CN117218437A - 一种ct技术结合机器学习原位定量土壤颗粒有机质的方法 - Google Patents
一种ct技术结合机器学习原位定量土壤颗粒有机质的方法 Download PDFInfo
- Publication number
- CN117218437A CN117218437A CN202311203105.2A CN202311203105A CN117218437A CN 117218437 A CN117218437 A CN 117218437A CN 202311203105 A CN202311203105 A CN 202311203105A CN 117218437 A CN117218437 A CN 117218437A
- Authority
- CN
- China
- Prior art keywords
- image
- soil
- organic matters
- machine learning
- organic matter
- 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 134
- 239000002245 particle Substances 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000010801 machine learning Methods 0.000 title claims abstract description 30
- 238000011065 in-situ storage Methods 0.000 title claims abstract description 20
- 238000011002 quantification Methods 0.000 title claims abstract description 15
- 238000005516 engineering process Methods 0.000 title claims abstract description 11
- 238000002591 computed tomography Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 8
- 239000002846 particulate organic matter Substances 0.000 claims description 50
- 239000011148 porous material Substances 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 27
- 239000005416 organic matter Substances 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 7
- 238000010422 painting Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 210000000988 bone and bone Anatomy 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 4
- 238000012805 post-processing Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 2
- 239000013618 particulate matter Substances 0.000 claims 3
- 238000002844 melting Methods 0.000 claims 1
- 230000008018 melting Effects 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 3
- 238000000926 separation method Methods 0.000 abstract description 3
- 239000008187 granular material Substances 0.000 abstract description 2
- 230000002452 interceptive effect Effects 0.000 abstract description 2
- 230000002708 enhancing effect Effects 0.000 abstract 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 15
- 229910052799 carbon Inorganic materials 0.000 description 15
- 239000000758 substrate Substances 0.000 description 9
- 238000000354 decomposition reaction Methods 0.000 description 6
- KMUONIBRACKNSN-UHFFFAOYSA-N potassium dichromate Chemical compound [K+].[K+].[O-][Cr](=O)(=O)O[Cr]([O-])(=O)=O KMUONIBRACKNSN-UHFFFAOYSA-N 0.000 description 4
- 238000007873 sieving Methods 0.000 description 4
- 239000010902 straw Substances 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000004720 fertilization Effects 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000002344 surface layer Substances 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 241000233805 Phoenix Species 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000012153 distilled water Substances 0.000 description 2
- 238000011049 filling Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- GCLGEJMYGQKIIW-UHFFFAOYSA-H sodium hexametaphosphate Chemical compound [Na]OP1(=O)OP(=O)(O[Na])OP(=O)(O[Na])OP(=O)(O[Na])OP(=O)(O[Na])OP(=O)(O[Na])O1 GCLGEJMYGQKIIW-UHFFFAOYSA-H 0.000 description 2
- 235000019982 sodium hexametaphosphate Nutrition 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 239000001577 tetrasodium phosphonato phosphate Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000870659 Crassula perfoliata var. minor Species 0.000 description 1
- 238000007605 air drying Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010603 microCT Methods 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种CT技术结合机器学习原位定量土壤颗粒有机质的方法，获取土壤样品的CT扫描图像，经过调整对比度、降噪、边缘增强后，利用交互式机器学习软件ilastik对不同像素类别进行监督训练、自动识别和分割，从图像中筛选出体积大于50×50×50μm3的颗粒有机质，并对其空间分布特征进行定量分析。本发明将CT扫描技术与机器学习软件相结合，对土壤样品中颗粒有机质进行识别、分割，不破坏土壤结构，具有原位、无损的优点，本方法在团聚体尺度和土柱尺度上均可适用。相较于传统方法，本发明从图像前处理到分割POM整个过程共耗时约4小时左右，极大提高了POM分离效率，为土壤学颗粒有机质的深入研究奠定了基础。
Description
技术领域
本发明涉及土壤科学技术领域，具体涉及一种CT技术结合机器学习原位定量土壤颗粒有机质的方法。
背景技术
在农田生态系统中，农作物秸秆还田是影响土壤肥力、土壤结构和碳库周转的重要措施，为土壤颗粒有机质（POM）提供直接来源。POM是由已分解或半分解的植物残体和部分微生物分解产物组成的一种混合物，是土壤有机质最活跃的组分，POM的形成与分解对土壤碳循环起着至关重要的作用，对土壤结构具有明显的改善作用，其微小的变化可能对全球大气CO2浓度产生重要影响。因而，关于POM的定量研究对于提升农田POM含量具有重要意义。在碳循环研究中，颗粒有机质通常用颗粒有机碳表示（POC）。
目前，虽然密度分组、粒径分组以及密度与粒径联合分组等传统方法可以从土壤中分离出POM，但这些方法从风干、过筛、震荡分散、湿筛分离、烘干到完成POM含量测定，整个过程需要4-5天才能完成，费时耗力，而且分离过程中土壤结构被破坏，不能准确反映POM的空间分布信息。
现有申请号为2019101926433，发明名称为一种定量测定土壤颗粒态有机质空间结构的方法，首先利用密度与粒径联合分组法提取土壤中的POM，然后借助高分辨率CT扫描技术来还原颗粒有机质的空间结构分布信息。该方法存在以下缺点：并非原位识别土壤中颗粒有机质；利用密度与粒径联合分组法提取土壤中的POM费时耗力；该方法使用NaI重液分离不同形式的POM（游离态POM和闭蓄态POM），在湿筛、过滤、离心、转移过程中会造成部分有机碳损失，导致POM被低估。
因此，如何从土柱尺度和团聚体尺度上原位、快速地分析POM的数量及其在土壤中空间分布信息，对更好地理解农作物秸秆还田条件下POM分解转化机制具有非常重要的意义。
发明内容
本发明的目的是能够快速、原位识别并分割出土壤颗粒有机质，为深入研究颗粒有机质的空间形态结构特征提供重要手段。
为实现上述目的，本发明提供的CT技术结合机器学习原位定量土壤颗粒有机质的方法，包括以下步骤：
步骤S1：用PVC环刀采取土壤样品，将样品放置于CT扫描设备进行扫描，并对扫描得到的图像进行重建；
CT扫描样品得到的图像数据，无法直接用于分析，需要利用Datos | x2 Rec 软件进行重建，转化成可以分析的tiff格式。CT扫描的图像分辨率一般为样品直径的两千分之一，如样品直径为5 cm，对应的图像分辨率为25 μm。
步骤S2：对图像进行预处理；
步骤S3：基于机器学习自动识别、分割颗粒有机质，并将分割后的图像导出；
步骤S4：将分割后的图像拆分，进行图像后处理；
步骤S5：筛选出体积大于50×50×50 μm3的颗粒有机质；
步骤S6：计算颗粒有机质的空间分布。
进一步的，步骤S2中，如果土壤样品是团聚体，图像预处理包括以下步骤：
步骤S21：将步骤S1重建好的图像导入到Image J/Fiji软件中；
步骤S22：利用Adjust-Brightness/Contrast来调整图像的亮度和对比度；
步骤S23：利用非局部均值滤波器进行降噪；
步骤S24：使用反锐化掩模滤波器减少局部体积效应；
步骤S25：将经过步骤S24处理的图像导入到VG Studio MAX 2022软件中，使用自适应矩形工具裁剪团聚体边界，得到去除边界干扰的团聚体图像；通过人眼识别、判断团聚体图像中土壤基质、孔隙和颗粒有机质，以此作为后续步骤S3中机器学习自动识别和分割是否出现错误分类的依据。
进一步的，步骤S2中，如果土壤样品是土柱，图像预处理包括以下步骤：
步骤S21：将步骤S1重建好的图像导入到Image J/Fiji软件中；
步骤S22：利用Adjust-Brightness/Contrast来调整图像的亮度和对比度；
步骤S23：选定感兴趣区域；
步骤S24：利用非局部均值滤波器进行降噪；
步骤S25：使用反锐化掩模滤波器减少局部体积效应，得到去除边界干扰的土柱图像；通过人眼识别、判断土柱图像中土壤基质、孔隙和颗粒有机质，以此作为后续步骤S3中机器学习自动识别和分割是否出现错误分类的依据。
进一步的，步骤S3中，基于机器学习自动识别和分割颗粒有机质包括以下步骤：
步骤S31：打开ilastik软件的像素分类（Pixel Classification）流程，选择添加图像序列（Add a single 3D/4D Volume from Sequence），导入所有图像；
步骤S32：进行像素特征值选取：灰度值（Intensity）、边缘信息（Edge）和纹理特征（Texture）、高斯平滑标准差分别为δ=0.3、0.7、1.0；高斯平滑标准差越大，细节部分就会被抹去得更多，图像也会变得更模糊。根据ilastik软件内置参数，δ有0.3/0.7/1.0/1.6/3.5/5.0/10这几个默认值可选，通常情况下为了减少高斯滤波对图像细节的影响，会选择较小的标准差（0.3/0.7/1.0），也可根据用户的需要将标准差设置为其他非默认值，但是总体上标准差需在0.3~1之间，此时图像处理前后的细节无太大差异；如果标准差达到2及以上，图像的一些细节会被滤除掉，这将影响图像的分割。
步骤S33：首先添加3个标签，分别为土壤基质、颗粒有机质和孔隙，在每个标签下利用画笔对相应的像素类别进行注释，系统以迭代的方式进行训练分类，训练过程持续5秒左右，训练完成后，土壤基质、颗粒有机质和孔隙分别以不同的颜色在图像中显示；
首先添加三个标签：土壤基质、颗粒有机质和孔隙，土壤基质、颗粒有机质和孔隙在图像中呈现的灰度值、纹理特征、边缘信息是不同的，系统需要根据指示进行训练。指示通过人为注释实现：利用画笔在代表颗粒有机质的像素上面进行涂鸦（划线），系统将这部分像素归类为颗粒有基质；然后切换到土壤基质的类别中，在代表土壤基质的像素上面进行涂鸦（划线），以此类推，完成对土壤基质、颗粒有机质和孔隙的分类注释；然后进行训练（Live Update），将土壤基质、颗粒有机质和孔隙分割出来，以不同颜色显示。
ilastik软件将会根据土壤基质、颗粒有机质和孔隙相对应的像素特征进行训练分割，分割的依据是步骤S32中选取的像素特征。注释的作用是对图像进行分类，例如系统不知道颗粒有机质具有哪些图像特征，人为地对图像中的部分颗粒有机质进行注释或者划线标记，系统就将这部分被注释的像素归类为颗粒有机质，并使用这些数据进行训练和学习，然后识别其他图像中具有类似特征的像素，从而分离出颗粒有机质。
步骤S34：在训练过程中如若出现错误分类，则使用画笔或者橡皮擦功能对注释进行修正，直至分类结果与步骤S2中识别结果相符；
步骤S35：矫正错误分类并完成训练后，将结果导出为Tiff Sequence格式，数据类型转化为8位整型（Integer 8 bit）。
ilastik是一款基于监督式机器学习的生物信息图像分析的开源交互式工具，其像素分类流程能够将用户定义的标签标注到每一个像素点，根据用户的注释进行随机森林分类，从而完成不同种类像素的分割。
进一步的，步骤S4中，图像拆分和后处理包括以下步骤：
步骤S41：在Fiji软件中打开分割后的图像，利用Color-Split Channels将图像的RGB三个通道拆分开，分别为土壤基质、孔隙和颗粒有机质，保留颗粒有机质的图像进行下一步分析；
步骤S42：使用中值滤波器滤波；
步骤S43：将滤波后的图像灰度值反转（Invert），使用自动局部阈值法（AutoLocal Threshold）中的绍沃拉算法（Sauvola）将图像二值化，参数设置采用默认值，二值化的图像中黑色部分为颗粒有机质，其体积大于样品在CT扫描图像分辨率下对应的体素大小。
Fiji软件只计算图像中的黑色像素，为了统一，利用Invert反转灰度值，将颗粒有机质在图像中转化为黑色。
进一步的，步骤S5中，筛分体积大于50×50×50 μm3的颗粒有机质包括以下步骤：
步骤S51：利用MorphoLibJ插件的Connected Components Labelling功能对代表颗粒有机质的黑色像素点添加标签，以浮点数（float）类型存储图像数据；
步骤S52：使用Label Size Filtering功能将体积大于50×50×50 μm3的颗粒有机质筛分出来；
利用MorphoLibJ插件的Connected Components Labelling功能对代表颗粒有机质的黑色像素点添加标签，此时，每个颗粒有机质都被以不同的颜色标注，Label SizeFiltering功能会根据每个颗粒有机质的体积进行筛分，针对土柱样品，这里在操作（Operation）中选择大于（Great_Than），尺寸限制填8（Size Limit (Voxels)），即可将体积大于8个体素的颗粒有机质给筛分出来了；针对团聚体样品，尺寸限制填244（Size Limit(Voxels)），即可将体积大于244个体素的颗粒有机质给筛分出来了。
土壤学界普遍认为颗粒有机质的粒径大小是53-2000微米，所以此处筛分出体积大于50×50×50 μm3的颗粒有机质。
步骤S53：将图像转化为二值图像，即筛选出体积大于50×50×50 μm3的颗粒有机质。
进一步的，步骤S6中，使用Bone J插件里面的Volume Fraction计算体积大于50×50×50 μm3的颗粒有机质的总体积，利用MorphoLibJ插件里面的Analyze Region 3D计算其他结构特征参数，包括表面积、数量、长度、形状等。将分割的颗粒有机质图像序列导入到VG Studio MAX 2022中进行三维可视化。
与现有技术相比，本发明的有益效果：
本发明利用CT扫描技术可以无损探测土壤，得到其空间结构信息，因为土壤颗粒有机质具有复杂的结构和形态，采用常规的阈值分割方法无法将其分割出来；本发明将CT扫描技术与机器学习软件相结合，通过CT扫描样品图像，再通过机器学习软件对土壤样品中颗粒有机质进行识别、分割，不破坏土壤结构，具有原位、无损的优点，而且本方法在团聚体尺度和土柱尺度上均可适用。相较于传统方法，本发明从图像前处理到分割POM整个过程共耗时约4小时左右，极大提高了POM分离效率，为土壤学颗粒有机质的深入研究奠定了基础。
附图说明
图1是实施例1土壤样品CT扫描图像经过重建后转化成8位灰度图像。
图2是实施例1土壤样品的灰度图像经过预处理后的图像。
图3是对实施例1土壤样品的图像进行分类的效果图，其中红色为土壤基质、绿色为孔隙，蓝色为颗粒有机质。
图4是实施例1土壤样品图像拆分后的土壤基质（红色）。
图5是实施例1土壤样品图像拆分后的孔隙（绿色）。
图6是实施例1土壤样品图像拆分后的颗粒有机质（蓝色）。
图7是实施例1土壤样品筛分出体积大于50×50×50 μm3的颗粒有机质图像。
图8是实施例1土壤样品颗粒有机质的三维空间分布。
图9是粒径分组法测定的颗粒有机质质量与实施例1识别的颗粒有机质体积之间的关系。
图10是实施例2土壤样品CT扫描图像经过重建后转化成8位灰度图像。
图11是实施例2土壤样品的灰度图像经过预处理后的图像。
图12是对实施例2土壤样品的图像进行分类的效果图，其中红色为土壤基质、绿色为孔隙，蓝色为颗粒有机质。
图13是实施例2土壤样品图像拆分后的颗粒有机质（蓝色）。
图14是实施例2土壤样品图像拆分后的土壤基质（红色）。
图15是实施例2土壤样品图像拆分后的孔隙（绿色）。
图16是实施例2土壤样品筛分出体积大于50×50×50 μm3的颗粒有机质图像。
图17是实施例2土壤样品颗粒有机质的三维空间分布。
图18是粒径分组法测定的颗粒有机质质量与实施例2识别的颗粒有机质体积之间的关系。
具体实施方式
为了是发明的技术方案和优点更加清楚，以下结合具体实例及附图对本发明作进一步说明。
以下实施例都是从安徽省怀远县龙亢农场耕作培肥实验基地随机采集表层0-10cm土壤样品，实施例1、2的取样方式不同，其中实施例1的样品是土柱，是采用100 cm3 PVC环刀取样，实施例2的样品是团聚体，是在实验基地挑选直径为8-10 mm的团聚体。
实施例1
本实施例从安徽省怀远县龙亢农场耕作培肥实验基地用100 cm3 PVC环刀随机采集表层0-10 cm土壤样品，共9个，同时，在原状土附近采集土壤样品带回实验室，带回实验室的土壤样品采用粒径分组法测定土壤中的颗粒有机质，方法如下：
土壤样品风干后过2 mm筛，称取10 g土，置于250 ml锥形瓶中，加入150 ml 0.5%六偏磷酸钠溶液，在往复式振荡器上震荡18 h，转速为200 rpm。土壤悬液过53 μm筛，并反复用蒸馏水冲洗。收集所有留在筛中的物质，在50 ℃下烘至恒重，并计算其占土壤样品的质量百分比，利用重铬酸钾氧化-外源加热法测定烘干样品中的有机碳含量，并换算为单位质量土壤样品颗粒有机碳含量。将颗粒有机碳含量换算为颗粒有机质含量，换算系数为1.724（按土壤颗粒有机质平均含碳量为58%计），即颗粒有机碳含量乘以1.724得到颗粒有机质含量。
本实施例中基于CT扫描结合机器学习原位定量土壤颗粒有机质的方法，包括以下步骤：
步骤S1：将前述9个样品分别利用显微CT（Phoenix Nanotom，Germany）进行扫描，扫描电压为100 kV，电流为90 μA，曝光时间为1.25 s，每个样品土柱在样品台匀速旋转360°，在此过程中，每个样品共采集2303幅图。CT扫描的分辨率与样品直径相关，本实施例中9个样品的环刀直径为5 cm，CT扫描的图像分辨率为25 μm。利用 Datos | x2 Rec 软件进行图像重建，每个样品得到2303张8位灰度图像，存储为Tiff格式，如图1所示。
对每个样品得到的2303张8位灰度图像，分别进行以下相同的操作，以第一个样品为例：
步骤S2：将第一个样品的2303张灰度图像导入到开源软件Image J/Fiji软件中，首先通过Brightness/Contrast来调整图像的亮度和对比度，然后选取1700张直径为1700个像素的圆柱形感兴趣区域（Region of Interest，ROI），ROI的选取通过Set Oval-MakeInverse-Clear Outside来完成。通过Biomedgroup插件中的非局部均值滤波器（Non-LocalMeans Denoising）进行降噪处理，参数设置为噪声方差15（Sigma = 15），平滑因子1（δ=1）。接着进行边缘增强，应用半径等于1的反锐化掩模滤波器（Unsharp Mask Filter）来减少由于图像模糊造成的局部体积效应，保存处理好的图像，如图2所示。
在图2的基础上通过人眼识别、判断土壤基质、孔隙和颗粒有机质，以此作为后续步骤S3中机器学习自动识别和分割是否出现错误分类的依据。
步骤S3：颗粒有机质的分割在ilastik软件Pixel Classification流程中完成，在Input Data中选择Add a single 3D/4D Volume from Sequence，导入所有图像，选取的像素特征包括灰度值、边缘信息和纹理特征，高斯平滑标准差分别为δ=0.3、0.7、1.0。将原始图像分类为土壤基质、孔隙、颗粒有机质，并以此添加土壤基质、孔隙、颗粒有机质3个标签，如图3，每个标签对应于一个像素类别，然后使用画笔对每一个像素类别分别添加注释，并进行分类训练（Live Update）。
错误分类是指分类训练完成后部分像素分类出现偏差，比如将土壤基质识别成POM，或者POM识别成土壤基质，这些均依靠于人眼识别，例如图2中颗粒有机质的灰度值介于孔隙和土壤基质之间，部分颗粒有机质是植物秸秆、叶片分解或半分解的产物，具有独特的纹理结构，可以轻易将其与土壤基质或孔隙分开；如果人眼不能识别出颗粒有机质或者因为图像中质量较差导致无法识别，那么机器学习也无法进行分割，因为机器学习的前提是人为给定指示，系统按照指示进行所有像素的分类。如出现错误分类，则通过画笔或者橡皮擦功能重新标记像素，直至训练结果准确，图像导出的数据类型为Integer 8 bit，图像格式为Tiff Sequence。
步骤S4：将ilastik中分割完成的图像导入到Fiji软件中，使用Color-SplitChannels将图像的RGB三个通道拆分开，分别为土壤基质、孔隙和颗粒有机质，如图4、5、6所示。本申请中保留颗粒有机质的图像序列，使用半径为2个像素的中值滤波器进行滤波，并将图像灰度值反转（Invert），使用自动局部阈值法（Auto Local Threshold）中的绍沃拉算法（Sauvola）将图像二值化，参数设置采用默认值，分割后图像中黑色部分为体积大于1个体素（25×25×25 μm3）的颗粒有机质。
在三维图像中，1个体素等于分辨率的三次方，本实施例中CT扫描的图像分辨率为25 μm，故1个体素为25×25×25 μm3大小。
步骤S5：为了筛分体积大于50×50×50 μm3的颗粒有机质，使用MorphoLibJ插件的Connected Components Labelling功能对黑色的像素点添加标签，然后利用Label SizeFiltering将体积大于8个体素（50×50×50 μm3）的颗粒有机质筛分出来，并转化为二值图像，如图7。
步骤S6：使用Bone J插件里面的Volume Fraction计算体积大于8个体素的颗粒有机质的总体积，利用MorphoLibJ插件里面的Analyze Region 3D计算其他结构特征参数，包括表面积、数量、长度、形状等，结构特征参数如表1所示。将分割的颗粒有机质图像序列导入到VG Studio MAX 2022中进行三维可视化，如图8所示。
表1 土壤颗粒有机质形态参数
将粒径分组法得到的颗粒有机质和本发明实施例1所述方法识别的颗粒有机质进行对比，二者线性相关性拟合效果很好，R2=0.980，达到极显著水平，如图9所示，颗粒有机质的密度为0.895 g/cm3。
实施例2
本实施例从安徽省怀远县龙亢农场耕作培肥实验基地随机采集表层0-10 cm土壤样品，样品自然风干，挑选9个直径为8-12 mm的团聚体用于CT扫描，本实施例中基于CT扫描结合机器学习原位定量土壤颗粒有机质的方法，包括以下步骤：
步骤S1：将9个团聚体样品分别利用显微CT（Phoenix Nanotom，Germany）进行扫描，扫描电压为100 kV，电流为90 μA，曝光时间为1.25 s，每个样品在样品台匀速旋转360°，在此过程中共采集1410至1756幅图不等，图像数量由团聚体大小决定，每个样品的重量及对应扫描得到的图片张数见下表2。CT扫描的分辨率与样品直径相关，虽然本实施例中9个团聚体直径为8-12 mm，因为团聚体的形状不规则，由于摆放位置等原因，将扩大CT扫描范围，保证将团聚体所有部位都被扫描到，所以CT扫描的图像分辨率会提高，本实施例中CT扫描的图像分辨率为8 μm。利用 Datos | x2 Rec 软件进行图像重建，每个样品得到1224至1676张8位灰度图像，存储为Tiff格式，如图10所示。
表2 样品的重量及对应扫描得到的图片张数
对每个样品得到的8位灰度图像，分别进行以下相同的操作，以第一个样品为例：
步骤S2：将第一个样品的1420张灰度图像导入到开源软件Image J/Fiji软件中，首先通过Brightness/Contrast来调整图像的亮度和对比度，通过Biomedgroup插件中的非局部均值滤波器（Non-Local Means Denoising）进行降噪处理，参数设置为噪声方差15（Sigma = 15），平滑因子1（δ=1）。接着进行边缘增强，应用半径等于 1的反锐化掩模滤波器（Unsharp Mask Filter）来减少由于图像模糊造成的局部体积效应，保存处理好的图像，如图11所示。再将图像导入到VG Studio MAX 2022软件中，由于团聚体呈不规则形状，裁剪ROI只能计算部分空间内的颗粒有机质，且无法通过体积换算得到整个团聚体的颗粒有机质含量，因此这里分析整个团聚体。使用自适应矩形工具裁剪团聚体边界，等值设定为128，深度设定为2。此时团聚体被选中为ROI，反转ROI并进行白色像素填充，导出后得到去除边界干扰的团聚体图像，如图11所示。
在图11的基础上通过人眼识别、判断土壤基质、孔隙和颗粒有机质，以此作为后续步骤S3中机器学习自动识别和分割是否出现错误分类的依据。
步骤S3：颗粒有机质的分割在ilastik软件Pixel Classification流程中完成，在Input Data中选择Add a single 3D/4D Volume from Sequence，导入所有图像，选取的像素特征包括灰度值、边缘信息和纹理特征，高斯平滑标准差分别为δ=0.3、0.7、1.0。将原始图像分类为土壤基质、孔隙、颗粒有机质，并以此添加土壤基质、孔隙、颗粒有机质3个标签，如图12，每个标签对应于一个像素类别，然后使用画笔对每一个像素类别分别添加注释，并进行分类训练（Live Update）。
错误分类是指分类训练完成后部分像素分类出现偏差，比如将土壤基质识别成POM，或者POM识别成土壤基质，这些均依靠于人眼识别，例如图11中颗粒有机质的灰度值介于孔隙和土壤基质之间，部分颗粒有机质是植物秸秆、叶片分解或半分解的产物，具有独特的纹理结构，可以轻易将其与土壤基质或孔隙分开；如果人眼不能识别出颗粒有机质或者因为图像中质量较差导致无法识别，那么机器学习也无法进行分割，因为机器学习的前提是人为给定指示，系统按照指示进行所有像素的分类。如出现错误分类，则通过画笔或者橡皮擦功能重新标记像素，直至训练结果准确，图像导出的数据类型为Integer 8 bit，图像格式为Tiff Sequence。
步骤S4：将ilastik中分割完成的图像导入到Fiji软件中，使用Color-SplitChannels将图像的RGB三个通道拆分开，分别为土壤基质、孔隙和颗粒有机质，如图13、14、15所示。本申请中保留颗粒有机质的图像序列，使用半径为2个像素的中值滤波器进行滤波，并将图像灰度值反转（Invert），使用自动局部阈值法（Auto Local Threshold）中的绍沃拉算法（Sauvola）将图像二值化，参数设置采用默认值，二值化后图像中黑色部分为体积大于1个体素（8×8×8 μm3）的颗粒有机质。
在三维图像中，1个体素等于分辨率的三次方，本实施例中CT扫描的图像分辨率为8 μm，故1个体素为8×8×8 μm3大小。
步骤S5：为了筛分体积大于50×50×50 μm3的颗粒有机质，使用MorphoLibJ插件的Connected Components Labelling功能对黑色的像素点添加标签，然后利用Label SizeFiltering将体积大于244个体素的颗粒有机质筛分出来，并转化为二值图像，如图16。
步骤S6：使用Bone J插件里面的Volume Fraction计算体积大于250个体素的颗粒有机质的总体积，利用MorphoLibJ插件里面的Analyze Region 3D计算其他结构特征参数，包括表面积、数量、长度、形状等，结构特征参数如表3所示。将分割的颗粒有机质图像序列导入到VG Studio MAX 2022中进行三维可视化，如图17所示。
表3 土壤颗粒有机质形态参数
为了验证基于CT扫描结合机器学习原位定量土壤颗粒有机质的方法，将扫描后的9个团聚体样品采用粒径分组法测定土壤中的颗粒有机质，方法如下：
将第一个团聚体样品破坏后过2 mm筛，置于100 ml离心管中，加入30 ml 0.5%六偏磷酸钠溶液，在往复式振荡器上震荡18 h，转速为200 rpm 。土壤悬液过53 μm筛，并反复用蒸馏水冲洗。收集所有留在筛中的物质，在50 ℃下烘至恒重，并计算其占第一个团聚体样品的质量百分比，利用重铬酸钾氧化-外源加热法测定烘干样品中的有机碳含量，并换算为单位质量土壤样品颗粒有机碳含量。将颗粒有机碳含量换算为颗粒有机质含量，换算系数为1.724（按土壤颗粒有机质平均含碳量为58%计），即颗粒有机碳含量乘以1.724得到颗粒有机质含量。
将粒径分组法得到的颗粒有机质和本发明实施例2所述方法识别的颗粒有机质进行对比，二者线性相关性拟合效果很好，R2=0.979，达到极显著水平，如图18所示，颗粒有机质的密度为0.976 g/cm3。
本发明为准确识别、分割和分析CT数字图像中的颗粒有机质提供了有效手段，对深入研究土壤有机质具有重要意义。本发明中使用的ilastik软件和Image J/Fiji软件均为开源软件，只要对软件使用方法和图像处理流程稍加熟悉即可，具有易于推广和应用的优势。
Claims (7)
1.一种CT技术结合机器学习原位定量土壤颗粒有机质的方法，其特征在于，包括以下步骤：
步骤S1：采取土壤样品，将样品放置于CT扫描设备进行扫描，并对扫描得到的图像进行重建；
步骤S2：对步骤S1重建后的图像进行预处理；
步骤S3：基于机器学习对步骤S2预处理的图像自动识别，分割出颗粒有机质，并将分割后的图像导出；
步骤S4：将分割后的图像拆分，进行图像后处理；
步骤S5：筛选出体积大于50×50×50 μm3的颗粒有机质；
步骤S6：计算颗粒有机质的空间分布。
2.根据权利要求1所述的一种CT技术结合机器学习原位定量土壤颗粒有机质的方法，其特征在于，步骤S2中，如果土壤样品是团聚体，图像预处理包括以下步骤：
步骤S21：将步骤S1重建好的图像导入到Image J/Fiji软件中；
步骤S22：利用Adjust-Brightness/Contrast来调整图像的亮度和对比度；
步骤S23：利用非局部均值滤波器进行降噪；
步骤S24：使用反锐化掩模滤波器减少局部体积效应；
步骤S25：将经过步骤S24处理的图像导入到VG Studio MAX 2022软件中，使用自适应矩形工具裁剪团聚体边界，得到去除边界干扰的团聚体图像；通过人眼识别、判断团聚体图像中土壤基质、孔隙和颗粒有机质，以此作为后续步骤S3中机器学习自动识别和分割是否出现错误分类的依据。
3.根据权利要求1所述的一种CT技术结合机器学习原位定量土壤颗粒有机质的方法，其特征在于，其特征在于，步骤S2中，如果土壤样品是土柱，图像预处理包括以下步骤：
步骤S21：将步骤S1重建好的图像导入到Image J/Fiji软件中；
步骤S22：利用Adjust-Brightness/Contrast来调整图像的亮度和对比度；
步骤S23：选定感兴趣区域；
步骤S24：利用非局部均值滤波器进行降噪；
步骤S25：使用反锐化掩模滤波器减少局部体积效应，得到去除边界干扰的土柱图像；通过人眼识别、判断土柱图像中土壤基质、孔隙和颗粒有机质，以此作为后续步骤S3中机器学习自动识别和分割是否出现错误分类的依据。
4.根据权利要求2-3任一项所述的一种CT技术结合机器学习原位定量土壤颗粒有机质的方法，其特征在于，步骤S3中，基于机器学习自动识别和分割颗粒有机质包括以下步骤：
步骤S31：打开ilastik软件的像素分类流程，选择添加图像序列，导入所有图像；
步骤S32：进行像素特征值选取：灰度值、边缘信息和纹理特征、高斯平滑标准差分别为δ=0.3、0.7、1.0；
步骤S33：添加3个标签，分别为土壤基质、颗粒有机质和孔隙，在每个标签下利用画笔对相应的像素类别进行注释，系统以迭代的方式进行训练分类，训练完成后，土壤基质、颗粒有机质和孔隙分别以不同的颜色在图像中显示；
步骤S34：在训练过程中如若出现错误分类，则使用画笔或者橡皮擦功能对注释进行修正，直至分类结果与步骤S2中识别结果相符；
步骤S35：矫正错误分类并完成训练后，将结果导出为Tiff Sequence格式，数据类型转化为8位整型。
5.根据权利要求4所述的一种CT技术结合机器学习原位定量土壤颗粒有机质的方法，其特征在于，步骤S4中，图像拆分和后处理包括以下步骤：
步骤S41：在Fiji软件中打开分割后的图像，利用Color-Split Channels将图像RGB三个通道拆分开，分别为土壤基质、孔隙和颗粒有机质，保留颗粒有机质的图像进行下一步分析；
步骤S42：使用中值滤波器滤波；
步骤S43：将滤波后的图像灰度值反转，使用自动局部阈值法中的绍沃拉算法将图像二值化，参数设置采用默认值，二值化的图像中黑色部分为颗粒有机质，其体积大于样品在CT扫描图像分辨率下对应的体素大小。
6.根据权利要求5所述的一种CT技术结合机器学习原位定量土壤颗粒有机质的方法，其特征在于，步骤S5中，筛分体积大于50×50×50 μm3的颗粒有机质，包括以下步骤：
步骤S51：利用MorphoLibJ插件的Connected Components Labelling功能对代表颗粒有机质的黑色像素点添加标签，以浮点数类型存储图像数据；
步骤S52：使用Label Size Filtering功能将体积大于50×50×50 μm3的颗粒有机质筛分出来；
步骤S53：将图像转化为二值图像，即筛选出体积大于50×50×50 μm3的颗粒有机质。
7.根据权利要求6所述的一种CT技术结合机器学习原位定量土壤颗粒有机质的方法，其特征在于，步骤S6中，使用Bone J插件里面的Volume Fraction计算体积大于50×50×50μm3的颗粒有机质的总体积，以及其他结构特征参数，将分割的颗粒有机质图像序列导入到VG Studio MAX 2022中进行三维可视化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311203105.2A CN117218437B (zh) | 2023-09-18 | 2023-09-18 | 一种ct技术结合机器学习原位定量土壤颗粒有机质的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311203105.2A CN117218437B (zh) | 2023-09-18 | 2023-09-18 | 一种ct技术结合机器学习原位定量土壤颗粒有机质的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117218437A true CN117218437A (zh) | 2023-12-12 |
| CN117218437B CN117218437B (zh) | 2024-03-01 |
Family
ID=89047682
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311203105.2A Active CN117218437B (zh) | 2023-09-18 | 2023-09-18 | 一种ct技术结合机器学习原位定量土壤颗粒有机质的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117218437B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102288522A (zh) * | 2011-06-30 | 2011-12-21 | 河海大学 | 基于数字图像技术的泥沙颗粒分析装置及分析方法 |
| CN105136800A (zh) * | 2015-08-26 | 2015-12-09 | 滁州学院 | 一种快速检测喷涂耐磨浸渍纸表面a-氧化铝的方法 |
| CN109959602A (zh) * | 2019-03-14 | 2019-07-02 | 山东省农业科学院畜牧兽医研究所 | 一种定量测定土壤颗粒态有机质空间结构的方法 |
| CN110132816A (zh) * | 2019-05-15 | 2019-08-16 | 重庆地质矿产研究院 | 一种下古生界页岩中有机质孔隙结构分析方法 |
| CN110793898A (zh) * | 2019-10-22 | 2020-02-14 | 浙江大学 | 一种定量分析土柱中不同大小3d孔隙空间分布的方法 |
| CN112651440A (zh) * | 2020-12-25 | 2021-04-13 | 陕西地建土地工程技术研究院有限责任公司 | 基于深度卷积神经网络的土壤有效团聚体分类识别方法 |
| CN113390905A (zh) * | 2021-05-31 | 2021-09-14 | 北京师范大学 | 一种基于ct扫描技术量化土壤团聚体孔隙空间结构方法 |
| CN114298145A (zh) * | 2021-11-22 | 2022-04-08 | 三峡大学 | 基于深度学习的透水混凝土孔隙智能识别与分割方法 |
| CN114897781A (zh) * | 2022-04-12 | 2022-08-12 | 三峡大学 | 基于改进R-UNet深度学习的透水混凝土孔隙自动识别方法 |
| CN115760883A (zh) * | 2022-12-21 | 2023-03-07 | 武汉大学 | 基于随机森林算法的颗粒材料ct图像分割方法及装置 |
| DE202023101026U1 (de) * | 2023-03-03 | 2023-03-20 | Amit Kumar Das | Eine kombinierte Bildverarbeitungstechnik und ein überwachtes lernbasierendes System für die Korngrössenverteilung sandiger Böden |
| CN115841447A (zh) * | 2022-08-18 | 2023-03-24 | 陕西科技大学 | 一种磁瓦表面缺陷的检测方法 |
| US20230175384A1 (en) * | 2021-12-03 | 2023-06-08 | Halliburton Energy Services, Inc. | Classification of pore or grain types in formation samples from a subterranean formation |
| CN116609364A (zh) * | 2023-05-08 | 2023-08-18 | 北京师范大学 | 一种基于ct扫描技术量化土壤孔隙中水分分布的方法 |
-
2023
- 2023-09-18 CN CN202311203105.2A patent/CN117218437B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102288522A (zh) * | 2011-06-30 | 2011-12-21 | 河海大学 | 基于数字图像技术的泥沙颗粒分析装置及分析方法 |
| CN105136800A (zh) * | 2015-08-26 | 2015-12-09 | 滁州学院 | 一种快速检测喷涂耐磨浸渍纸表面a-氧化铝的方法 |
| CN109959602A (zh) * | 2019-03-14 | 2019-07-02 | 山东省农业科学院畜牧兽医研究所 | 一种定量测定土壤颗粒态有机质空间结构的方法 |
| AU2019434881A1 (en) * | 2019-03-14 | 2020-12-10 | Institute Of Animal Science And Veterinary Medicine Shandong Academy Of Agricultural Sciences | Method for quantitatively measuring spatial structure of soil particulate organic matter |
| CN110132816A (zh) * | 2019-05-15 | 2019-08-16 | 重庆地质矿产研究院 | 一种下古生界页岩中有机质孔隙结构分析方法 |
| CN110793898A (zh) * | 2019-10-22 | 2020-02-14 | 浙江大学 | 一种定量分析土柱中不同大小3d孔隙空间分布的方法 |
| CN112651440A (zh) * | 2020-12-25 | 2021-04-13 | 陕西地建土地工程技术研究院有限责任公司 | 基于深度卷积神经网络的土壤有效团聚体分类识别方法 |
| CN113390905A (zh) * | 2021-05-31 | 2021-09-14 | 北京师范大学 | 一种基于ct扫描技术量化土壤团聚体孔隙空间结构方法 |
| CN114298145A (zh) * | 2021-11-22 | 2022-04-08 | 三峡大学 | 基于深度学习的透水混凝土孔隙智能识别与分割方法 |
| US20230175384A1 (en) * | 2021-12-03 | 2023-06-08 | Halliburton Energy Services, Inc. | Classification of pore or grain types in formation samples from a subterranean formation |
| CN114897781A (zh) * | 2022-04-12 | 2022-08-12 | 三峡大学 | 基于改进R-UNet深度学习的透水混凝土孔隙自动识别方法 |
| CN115841447A (zh) * | 2022-08-18 | 2023-03-24 | 陕西科技大学 | 一种磁瓦表面缺陷的检测方法 |
| CN115760883A (zh) * | 2022-12-21 | 2023-03-07 | 武汉大学 | 基于随机森林算法的颗粒材料ct图像分割方法及装置 |
| DE202023101026U1 (de) * | 2023-03-03 | 2023-03-20 | Amit Kumar Das | Eine kombinierte Bildverarbeitungstechnik und ein überwachtes lernbasierendes System für die Korngrössenverteilung sandiger Böden |
| CN116609364A (zh) * | 2023-05-08 | 2023-08-18 | 北京师范大学 | 一种基于ct扫描技术量化土壤孔隙中水分分布的方法 |
Non-Patent Citations (3)
| Title |
|---|
| PATRICIA ORTEGA-RAMÍREZ 等: "Pore distances of particulate organicmatter predict N2O emissions from intact soil atmoist conditions", GEODERMA, 17 November 2022 (2022-11-17), pages 1 - 11 * |
| 张靖 等: "基于数字图像技术的土壤孔隙结构定量研究进展", 土壤, 19 March 2023 (2023-03-19), pages 21 - 29 * |
| 郭静 等: "基于Google Earth Engine和机器学习的耕地土壤有机质含量预测", 农业工程学报, vol. 38, no. 18, 30 September 2022 (2022-09-30), pages 130 - 137 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117218437B (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
| CN105352873B (zh) | 页岩孔隙结构的表征方法 | |
| CN110263717B (zh) | 一种融入街景影像的土地利用类别确定方法 | |
| CN112614062B (zh) | 菌落计数方法、装置及计算机存储介质 | |
| CN105588845A (zh) | 一种焊接缺陷特征参数提取方法 | |
| CN109886170B (zh) | 一种钉螺智能检测识别与统计系统 | |
| CN112580748B (zh) | 一种对染色图像的分类细胞计数的方法 | |
| CN110991439B (zh) | 一种基于像素级多特征联合分类的手写体字符的提取方法 | |
| CN109241867B (zh) | 采用人工智能算法识别数字岩心图像的方法及装置 | |
| CN113706490B (zh) | 一种晶片缺陷检测方法 | |
| Wah et al. | Analysis on feature extraction and classification of rice kernels for Myanmar rice using image processing techniques | |
| CN110443793A (zh) | 一种沥青混合料空隙分布均匀性评价方法 | |
| CN112651440A (zh) | 基于深度卷积神经网络的土壤有效团聚体分类识别方法 | |
| CN110176020A (zh) | 一种融合2d和3d图像的燕窝杂质分拣方法 | |
| CN114037693A (zh) | 一种基于深度学习的岩石孔-裂隙及杂质特征评价方法 | |
| CN110246139B (zh) | 基于双阈值的浮游生物原位图像roi快速提取方法 | |
| CN117218437B (zh) | 一种ct技术结合机器学习原位定量土壤颗粒有机质的方法 | |
| CN113298795A (zh) | 一种页岩油气储层孔隙精细分类提取方法及装置 | |
| Zhang et al. | Design of tire damage image recognition system based on deep learning | |
| CN110322466B (zh) | 一种基于多层区域限制的有监督图像分割方法 | |
| DE112019004112T5 (de) | System und verfahren zur analyse mikroskopischer bilddaten und zur erzeugung eines annotierten datensatzes zum training der klassifikatoren | |
| CN114965409A (zh) | 基于图像边缘检测特征提取的三维荧光光谱有机污染物识别方法 | |
| CN112580504B (zh) | 基于高分辨率卫星遥感影像的树种分类计数方法及装置 | |
| CN112819812B (zh) | 基于图像处理的粉末床缺陷检测方法 | |
| Jatti | Segmentation of microscopic bone images |
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 |