CN117589697A - 一种植物土壤pH值的检测方法 - Google Patents
一种植物土壤pH值的检测方法 Download PDFInfo
- Publication number
- CN117589697A CN117589697A CN202311545935.3A CN202311545935A CN117589697A CN 117589697 A CN117589697 A CN 117589697A CN 202311545935 A CN202311545935 A CN 202311545935A CN 117589697 A CN117589697 A CN 117589697A
- Authority
- CN
- China
- Prior art keywords
- value
- soil
- sample
- data
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000002689 soil Substances 0.000 title claims abstract description 79
- 238000001514 detection method Methods 0.000 title claims description 15
- 238000001228 spectrum Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 15
- 230000003595 spectral effect Effects 0.000 claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 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
- G01N21/17—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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Immunology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Analytical Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Remote Sensing (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种植物土壤pH值的检测方法,包括:获取多个土壤样本;利用pH值检测计对每个土壤样本进行pH值的测定,得到每个样本的pH值标签;每个所述土壤样本中设置至少两个所述pH值检测计;将每个所述土壤样本进行光谱分析,得到每个样本的光谱数据;将所述光谱数据和所述pH值标签作为训练数据,训练卷积神经网络,得到土壤pH值预测模型;对待检测土壤样本进行光谱分析,得到待检测的光谱数据;将所述待检测的光谱数据输入到所述土壤pH值预测模型中,得到土壤样本的pH值预测结果。本发明通过pH值和光谱数据对卷积神经网络进行训练,并通过训练好的模型对待测数据进行预测,能够提高pH值预测结果的精准程度。
Description
技术领域
本发明涉及土壤pH值检测技术领域,特别是涉及一种植物土壤pH值的检测方法。
背景技术
传统的土壤pH值检测方法通常需要通过化学试剂或者电子设备进行检测,这些方法不仅操作复杂,而且可能由于操作不当导致检测结果的误差。因此,开发一种操作简便、准确度高的土壤pH值检测方法具有重要的实用价值。
发明内容
为了克服现有技术的不足,本发明的目的是提供一种植物土壤pH值的检测方法。
为实现上述目的,本发明提供了如下方案:
一种植物土壤pH值的检测方法,包括:
获取多个土壤样本;
利用pH值检测计对每个土壤样本进行pH值的测定,得到每个样本的pH值标签;每个所述土壤样本中设置至少两个所述pH值检测计;
将每个所述土壤样本进行光谱分析,得到每个样本的光谱数据;
将所述光谱数据和所述pH值标签作为训练数据,训练卷积神经网络,得到土壤pH值预测模型;
对待检测土壤样本进行光谱分析,得到待检测的光谱数据;
将所述待检测的光谱数据输入到所述土壤pH值预测模型中,得到土壤样本的pH值预测结果。
优选地,利用pH值检测计对每个土壤样本进行pH值的测定,得到每个样本的pH值标签之后,还包括:
对所述pH值标签的数值进行预处理,得到预处理后的pH值标签;pH值标签的预处理为去噪处理。
优选地,对所述pH值标签的数值进行预处理,得到预处理后的pH值标签,包括:
根据同一土壤样本中的各个所述pH值检测计之间的空间距离构建联系度模型;
利用所述联系度模型构建pH值去噪函数;
利用所述pH值去噪函数去除各个pH值检测计中pH信息的异常值,得到去噪后的pH值信息。
优选地,所述联系度模型的公式为:其中,σ表示历史时间段内在m点的pH值检测计与在n点的pH值检测计之间pH值差的平均值,dis(m,n)表示在m点的pH值检测计与在n点的pH值检测计之间的空间距离,R表示预设参数。
优选地,所述pH值去噪函数的公式为:
其中,表示t时刻相应检测点位去噪后的pH值信息,x(m,t)表示t时刻在m点pH值检测计的测量值,x(n,t)表示t时刻在n点pH值检测计的测量值,ρ表示可调阈值,|Nm|表示在同一个检测点位中pH值检测计的个数,/>其中,Yi表示pH值检测计采集的第i个pH值,Wi表示Yi的加权值。
优选地,在将每个所述土壤样本进行光谱分析,得到每个样本的光谱数据之后,还包括:
对每个样本的光谱数据进行预处理,得到与处理后的光谱数据;光谱数据的预处理包括:去噪处理和归一化处理。
优选地,在将所述光谱数据和所述pH值标签作为训练数据,训练卷积神经网络,得到土壤pH值预测模型之后,还包括:
利用光谱数据和pH值标签构建模型验证集;
利用所述模型验证集对所述土壤pH值预测模型进行精度验证,得到验证好的土壤pH值预测模型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种植物土壤pH值的检测方法,包括:获取多个土壤样本;利用pH值检测计对每个土壤样本进行pH值的测定,得到每个样本的pH值标签;每个所述土壤样本中设置至少两个所述pH值检测计;将每个所述土壤样本进行光谱分析,得到每个样本的光谱数据;将所述光谱数据和所述pH值标签作为训练数据,训练卷积神经网络,得到土壤pH值预测模型;对待检测土壤样本进行光谱分析,得到待检测的光谱数据;将所述待检测的光谱数据输入到所述土壤pH值预测模型中,得到土壤样本的pH值预测结果。本发明通过pH值和光谱数据对卷积神经网络进行训练,并通过训练好的模型对待测数据进行预测,能够提高pH值预测结果的精准程度。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种植物土壤pH值的检测方法,通过pH值和光谱数据对卷积神经网络进行训练,并通过训练好的模型对待测数据进行预测,能够提高pH值预测结果的精准程度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的方法流程图,如图1所示,本发明提供了一种植物土壤pH值的检测方法,包括:
步骤100:获取多个土壤样本;
步骤200:利用pH值检测计对每个土壤样本进行pH值的测定,得到每个样本的pH值标签;每个所述土壤样本中设置至少两个所述pH值检测计;
步骤300:将每个所述土壤样本进行光谱分析,得到每个样本的光谱数据;
步骤400:将所述光谱数据和所述pH值标签作为训练数据,训练卷积神经网络,得到土壤pH值预测模型;
步骤500:对待检测土壤样本进行光谱分析,得到待检测的光谱数据;
步骤600:将所述待检测的光谱数据输入到所述土壤pH值预测模型中,得到土壤样本的pH值预测结果。
具体的,本实施例中收集的样本需要是代表性的,即能够代表待测区域的土壤状况。同时,为了保证光谱分析的准确性,需要将土壤样本进行适当的处理,如干燥、研磨等,使其达到适合光谱分析的状态。
可选地,使用光谱仪进行土壤样本的光谱分析。光谱仪的设置和调整需要根据具体的设备型号和操作手册进行。一般来说,需要设置好光谱仪的工作波长范围、分辨率等参数。
优选地,利用pH值检测计对每个土壤样本进行pH值的测定,得到每个样本的pH值标签之后,还包括:
对所述pH值标签的数值进行预处理,得到预处理后的pH值标签;pH值标签的预处理为去噪处理。
优选地,对所述pH值标签的数值进行预处理,得到预处理后的pH值标签,包括:
根据同一土壤样本中的各个所述pH值检测计之间的空间距离构建联系度模型;
利用所述联系度模型构建pH值去噪函数;
利用所述pH值去噪函数去除各个pH值检测计中pH信息的异常值,得到去噪后的pH值信息。
优选地,所述联系度模型的公式为:其中,σ表示历史时间段内在m点的pH值检测计与在n点的pH值检测计之间pH值差的平均值,dis(m,n)表示在m点的pH值检测计与在n点的pH值检测计之间的空间距离,R表示预设参数。
本实施例中,在m点和n点的pH值检测计为近邻pH值检测计。两pH值检测计的位置越接近,那么两pH值检测计的相关性也越大。因此,本发明根据两pH值检测计间的空间距离来度量它们之间的联系度。在实际应用中,由于pH值检测计会因为自身参数或者环境因素的影响,会使pH值检测计在某一时刻采集的测量值与实际值出现较大的偏差,因此本发明引入了R,来修正pH值检测计因自身参数或者环境因素的影响导致pH值检测计相关性有偏差的问题。在一般情况下,R的取值为1。
优选地,所述pH值去噪函数的公式为:
其中,表示t时刻相应检测点位去噪后的pH值信息,x(m,t)表示t时刻在m点pH值检测计的测量值,x(n,t)表示t时刻在n点pH值检测计的测量值,ρ表示可调阈值,|Nm|表示在同一个检测点位中pH值检测计的个数,/>其中,Yi表示pH值检测计采集的第i个pH值,Wi表示Yi的加权值。
可选地,本发明通过利用pH值去噪函数融合同一个检测点位pH值检测计的测量值,可以避免pH值检测计在某一时刻采集的测量值与实际值出现较大偏差的情况,使pH值检测计的测量值更加真实。
优选地,在将每个所述土壤样本进行光谱分析,得到每个样本的光谱数据之后,还包括:
对每个样本的光谱数据进行预处理,得到与处理后的光谱数据;光谱数据的预处理包括:去噪处理和归一化处理。
优选地,在将所述光谱数据和所述pH值标签作为训练数据,训练卷积神经网络,得到土壤pH值预测模型之后,还包括:
利用光谱数据和pH值标签构建模型验证集;
利用所述模型验证集对所述土壤pH值预测模型进行精度验证,得到验证好的土壤pH值预测模型
可选地,本实施例中将数据集划分为两部分,一部分用于训练模型,另一部分用于验证模型。本实施例中按照70%(训练)和30%(验证)的比例进行划分,从而得到所述模型验证集。
本发明的有益效果如下:
本发明通过pH值和光谱数据对卷积神经网络进行训练,并通过训练好的模型对待测数据进行预测,能够提高pH值预测结果的精准程度。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种植物土壤pH值的检测方法,其特征在于,包括:
获取多个土壤样本;
利用pH值检测计对每个土壤样本进行pH值的测定,得到每个样本的pH值标签;每个所述土壤样本中设置至少两个所述pH值检测计;
将每个所述土壤样本进行光谱分析,得到每个样本的光谱数据;
将所述光谱数据和所述pH值标签作为训练数据,训练卷积神经网络,得到土壤pH值预测模型;
对待检测土壤样本进行光谱分析,得到待检测的光谱数据;
将所述待检测的光谱数据输入到所述土壤pH值预测模型中,得到土壤样本的pH值预测结果。
2.根据权利要求1所述的植物土壤pH值的检测方法,其特征在于,利用pH值检测计对每个土壤样本进行pH值的测定,得到每个样本的pH值标签之后,还包括:
对所述pH值标签的数值进行预处理,得到预处理后的pH值标签;pH值标签的预处理为去噪处理。
3.根据权利要求2所述的植物土壤pH值的检测方法,其特征在于,对所述pH值标签的数值进行预处理,得到预处理后的pH值标签,包括:
根据同一土壤样本中的各个所述pH值检测计之间的空间距离构建联系度模型;
利用所述联系度模型构建pH值去噪函数;
利用所述pH值去噪函数去除各个pH值检测计中pH信息的异常值,得到去噪后的pH值信息。
4.根据权利要求3所述的植物土壤pH值的检测方法,其特征在于,所述联系度模型的公式为:其中,σ表示历史时间段内在m点的pH值检测计与在n点的pH值检测计之间pH值差的平均值,dis(m,n)表示在m点的pH值检测计与在n点的pH值检测计之间的空间距离,R表示预设参数。
5.根据权利要求4所述的植物土壤pH值的检测方法,其特征在于,所述pH值去噪函数的公式为:
其中,表示t时刻相应检测点位去噪后的pH值信息,x(m,t)表示t时刻在m点pH值检测计的测量值,x(n,t)表示t时刻在n点pH值检测计的测量值,ρ表示可调阈值,|Nm|表示在同一个检测点位中pH值检测计的个数,/>其中,Yi表示pH值检测计采集的第i个pH值,Wi表示Yi的加权值。
6.根据权利要求1所述的植物土壤pH值的检测方法,其特征在于,在将每个所述土壤样本进行光谱分析,得到每个样本的光谱数据之后,还包括:
对每个样本的光谱数据进行预处理,得到与处理后的光谱数据;光谱数据的预处理包括:去噪处理和归一化处理。
7.根据权利要求1所述的植物土壤pH值的检测方法,其特征在于,在将所述光谱数据和所述pH值标签作为训练数据,训练卷积神经网络,得到土壤pH值预测模型之后,还包括:
利用光谱数据和pH值标签构建模型验证集;
利用所述模型验证集对所述土壤pH值预测模型进行精度验证,得到验证好的土壤pH值预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311545935.3A CN117589697A (zh) | 2023-11-20 | 2023-11-20 | 一种植物土壤pH值的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311545935.3A CN117589697A (zh) | 2023-11-20 | 2023-11-20 | 一种植物土壤pH值的检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117589697A true CN117589697A (zh) | 2024-02-23 |
Family
ID=89917523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311545935.3A Pending CN117589697A (zh) | 2023-11-20 | 2023-11-20 | 一种植物土壤pH值的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117589697A (zh) |
-
2023
- 2023-11-20 CN CN202311545935.3A patent/CN117589697A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108362662B (zh) | 近红外光谱相似度计算方法、装置和物质定性分析系统 | |
CN110717368A (zh) | 一种纺织品定性分类方法 | |
de Boves Harrington | Support vector machine classification trees based on fuzzy entropy of classification | |
CN111351757B (zh) | 用于预测食用油样品的油掺杂的定量量度的方法和系统 | |
CN111487213A (zh) | 多光谱融合的化学需氧量测试方法及装置 | |
CN116030310A (zh) | 一种基于激光诱导击穿光谱技术的样品分类方法及系统 | |
CN114611582B (zh) | 一种基于近红外光谱技术分析物质浓度的方法及系统 | |
CN115420707A (zh) | 一种污水近红外光谱的化学需氧量评估方法及系统 | |
CN108663334B (zh) | 基于多分类器融合寻找土壤养分光谱特征波长的方法 | |
CN111366573B (zh) | 基于libs光谱成分分析结果的评价方法 | |
CN116858822A (zh) | 一种基于机器学习和拉曼光谱的水体中磺胺嘧啶定量分析方法 | |
CN116975672A (zh) | 一种煤矿皮带输送电机温度监测方法及系统 | |
CN117589697A (zh) | 一种植物土壤pH值的检测方法 | |
CN114184599B (zh) | 单细胞拉曼光谱采集数目估计方法、数据处理方法及装置 | |
CN107067034B (zh) | 一种快速识别红外光谱数据分类的方法及系统 | |
CN113984708B (zh) | 一种化学指标检测模型的维护方法和装置 | |
CN112834451B (zh) | 基于红外光谱的样品识别方法、设备及存储介质 | |
CN109829513B (zh) | 一种顺序式波长色散x射线荧光光谱智能分析方法 | |
CN113791062A (zh) | 一种基于拉曼光谱判断固定物质类别的方法 | |
CN114694771A (zh) | 样品分类方法、分类器的训练方法、设备和介质 | |
CN111504908A (zh) | 一种基于光声光谱的岩石类型识别方法及系统 | |
CN107664623B (zh) | 一种物质光谱特征提取的方法 | |
CN112116014A (zh) | 一种配电自动化设备测试数据离群值检测方法 | |
CN111210876A (zh) | 一种受扰动代谢通路确定方法及系统 | |
CN117929356B (zh) | 一种基于高斯过程回归的libs定量分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |