可以剔除光谱中的无关数据，使有用的数据更加明显，进而提高后续计算得到土壤成分和土壤成分占比的准确性。光谱数据去除噪声的方法有很多，例如：分段线性处理、均值滤波、中值滤波、小波去噪、均方根去噪和Wiener滤波等去噪方法。其中，最简洁的去除噪声的方法可以为通过对一定波段范围内（如每10或20个数据）的光谱数据取平均来实现去噪和降维。
其中，获取样本的光谱数据，需要对样本进行激光照射，使样本中的粒子的能级发生改变，产生吸收、发射、散射和辐射等行为，由于不同元素的原子结构不同，当被激发后发射光谱线的波长不尽相同，即每种元素都有其特征的波长，故根据这些元素的特征光谱就可以准确无误的鉴别元素的存在（定性分析），而这些光谱线的强度与试样中该元素的含量有关，因此还可利用这些谱线的强度来测定元素的含量（定量分析）。根据上述的原理，可以依据该土壤样本的光谱数据，得到该土壤样本中土壤的成分和该土壤样本中土壤成分的含量。
示例性的，基于该组土壤样本的目标光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量，可以包括：
基于该组土壤样本的目标光谱数据，对该组土壤样本进行分类。
若该组土壤样本的分类结果为煤矿土壤，则根据该组土壤样本的目标光谱数据中的热值，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量。
若该组土壤样本的分类结果不为煤矿土壤，则根据根据该组土壤样本的目标光谱数据中的元素的特征光谱，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量。
具体的，如果土壤样本为煤矿土壤，其土壤的成分并不好确定，例如，对于煤矿而言，煤矿中的不同种类的煤基本上都是碳氢氧氮硫等元素的化合物，仅仅依靠元素的特征光谱可能无法准确的确定具体的成分，而煤矿中不同种类的煤的热值却是明显不同的，而不同种类的煤的热值也会反映在光谱信息中，根据光谱信息中的成分的热值，即可准确的分析出煤矿土壤中的成分，进而根据光谱信息分析出各个成分的含量。根据目标光谱数据对土壤样本进行分类，可以更加准确的确定土壤中成分。
示例性的，该组土壤样本的光谱数据可以为LIBS光谱数据、近红外光谱数据或拉曼光谱数据。
具体的，该组土壤样本的光谱数据中还可以包括电学属性数据以及电学属性所能推理出的指标数据。例如，采集不同光谱数据时，需要的电压，电流和功率等，以及这些电学数据所能推导出的指标数据。
具体的，可以通过LIBS光谱数据、近红外光谱数据或拉曼光谱数据计算得到该土壤样本中土壤的成分和该土壤样本中土壤成分的含量，可以提高样本检测的适用性，当一种类型的光谱无法得到结果时，可以通过其他类型的光谱得到结果。通过LIBS光谱数据分析计算土壤成分和土壤成分含量的相比于其他光谱数据分析计算的方法准确性更高，通过近红外光谱数据分析计算土壤成分和土壤成分含量的相比于其他光谱数据分析计算的方法适用性更广，通过拉曼光谱数据分析计算土壤成分和土壤成分含量的方法能够对样本进行无损伤的定量定性的分析，不会在检测后对土壤的成分产生损伤。通过多种技术的融合，能够实现快速精准的多达数十种指标的快速检测，使得样本检测不倚重与某几项指标，而是全元素多模态指标，对土壤特征形成了更加丰富的展现。普通检测单项指标检测就需要数十至数百元，耗时数天，才能得到，但是本方案检测检测费用低，检测速度快，效率更高。
本方案采用的光谱技术和电子技术，对环境的干扰和污染近乎为零，符合零碳排产品特征。相较于实验室检测，其他放射性快速检测技术，无污染无辐射，快速精准。是可持续农业数字化的重大在线感知技术能力的创新与实现。
示例性的，该组土壤样本的光谱数据可以包括第一光谱数据、第二光谱数据和第三光谱数据。其中，第一光谱数据可以为LIBS光谱数据，第二光谱数据可以为近红外光谱数据，第三光谱数据可以为拉曼光谱数据。
基于该组土壤样本的光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量，包括：
基于第一光谱数据，得到第一光谱数据对应的该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量。
基于第二光谱数据，得到第二光谱数据对应的该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量。
基于第三光谱数据，得到第三光谱数据对应的该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量。
将第一光谱数据对应的该组土壤样本中土壤的成分、第二光谱数据对应的该组土壤样本中土壤的成分和第三光谱数据对应的该组土壤样本中土壤的成分中出现的成分，作为该组土壤样本中土壤的成分。
计算第一光谱数据对应的该组土壤样本中土壤成分的含量、第二光谱数据对应的该组土壤样本中土壤成分的含量和第三光谱数据对应的该组土壤样本中土壤成分的含量的均值，将均值作为该组土壤样本中土壤成分的含量。
具体的，通过不同类型的光谱数据，分别计算不同类型的光谱对应的该土壤样本中土壤的成分和该土壤样本中土壤成分的含量，可以更加充分的分析土壤样本中的成分和土壤成分的含量，最后将三种不同类型的光谱数据得到的结果综合在一起，得到该土壤样本中土壤的成分和该土壤样本中土壤成分的含量，其准确性更高，避免了单一光谱检测的偶然性。
具体的，为了提高检测的准确性，基于光谱数据，分析土壤成分的过程中，还融入了自渐进人工智能算法，拥有数据校准机制，对土壤特征进行一定的数据积累后，通过无监督与向量数据导入的机制，持续提升机器自学习能力，进一步自行校准与完善检测算法，具备自渐进能力，持续提升检测算法的精度，达到了无监督学习的目的。
步骤103，基于各组土壤样本中土壤的成分和各组土壤样本中土壤成分的含量，得到目标农用机械工作范围内的土壤成分和土壤成分的含量。
具体的，目标农用机械工作范围即为需要测量的大范围的土壤的范围。
示例性的，步骤103可以包括：
将各组土壤样本中土壤的成分中出现的成分，作为目标农用机械工作范围内的土壤成分。
针对任一土壤成分，获取各组土壤样本中的该土壤成分的含量，计算各组土壤样本中的该土壤成分的含量的均值。
基于各个该土壤成分的含量的均值，得到目标农用机械工作范围内的土壤成分的含量。
具体的，为了更加全面的展示目标农用机械工作范围内的土壤成分，将每个土壤样本中出现的成分作为目标农用机械工作范围内的土壤成分。而为了更加准确的衡量每种土壤成分的含量，基于各个该土壤成分的含量的均值，得到目标农用机械工作范围内的土壤成分的含量。
例如，假设土壤样本A、B和C。土壤样本A中的土壤成分为a和b，土壤样本B中的土壤成分为a、b和c，土壤样本C中的土壤成分为a、b和d，那么对应的目标农用机械工作范围内的土壤成分为a、b、c和d。假设土壤样本A中a成分的含量是50%，b成分的含量是50%。B中a成分的含量是33%，b成分的含量是33%，c成分的含量是34%。B中a成分的含量是33%，b成分的含量是33%，d成分的含量是34%。那么对应的目标农用机械工作范围内的土壤成分a、b、c和d的含量分别为38.67%（计算公式：）、38.67%（计算公式：）、11.33%（计算公式：/>）和11.33%（计算公式：）。
示例性的，目标农用机械上设置有pH值检测装置；控制土壤采集装置采集多个土壤样本之后，方法还可以包括：
控制pH值检测装置对多组土壤样本进行pH检测，得到多组土壤样本的pH值；其中，每组土壤样本的pH值均对应一组土壤样本。
计算多组土壤样本的pH值的均值，将多组土壤样本的pH值的均值作为目标农用机械工作范围内的土壤的pH值。
具体的，干燥处理前后的质量差即为该土壤样本中的水分的质量，在得到pH值之后，再根据水分的质量，可以进一步得到水溶液中氢氧根离子的浓度，此时根据检测得到的土壤的成分、土壤成分的含量和水分的质量，去计算理论pH值，对比理论pH值和检测得到的pH值，如果两个pH值数值相近，那么可以认为检测得到的土壤的成分和土壤成分的含量与土壤中的实际成分和实际成分的含量相近，如果数值差距较大可以认为检测得到的土壤的成分和土壤成分的含量与土壤中的实际成分和实际成分的含量相差较大，可进一步验证该土壤样本中土壤的成分和该土壤样本中土壤成分的含量的准确性。
具体的，控制土壤采集装置采集多个土壤样本之后，方法还可以包括：基于多个土壤样本和激光衍射法，得到土壤质地分类图。
在土壤质地分类图中，标注了每个采集位置的土壤质地，土壤质地采用国际制土壤质地分类标准，把土壤质地划分为4组（壤土组、黏壤土组、黏土组和无砂土组）12级分类，在国际制土壤质地分类三角坐标图中，根据砂粒（2〜0.02mm）、粉粒（0.02〜0.002mm）、黏粒（0.002mm）三粒组含量的比例，划定12种质地类别。国际制土壤质地分类三角图的要点是以黏粒含量为主要标准，<15%者为砂土质地组和壤土质地组；15%〜25%者为黏壤组；>25%者为黏土组。
上述土壤成分全自动现场快速检测方法，应用于目标农用机械，通过在目标农用机械工作过程中，控制土壤采集装置采集多个土壤样本的方式，大范围采集目标农用机械工作范围内的土壤样本，避免了在采集土壤样本时的偶然性。得到多组土壤样本之后，针对任一组土壤样本，获取该组土壤样本的光谱数据，基于该组土壤样本的光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量，进而根据各组土壤样本中土壤的成分和各组土壤样本中土壤成分的含量，得到目标农用机械工作范围内的土壤成分和土壤成分的含量。因为目标农用机械工作过程中就自动完成了土壤样本的采集，相比于传统人工选择一个或者多个点位后去点位采集的方式，采集的效率大大提高，提高了土壤成分检测的效率；当目标农用机械工作范围很大时，也不会因为采集点过少造成误差，满足了检测的准确性的需求。
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，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的土壤成分全自动现场快速检测方法，图2示出了本申请实施例提供的土壤成分全自动现场快速检测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参见图2，本申请实施例中的土壤成分全自动现场快速检测装置应用于目标农用机械，目标农用机械上设置有土壤采集装置；上述装置可以包括：
样本获取模块201，用于在目标农用机械工作过程中，控制土壤采集装置采集多组土壤样本；其中，多组土壤样本的采集位置不同。
计算模块202，用于针对任一组土壤样本，获取该组土壤样本的光谱数据，基于该组土壤样本的光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量。
结果输出模块203，用于基于各组土壤样本中土壤的成分和各组土壤样本中土壤成分的含量，得到目标农用机械工作范围内的土壤成分和土壤成分的含量。
具体的，土壤成分全自动现场快速检测装置可以架设于目标农用机械上，土壤成分全自动检测现场快速装置的电源接口可以与目标农用机械的电源接口相连，用目标农用机械的电源来为土壤成分全自动现场快速检测装置供电。目标农用机械的数据接口还会与土壤成分全自动现场快速检测装置的数据接口连接，用于识别多个土壤样本的采集位置，保证多个土壤样本的采集位置的不同。土壤成分全自动现场快速检测装置还可以架设于边缘端或者云端，可以发挥实时处理数据和高效处理数据的优势。
示例性的，每组土壤样本中均包括多个土壤样本，同一组土壤样本中的各个土壤样本的土壤采集深度不同。
示例性的，计算模块202还可以用于：
针对任一土壤样本，获取该土壤样本的光谱数据，基于该土壤样本的光谱数据，得到该土壤样本中土壤的成分和该土壤样本中土壤成分的含量。
获取各个土壤样本的采集深度；将各个土壤样本根据各个土壤样本的采集深度进行分类，得到各个土壤样本的分类结果。
基于各组土壤样本中土壤的成分和各组土壤样本中土壤成分的含量，得到目标农用机械工作范围内的土壤成分和土壤成分的含量，包括：
基于各个土壤样本的分类结果、各个土壤样本中土壤的成分和各个土壤样本中土壤成分的含量，得到目标农用机械工作范围内的不同深度的土壤成分和不同深度的土壤成分的含量。
示例性的，计算模块202还可以用于：
针对任一组土壤样本，获取该组土壤样本的光谱数据，去除该组土壤样本的光谱数据中的噪声，得到该组土壤样本的目标光谱数据，基于该组土壤样本的目标光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量。
示例性的，该组土壤样本的光谱数据可以为LIBS光谱数据、近红外光谱数据或拉曼光谱数据。
示例性的，该组土壤样本的光谱数据包括第一光谱数据、第二光谱数据和第三光谱数据。其中，第一光谱数据为LIBS光谱数据，第二光谱数据为近红外光谱数据，第三光谱数据为拉曼光谱数据。
示例性的，计算模块202还可以用于：
基于第一光谱数据，得到第一光谱数据对应的该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量。
基于第二光谱数据，得到第二光谱数据对应的该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量。
基于第三光谱数据，得到第三光谱数据对应的该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量。
将第一光谱数据对应的该组土壤样本中土壤的成分、第二光谱数据对应的该组土壤样本中土壤的成分和第三光谱数据对应的该组土壤样本中土壤的成分中出现的成分，作为该组土壤样本中土壤的成分。
计算第一光谱数据对应的该组土壤样本中土壤成分的含量、第二光谱数据对应的该组土壤样本中土壤成分的含量和第三光谱数据对应的该组土壤样本中土壤成分的含量的均值，将均值作为该组土壤样本中土壤成分的含量。
示例性的，结果输出模块203还可以用于：
将各组土壤样本中土壤的成分中出现的成分，作为目标农用机械工作范围内的土壤成分。
针对任一土壤成分，获取各组土壤样本中的该土壤成分的含量，计算各组土壤样本中的该土壤成分的含量的均值。
基于各个该土壤成分的含量的均值，得到目标农用机械工作范围内的土壤成分的含量。
示例性的，目标农用机械上设置有pH值检测装置。
示例性的，土壤成分全自动现场快速检测装置还可以包括：pH值检测控制模块。
控制土壤采集装置采集多个土壤样本之后，pH值检测控制模块可以用于：
控制pH值检测装置对多组土壤样本进行pH检测，得到多组土壤样本的pH值；其中，每组土壤样本的pH值均对应一组土壤样本。
计算多组土壤样本的pH值的均值，将多组土壤样本的pH值的均值作为目标农用机械工作范围内的土壤的pH值。
示例性的，目标农用机械上设置有土壤处理装置。
示例性的，土壤成分全自动现场快速检测装置还可以包括：土壤处理控制模块。
在目标农用机械工作过程中，控制土壤采集装置采集多组土壤样本之后，在针对任一组土壤样本，获取该组土壤样本的光谱数据，基于该组土壤样本的光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量之前，土壤处理控制模块可以用于：
控制土壤处理装置对多组土壤样本依次进行干燥、粉碎和压制处理，得到多组目标样本；其中，目标样本为压制成预设尺寸的土壤样本。
计算模块202还可以用于：
针对任一组目标样本，获取该组目标样本的光谱数据，基于该组目标样本的光谱数据，得到该组目标样本中土壤的成分和该组目标样本中土壤成分的含量。
基于各组土壤样本中土壤的成分和各组土壤样本中土壤成分的含量，得到目标农用机械工作范围内的土壤成分和土壤成分的含量，包括：
基于各组目标样本中土壤的成分和各组目标样本中土壤成分的含量，得到目标农用机械工作范围内的土壤成分和土壤成分的含量。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
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，即将所述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。
本申请实施例还提供了一种终端设备，参见图3，该终端设备300可以包括：至少一个处理器310、存储器320，该存储器320用于存储计算机程序321，所述处理器310用于调用并运行所述存储器320中存储的计算机程序321实现上述任意各个方法实施例中的步骤，例如图1所示实施例中的步骤101至步骤103。或者，处理器310执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图2所示各模块的功能。
示例性的，计算机程序321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320中，并由处理器310执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段，该程序段用于描述计算机程序在终端设备300中的执行过程。
本领域技术人员可以理解，图3仅仅是终端设备的示例，并不构成对终端设备的限定，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，例如输入输出设备、网络接入设备、总线等。
处理器310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 Specific Integrated Circuit，ASIC)、现成可编程门阵列 (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320可以是终端设备的内部存储单元，也可以是终端设备的外部存储设备，例如插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。所述存储器320用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器320还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构（Industry Standard Architecture，ISA）总线、外部设备互连（Peripheral Component，PCI）总线或扩展工业标准体系结构（ExtendedIndustry Standard Architecture，EISA）总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的土壤成分全自动现场快速检测方法可以应用于计算机、可穿戴设备、车载设备、平板电脑、笔记本电脑、上网本等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
本申请实施例还提供了一种计算机可读存储介质，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可实现上述土壤成分全自动现场快速检测方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述土壤成分全自动现场快速检测方法各个实施例中的步骤。
所述集成的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，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述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，所述计算机程序包括计算机程序代码，所述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。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
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申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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。
所述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。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种土壤成分全自动现场快速检测方法，其特征在于，应用于目标农用机械，其中，所述目标农用机械上设置有土壤采集装置；所述方法包括：
在所述目标农用机械工作过程中，控制所述土壤采集装置采集多组土壤样本；其中，所述多组土壤样本的采集位置不同；
针对任一组土壤样本，获取该组土壤样本的光谱数据，基于所述该组土壤样本的光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量；
基于各组土壤样本中土壤的成分和各组土壤样本中土壤成分的含量，得到所述目标农用机械工作范围内的土壤成分和土壤成分的含量。
2.如权利要求1所述的土壤成分全自动现场快速检测方法，其特征在于，每组土壤样本中均包括多个土壤样本，同一组土壤样本中的各个土壤样本的土壤采集深度不同；
所述针对任一组土壤样本，获取该组土壤样本的光谱数据，基于所述该组土壤样本的光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量，包括：
针对任一土壤样本，获取该土壤样本的光谱数据，基于所述该土壤样本的光谱数据，得到该土壤样本中土壤的成分和该土壤样本中土壤成分的含量；
获取各个土壤样本的采集深度；将各个土壤样本根据所述各个土壤样本的采集深度进行分类，得到各个土壤样本的分类结果；
所述基于各组土壤样本中土壤的成分和各组土壤样本中土壤成分的含量，得到所述目标农用机械工作范围内的土壤成分和土壤成分的含量，包括：
基于所述各个土壤样本的分类结果、所述各个土壤样本中土壤的成分和所述各个土壤样本中土壤成分的含量，得到所述目标农用机械工作范围内的不同深度的土壤成分和不同深度的土壤成分的含量。
3.如权利要求1所述的土壤成分全自动现场快速检测方法，其特征在于，所述针对任一组土壤样本，获取该组土壤样本的光谱数据，基于所述该组土壤样本的光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量，包括：
针对任一组土壤样本，获取该组土壤样本的光谱数据，去除所述该组土壤样本的光谱数据中的噪声，得到该组土壤样本的目标光谱数据，基于该组土壤样本的目标光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量。
4.如权利要求3所述的土壤成分全自动现场快速检测方法，其特征在于，所述该组土壤样本的光谱数据为LIBS光谱数据、近红外光谱数据或拉曼光谱数据。
5.如权利要求1所述的土壤成分全自动现场快速检测方法，其特征在于，所述该组土壤样本的光谱数据包括第一光谱数据、第二光谱数据和第三光谱数据；其中，所述第一光谱数据为LIBS光谱数据，所述第二光谱数据为近红外光谱数据，所述第三光谱数据为拉曼光谱数据；
所述基于所述该组土壤样本的光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量，包括：
基于所述第一光谱数据，得到所述第一光谱数据对应的该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量；
基于所述第二光谱数据，得到所述第二光谱数据对应的该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量；
基于所述第三光谱数据，得到所述第三光谱数据对应的该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量；
将所述第一光谱数据对应的该组土壤样本中土壤的成分、所述第二光谱数据对应的该组土壤样本中土壤的成分和所述第三光谱数据对应的该组土壤样本中土壤的成分中出现的成分，作为所述该组土壤样本中土壤的成分；
计算所述第一光谱数据对应的该组土壤样本中土壤成分的含量、所述第二光谱数据对应的该组土壤样本中土壤成分的含量和所述第三光谱数据对应的该组土壤样本中土壤成分的含量的均值，将所述均值作为所述该组土壤样本中土壤成分的含量。
6.如权利要求1至5任一项所述的土壤成分全自动现场快速检测方法，其特征在于，所述基于各组土壤样本中土壤的成分和各组土壤样本中土壤成分的含量，得到所述目标农用机械工作范围内的土壤成分和土壤成分的含量，包括：
将所述各组土壤样本中土壤的成分中出现的成分，作为所述目标农用机械工作范围内的土壤成分；
针对任一土壤成分，获取所述各组土壤样本中的该土壤成分的含量，计算所述各组土壤样本中的该土壤成分的含量的均值；
基于各个该土壤成分的含量的均值，得到所述目标农用机械工作范围内的土壤成分的含量。
7.如权利要求1至5任一项所述的土壤成分全自动现场快速检测方法，其特征在于，所述目标农用机械上设置有pH值检测装置；所述控制所述土壤采集装置采集多个土壤样本之后，所述方法还包括：
控制所述pH值检测装置对所述多组土壤样本进行pH检测，得到多组土壤样本的pH值；其中，每组土壤样本的pH值均对应一组所述土壤样本；
计算所述多组土壤样本的pH值的均值，将所述多组土壤样本的pH值的均值作为所述目标农用机械工作范围内的土壤的pH值。
8.如权利要求1至5任一项所述的土壤成分全自动现场快速检测方法，其特征在于，所述目标农用机械上设置有土壤处理装置；在所述目标农用机械工作过程中，控制所述土壤采集装置采集多组土壤样本之后，在所述针对任一组土壤样本，获取该组土壤样本的光谱数据，基于所述该组土壤样本的光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量之前，所述方法还包括：
控制所述土壤处理装置对所述多组土壤样本依次进行干燥、粉碎和压制处理，得到多组目标样本；其中，所述目标样本为压制成预设尺寸的土壤样本；
所述针对任一组土壤样本，获取该组土壤样本的光谱数据，基于所述该组土壤样本的光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量，包括：
针对任一组目标样本，获取该组目标样本的光谱数据，基于所述该组目标样本的光谱数据，得到该组目标样本中土壤的成分和该组目标样本中土壤成分的含量；
所述基于各组土壤样本中土壤的成分和各组土壤样本中土壤成分的含量，得到所述目标农用机械工作范围内的土壤成分和土壤成分的含量，包括：
基于各组目标样本中土壤的成分和各组目标样本中土壤成分的含量，得到所述目标农用机械工作范围内的土壤成分和土壤成分的含量。
9.一种土壤成分全自动现场快速检测装置，其特征在于，应用于目标农用机械，所述目标农用机械上设置有土壤采集装置；上述装置包括：
样本获取模块，用于在所述目标农用机械工作过程中，控制所述土壤采集装置采集多组土壤样本；其中，所述多组土壤样本的采集位置不同；
计算模块，用于针对任一组土壤样本，获取该组土壤样本的光谱数据，基于所述该组土壤样本的光谱数据，得到该组土壤样本中土壤的成分和该组土壤样本中土壤成分的含量；
结果输出模块，用于基于各组土壤样本中土壤的成分和各组土壤样本中土壤成分的含量，得到所述目标农用机械工作范围内的土壤成分和土壤成分的含量。
10.一种终端设备，包括：处理器和存储器，所述存储器中存储有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权利要求1至8任一项所述的土壤成分全自动现场快速检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311386414.8A CN117110274B (zh) | 2023-10-25 | 2023-10-25 | 土壤成分全自动现场快速检测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311386414.8A CN117110274B (zh) | 2023-10-25 | 2023-10-25 | 土壤成分全自动现场快速检测方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117110274A true CN117110274A (zh) | 2023-11-24 |
| CN117110274B CN117110274B (zh) | 2024-07-05 |
Family
ID=88813229
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311386414.8A Active CN117110274B (zh) | 2023-10-25 | 2023-10-25 | 土壤成分全自动现场快速检测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117110274B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202421069U (zh) * | 2011-12-14 | 2012-09-05 | 中国科学院合肥物质科学研究院 | 车载农田土壤重金属激光诱导击穿光谱检测仪 |
| US20180172659A1 (en) * | 2016-12-16 | 2018-06-21 | Farmers Edge Inc. | Classification of Soil Texture and Content by Near-Infrared Spectroscopy |
| CN108732129A (zh) * | 2017-07-14 | 2018-11-02 | 北京山水云图科技有限公司 | 一种用图像表示农田土壤成分的系统及其方法 |
| US20190101505A1 (en) * | 2017-10-03 | 2019-04-04 | The Climate Corporation | Field measurement of soil element concentration |
| US20210386011A1 (en) * | 2020-06-10 | 2021-12-16 | Deere & Company | In-field soil analysis system and method |
| CN114509390A (zh) * | 2021-12-28 | 2022-05-17 | 广东省科学院广州地理研究所 | 土壤有机质预测方法、装置、设备及存储介质 |
| CN115290593A (zh) * | 2022-08-10 | 2022-11-04 | 江苏大学 | 一种基于近红外光谱技术的土壤有机质的快速检测方法与装置 |
| CN115468921A (zh) * | 2022-09-21 | 2022-12-13 | 中国科学院东北地理与农业生态研究所 | 使用环境因素与光谱结合的土壤分类方法 |
| US20230132655A1 (en) * | 2021-11-01 | 2023-05-04 | Yard Stick PBC | Systems and methods for soil analysis |
-
2023
- 2023-10-25 CN CN202311386414.8A patent/CN117110274B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202421069U (zh) * | 2011-12-14 | 2012-09-05 | 中国科学院合肥物质科学研究院 | 车载农田土壤重金属激光诱导击穿光谱检测仪 |
| US20180172659A1 (en) * | 2016-12-16 | 2018-06-21 | Farmers Edge Inc. | Classification of Soil Texture and Content by Near-Infrared Spectroscopy |
| CN108732129A (zh) * | 2017-07-14 | 2018-11-02 | 北京山水云图科技有限公司 | 一种用图像表示农田土壤成分的系统及其方法 |
| US20190101505A1 (en) * | 2017-10-03 | 2019-04-04 | The Climate Corporation | Field measurement of soil element concentration |
| US20210386011A1 (en) * | 2020-06-10 | 2021-12-16 | Deere & Company | In-field soil analysis system and method |
| US20230132655A1 (en) * | 2021-11-01 | 2023-05-04 | Yard Stick PBC | Systems and methods for soil analysis |
| CN114509390A (zh) * | 2021-12-28 | 2022-05-17 | 广东省科学院广州地理研究所 | 土壤有机质预测方法、装置、设备及存储介质 |
| CN115290593A (zh) * | 2022-08-10 | 2022-11-04 | 江苏大学 | 一种基于近红外光谱技术的土壤有机质的快速检测方法与装置 |
| CN115468921A (zh) * | 2022-09-21 | 2022-12-13 | 中国科学院东北地理与农业生态研究所 | 使用环境因素与光谱结合的土壤分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117110274B (zh) | 2024-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bai et al. | A multi-sensor system for high throughput field phenotyping in soybean and wheat breeding | |
| CN104656098B (zh) | 一种遥感森林生物量反演的方法 | |
| Yue et al. | Estimating fractional cover of crop, crop residue, and soil in cropland using broadband remote sensing data and machine learning | |
| Zhu et al. | Large-scale field phenotyping using backpack LiDAR and CropQuant-3D to measure structural variation in wheat | |
| CN113111799B (zh) | 一种基于集合经验模态分解的耕地土壤肥力水平监测方法 | |
| CN111241962A (zh) | 一种剥离人类活动对生态系统生境质量影响的方法 | |
| CN116542920A (zh) | 基于施肥溶液和土壤ec值来评估植物施肥量的评估方法 | |
| Hu et al. | Soil phosphorus and potassium estimation by reflectance spectroscopy | |
| Miao et al. | Measurement method of maize morphological parameters based on point cloud image conversion | |
| CN104236486A (zh) | 一种棉花叶面积指数快速无损测定方法 | |
| Buelvas et al. | Biomass estimation from canopy measurements for leafy vegetables based on ultrasonic and laser sensors | |
| Li et al. | Soybean leaf estimation based on RGB images and machine learning methods | |
| CN205262963U (zh) | 一种用于小麦叶片叶绿素含量估算的遥感系统 | |
| CN112098469B (zh) | 一种土壤电导率检测系统及方法 | |
| CN117110274B (zh) | 土壤成分全自动现场快速检测方法、装置及设备 | |
| CN115468921B (zh) | 使用环境因素与光谱结合的土壤分类方法 | |
| CN116297603A (zh) | 一种农作物土壤中重金属污染的检测方法 | |
| Zhang et al. | Diagnosis of heavy metal cross contamination in leaf of rice based on hyperspectral image: a greenhouse experiment | |
| CN117523433B (zh) | 一种水稻不同生长周期的叶绿素含量监测方法 | |
| Dong et al. | A 30-m annual corn residue coverage dataset from 2013 to 2021 in Northeast China | |
| Chaudhari et al. | Sensor based monitoring for improving agricultural productivity and sustainability-A review | |
| Wang et al. | Extraction of Jujube Planting Areas in Sentinel-2 Image Based on NDVI Threshold—A case study of Ruoqiang County | |
| Fan et al. | [Retracted] Monitoring of Nitrogen Transport Data in Pear Leaves Based on Infrared Spectroscopy | |
| CN106644955A (zh) | 一种盐渍化土壤碳酸钙含量的检测方法 | |
| CN112268866A (zh) | 基于二维高光谱数据的水稻土胡敏酸含量计算方法和装置 |
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 |