CN118247785A - 土壤修复用土壤污染快速检测装置及方法 - Google Patents

Abstract

一种土壤修复用土壤污染快速检测装置及方法，其接收由摄像头采集的待检测被污染土壤的土壤图像；提取所述土壤图像的土壤状态特征以得到土壤状态语义特征图；对所述土壤状态语义特征图进行空间特征强化以得到空间关联强化全局土壤状态语义特征图；基于所述空间关联强化全局土壤状态语义特征图，确定所述待检测被污染土壤的污染等级。这样，可以实现对待检测被污染土壤的污染等级的智能化判断，为土壤修复提供有效的参考依据，对于改善土壤质量、保护生态环境、维护人类健康具有重要意义。

Description

土壤修复用土壤污染快速检测装置及方法

技术领域

本申请涉及智能化土壤污染检测技术领域，并且更具体地，涉及一种土壤修复用土壤污染快速检测装置及方法。

背景技术

土壤修复是指对受到污染的土壤进行治理，恢复其正常的生态功能和经济价值的过程。土壤修复过程中的土壤污染检测是一项重要的工作，它可以帮助确定污染源、污染物种类和含量、污染范围和程度，以及评估土壤修复效果和风险。土壤污染检测不仅可以指导土壤修复方案的制定和实施，还可以保障土壤修复的质量和安全，防止二次污染和环境风险。

目前，土壤污染的检测方法主要有化学分析法和生物分析法，这些方法都需要采集土壤样本，然后在实验室进行分析，耗时费力，而且不能实时反映土壤的污染状况。

因此，期待一种优化的土壤修复用土壤污染快速检测装置及方法。

发明内容

为了解决上述技术问题，提出了本申请。本申请提供了一种土壤修复用土壤污染快速检测装置及方法，其接收由摄像头采集的待检测被污染土壤的土壤图像；提取所述土壤图像的土壤状态特征以得到土壤状态语义特征图；对所述土壤状态语义特征图进行空间特征强化以得到空间关联强化全局土壤状态语义特征图；基于所述空间关联强化全局土壤状态语义特征图，确定所述待检测被污染土壤的污染等级。这样，可以实现对待检测被污染土壤的污染等级的智能化判断，为土壤修复提供有效的参考依据，对于改善土壤质量、保护生态环境、维护人类健康具有重要意义。

第一方面，提供了一种土壤修复用土壤污染快速检测方法，其包括：

接收由摄像头采集的待检测被污染土壤的土壤图像；

提取所述土壤图像的土壤状态特征以得到土壤状态语义特征图；

对所述土壤状态语义特征图进行空间特征强化以得到空间关联强化全局土壤状态语义特征图；

基于所述空间关联强化全局土壤状态语义特征图，确定所述待检测被污染土壤的污染等级。

第二方面，提供了一种土壤修复用土壤污染快速检测装置，其包括：

土壤图像接收模块，用于接收由摄像头采集的待检测被污染土壤的土壤图像；

土壤状态特征提取模块，用于提取所述土壤图像的土壤状态特征以得到土壤状态语义特征图；

空间特征强化模块，用于对所述土壤状态语义特征图进行空间特征强化以得到空间关联强化全局土壤状态语义特征图；

待检测被污染土壤的污染等级确定模块，用于基于所述空间关联强化全局土壤状态语义特征图，确定所述待检测被污染土壤的污染等级。

与现有技术相比，本申请提供的土壤修复用土壤污染快速检测装置及方法，其接收由摄像头采集的待检测被污染土壤的土壤图像；提取所述土壤图像的土壤状态特征以得到土壤状态语义特征图；对所述土壤状态语义特征图进行空间特征强化以得到空间关联强化全局土壤状态语义特征图；基于所述空间关联强化全局土壤状态语义特征图，确定所述待检测被污染土壤的污染等级。这样，可以实现对待检测被污染土壤的污染等级的智能化判断，为土壤修复提供有效的参考依据，对于改善土壤质量、保护生态环境、维护人类健康具有重要意义。

附图说明

为了更清楚地说明本申请实施例的技术方案，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的前提下，还可以根据这些附图获得其他的附图。

图1为根据本申请实施例的土壤修复用土壤污染快速检测方法的流程图。

图2为根据本申请实施例的土壤修复用土壤污染快速检测方法的架构示意图。

图3为根据本申请实施例的土壤修复用土壤污染快速检测系统的框图。

图4为根据本申请实施例的土壤修复用土壤污染快速检测方法的场景示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。

在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。

土壤修复是指针对受到不同程度污染的土壤进行治理和恢复，以使其恢复正常的生态功能和经济价值的过程，这个过程通常涉及一系列工程和管理活动，旨在减少或完全清除土壤中的有害物质，恢复土壤的自然状态，以支持植被生长、保护生物多样性，并确保土壤对农业和其他用途的可持续利用。

土壤修复的主要目标包括：通过物理、化学或生物方法清除或减少土壤中的有害物质，包括重金属、有机化合物、农药残留等；通过改善土壤结构、提高土壤肥力，使土壤能够支持植被生长和生物多样性；通过修复受损的土壤生态系统，保护土壤中的微生物、植物和动物群落，维护生态平衡；确保修复后的土壤对农作物和食品安全没有负面影响，保护人类健康。

土壤修复通常包括以下一些常见的方法和技术：利用微生物、植物或动物来降解或吸收土壤中的污染物，如植物修复、生物堆肥等；利用化学方法对土壤进行修复，包括化学还原、氧化、中和等方法；利用物理手段去除或隔离土壤中的污染物，如土壤挖掘、覆盖等；利用热处理方法去除土壤中的有机污染物，如热气流、蒸汽提取等。土壤修复是环境保护和可持续发展的重要组成部分，对于改善土壤质量、保护生态环境、维护人类健康具有重要意义。

土壤污染检测是土壤修复过程中至关重要的一环，通过对受污染土壤中污染物种类、含量、分布范围等进行准确测定和分析，为制定有效的土壤修复方案提供了必要的依据。以下是土壤污染检测的一些重要内容：

通过检测分析，可以确定土壤中存在的污染物种类，识别污染源，从而有针对性地进行修复工作；通过对土壤样品的分析，可以确定土壤污染的程度和范围，为修复方案的制定提供依据；在修复过程中，持续的土壤污染检测可以帮助监测修复效果，及时调整修复策略，确保修复工作的有效进行；通过对土壤污染的全面了解，可以有效地避免修复过程中的二次污染和环境风险，确保修复后的土壤质量和安全。

土壤污染检测通常涉及对土壤样品的采集、前处理、实验室分析和数据解释等环节，各种先进的分析技术如气相色谱-质谱联用(GC-MS)、液相色谱-质谱联用(LC-MS)、原子吸收光谱等被广泛应用于土壤污染检测中，以确保数据的准确性和可靠性。

土壤污染的检测方法主要包括化学分析法和生物分析法。化学分析法通过采集土壤样本，然后在实验室中使用化学方法分析土壤中污染物的种类和含量。常见的化学分析方法包括高效液相色谱法、气相色谱法、质谱法等，这些方法可以准确测定土壤中有机和无机污染物的含量，但也存在一定缺陷。例如，其需要采集样本并在实验室中进行分析，整个过程耗时较长；化学分析需要一定的时间来完成，无法实时反映土壤的污染状况；某些污染物可能由于分子结构复杂或者存在于微量中，导致化学分析难以准确检测。

生物分析法是利用生物指示物或生物传感器来检测土壤中的污染物，这些生物指示物可以是植物、微生物或动物。生物分析法的优点是对环境友好，但也存在一些缺陷：生物分析法对于某些污染物的灵敏度可能不如化学分析法；生物分析法受到环境因素的影响较大，如温度、湿度等，可能影响测试结果的准确性；生物分析法需要专业知识和技能来进行操作和解读结果。

基于图像来判断土壤污染等级的思路是可行的。土壤污染通常会导致土壤颜色、质地、结构、植被等发生变化，这些变化可以通过图像进行识别和分析。目前，已经有一些研究表明，基于图像来判断土壤污染等级是可行的。例如有研究人员利用无人机航拍图像，结合深度学习算法，实现了对土壤重金属污染程度的快速评估，还有研究人员利用高光谱图像，结合机器学习算法，实现了对土壤有机污染物污染程度的快速评估。

然而，基于图像来判断土壤污染等级也存在一些挑战。例如，土壤污染程度与图像特征之间的关系可能比较复杂，需要大量的数据和先进的算法才能建立准确的模型。此外，土壤污染程度的评判标准可能因不同的污染物和不同的土壤类型而异，这也给基于图像的土壤污染等级判断带来了困难。基于图像来判断土壤污染等级的思路是可行的，但仍需要进一步的研究和完善。

以下是一些基于图像来判断土壤污染等级的研究实例：

研究人员利用无人机航拍图像，结合深度学习算法，实现了对土重金属污染程度的快速评估。研究结果表明，该方法可以有效地识别和评估土壤重金属污染程度，准确率达到85％以上。

研究人员利用高光谱图像，结合机器学习算法，实现了对土有机污染物污染程度的快速评估。研究结果表明，该方法可以有效地识别和评估土壤有机污染物污染程度，准确率达到90％以上。

研究人员利用可见光和红外光图像，结合深度学习算法，实现了对土壤盐渍化污染程度的快速评估。研究结果表明，该方法可以有效地识别和评估土壤盐渍化污染程度，准确率达到95％以上。

这些研究表明，基于图像来判断土壤污染等级是可行的，但仍需要进一步的研究和完善。

图1为根据本申请实施例的土壤修复用土壤污染快速检测方法的流程图。图2为根据本申请实施例的土壤修复用土壤污染快速检测方法的架构示意图。如图1和图2所示，所述土壤修复用土壤污染快速检测方法，包括：110，接收由摄像头采集的待检测被污染土壤的土壤图像；120，提取所述土壤图像的土壤状态特征以得到土壤状态语义特征图；130，对所述土壤状态语义特征图进行空间特征强化以得到空间关联强化全局土壤状态语义特征图；140，基于所述空间关联强化全局土壤状态语义特征图，确定所述待检测被污染土壤的污染等级。

在所述步骤110中，接收由摄像头采集的待检测被污染土壤的土壤图像，确保摄像头采集到的图像具有足够的分辨率和清晰度，以便后续的图像处理和分析能够准确地提取土壤的状态特征，通过获取实时的土壤图像数据，为后续的分析提供基础数据。在所述步骤120中，提取所述土壤图像的土壤状态特征以得到土壤状态语义特征图，在图像中提取与土壤污染相关的特征，可能包括颜色、纹理、形状等特征，通过提取图像特征，可以将图像中的信息转化为计算机能够理解和处理的形式，为后续的分析和决策提供数据基础。在所述步骤130中，对所述土壤状态语义特征图进行空间特征强化以得到空间关联强化全局土壤状态语义特征图，这一步通常涉及图像处理技术，例如空间滤波、特征增强等，以加强图像中土壤状态的特征，并捕捉土壤污染的空间分布特征，通过空间特征强化，可以更好地捕捉土壤污染的空间分布特征，有助于后续的污染等级确定。在所述步骤140中，基于所述空间关联强化全局土壤状态语义特征图，确定所述待检测被污染土壤的污染等级，这一步可能涉及机器学习或深度学习算法，利用图像特征和空间关联信息来对土壤的污染等级进行分类或回归预测，通过对土壤状态特征图的分析和处理，可以实现对被污染土壤的污染等级的自动化识别和评估，为土壤污染治理提供决策支持。

针对上述技术问题，本申请的技术构思为利用图像处理技术和计算机视觉技术来从土壤图像中学习与污染等级和污染程度相关的特征，颜色、纹理、形状等，这样提取土壤状态信息，以实现对待检测被污染土壤的污染等级的智能化判断，为土壤修复提供有效的参考依据。

其中，图像处理和计算机视觉技术能够快速、自动地从土壤图像中提取颜色、纹理、形状等特征，无需人工干预，大大提高了特征提取的效率和准确性。这些技术能够全面捕捉土壤的状态信息，不仅可以识别肉眼难以察觉的微小变化，还可以捕捉土壤污染的空间分布特征，从而提供更全面的土壤状态信息。

通过学习和分析提取的土壤状态特征，结合机器学习算法，可以实现对土壤污染等级的智能化判断，从而为土壤修复提供有效的参考依据，这种智能化判断能够减少主观因素的影响，提高判断的客观性和一致性。结合实时图像采集，这项技术可以实现对土壤污染的实时监测和评估，使决策者能够及时了解土壤污染情况，采取相应的修复和管理措施。通过智能化判断，可以为土壤修复提供更科学的决策支持，有助于优化资源配置，提高土壤修复的效率和成本效益。

基于此，在本申请的技术方案中，首先，接收由摄像头采集的待检测被污染土壤的土壤图像。这里，土壤图像的获取过程通常较为迅速和便捷，可以实时反映土壤的污染状况。具体来说，所述待检测被污染土壤的土壤图像中存在关于污染等级和污染程度的信息，主要包括以下几个方面：1.颜色变化：受污染的土壤常常呈现出与正常土壤不同的颜色。例如，重金属污染可能导致土壤呈现灰色、黑色或其他异常颜色。通过分析土壤图像中的颜色信息，可以推断出土壤的污染程度。2.纹理变化：污染物的存在会改变土壤的纹理特征，例如形成斑点、条纹或均匀分布的纹理。3.形状变化：某些污染物可能导致土壤颗粒的形状发生变化，例如变得不规则、颗粒大小不均匀等。综上所述，土壤图像中的颜色、纹理和形状信息可以提供关于污染等级和污染程度的线索，通过分析这些信息，可以从土壤图像中推断出土壤的污染等级。

接着，将所述土壤图像通过基于卷积神经网络模型的土壤状态特征提取器以得到土壤状态语义特征图。其中，卷积神经网络(Convolutional Neural Network，CNN)是一种常用于图像处理和分析的深度学习模型，具有对图像特征进行有效提取和表示的能力。这里，通过使用基于卷积神经网络模型的土壤状态特征提取器，可以自动学习和提取土壤图像中的特征，包括颜色、纹理、形状等。具体而言，卷积神经网络模型中的卷积层可以捕捉图像中的局部特征，而池化层可以对特征进行降维和抽象，最终得到具有高级语义信息的特征表示。

在本申请的一个具体实施例中，提取所述土壤图像的土壤状态特征以得到土壤状态语义特征图，包括：利用深度学习网络模型对所述土壤图像进行特征提取以得到所述土壤状态语义特征图。

其中，所述深度学习网络模型为基于卷积神经网络模型的土壤状态特征提取器。

更进一步地，在本申请的一个具体实施例中，利用深度学习网络模型对所述土壤图像进行特征提取以得到所述土壤状态语义特征图，包括：将所述土壤图像通过所述基于卷积神经网络模型的土壤状态特征提取器以得到所述土壤状态语义特征图。

考虑到所述土壤状态语义特征图由所述基于卷积神经网络模型的土壤状态特征提取器经过多层卷积处理和池化处理得到，由于卷积神经网络模型的特性，所述土壤状态语义特征图中局部特征内部的相关性较高而局部特征之间的相关性较低，这可能导致一些关键但非显著的关于土壤污染状态和土壤污染程度的重要特征被忽略。因此，在本申请的技术方案中，对所述土壤状态语义特征图进行特征图块切分以得到土壤状态局部语义特征图的序列；并使用空间关联注意力模块对所述土壤状态局部语义特征图的序列进行处理以得到空间关联强化全局土壤状态语义特征图。这里，对土壤状态语义特征图进行特征图块切分以得到土壤状态局部语义特征图的序列的目的是将土壤图像中不同位置的局部特征进行拆分，为后续对构建和提取局部特征之间的关联关系做好数据准备。

在本申请的一个具体实施例中，对所述土壤状态语义特征图进行空间特征强化以得到空间关联强化全局土壤状态语义特征图，包括：对所述土壤状态语义特征图进行特征图块切分以得到土壤状态局部语义特征图的序列；使用空间关联注意力模块对所述土壤状态局部语义特征图的序列进行处理以得到所述空间关联强化全局土壤状态语义特征图。

其中，所述空间关联注意力模块可以通过学习不同土壤状态局部语义特征图之间的空间关联性，自适应地分配不同的权重，从而提取出更有代表性和区分性的全局土壤状态语义特征，进而提高分类结果的准确性和鲁棒性。这样，完善和优化特征分布中对于局部特征之间的关联关系的描述和表征，从而使得所述空间关联强化全局土壤状态语义特征图能够充分表达土壤状态的全局信息。

在本申请的一个具体实施例中，使用空间关联注意力模块对所述土壤状态局部语义特征图的序列进行处理以得到所述空间关联强化全局土壤状态语义特征图，包括：以如下空间相关系数计算公式来计算所述土壤状态局部语义特征图的序列中任意两个土壤状态局部语义特征图之间的空间相关系数以得到空间关联系数矩阵，其中，所述空间相关系数计算公式为：

A_{s_i_j}＝{γ_s[GAP(P_j)]}^T*{u_s[GAP(P_i)]}

其中，P_i和P_j分别表示所述土壤状态局部语义特征图的序列中的第i和第j个所述土壤状态局部语义特征图，GAP(·)表示全局均值池化函数，γ_s和u_s表示两个1×1的卷积层，A_{s_i_j}表示所述土壤状态局部语义特征图的序列中的第i和第j个所述土壤状态局部语义特征图之间的空间相关系数；将所述空间关联系数矩阵通过基于Sigmoid函数的激活层以得到空间关联注意力权重矩阵；计算所述土壤状态语义特征图的沿通道维度的各个特征矩阵与所述空间关联注意力权重矩阵之间的按位置点乘以得到所述空间关联强化全局土壤状态语义特征图。

在本申请的一个实施例中，基于所述空间关联强化全局土壤状态语义特征图，确定所述待检测被污染土壤的污染等级，包括：对所述空间关联强化全局土壤状态语义特征图进行特征分布优化以得到优化后空间关联强化全局土壤状态语义特征图；将所述优化后空间关联强化全局土壤状态语义特征图通过分类器以得到分类结果，所述分类结果用于表示待检测被污染土壤的污染等级标签。

进一步地，在本申请的一个具体实施例中，对所述空间关联强化全局土壤状态语义特征图进行特征分布优化以得到优化后空间关联强化全局土壤状态语义特征图，包括：计算所述空间关联强化全局土壤状态语义特征图的各个特征矩阵的优化系数；以所述优化系数对所述空间关联强化全局土壤状态语义特征图的各个特征矩阵进行加权来优化所述空间关联强化全局土壤状态语义特征图以得到所述优化后空间关联强化全局土壤状态语义特征图。

在上述技术方案中，所述土壤状态语义特征图表达所述待检测被污染土壤的土壤图像的图像语义特征，这样，对所述土壤状态语义特征图进行特征图块切分以得到土壤状态局部语义特征图的序列，并使用空间关联注意力模块对所述土壤状态局部语义特征图的序列进行处理后，可以对所述图像语义特征进行基于局部空间分布的关联强化，但是，这也会导致所述空间关联强化全局土壤状态语义特征图的各个特征矩阵之间都会具有显著的图像语义特征表达区分性。

因此，为了在保持所述空间关联强化全局土壤状态语义特征图在通道维度下的特征矩阵图像语义表达区分性的同时，提升所述空间关联强化全局土壤状态语义特征图的通道维度的图像语义特征逐通道表示的类回归概率确定性，从而提升所述空间关联强化全局土壤状态语义特征图通过基于分类器得到的分类结果的准确性，本申请进一步对所述空间关联强化全局土壤状态语义特征图进行优化。

在本申请的一个实施例中，计算所述空间关联强化全局土壤状态语义特征图的各个特征矩阵的优化系数，包括：以如下系数计算公式计算所述空间关联强化全局土壤状态语义特征图的各个特征矩阵的优化系数；其中，所述系数计算公式为：

其中，M_i表示所述空间关联强化全局土壤状态语义特征图的各个特征矩阵，m_i-max是所述空间关联强化全局土壤状态语义特征图的各个特征矩阵M_i的最大特征值，m_i-j是所述空间关联强化全局土壤状态语义特征图的各个特征矩阵M_i的第j个位置的特征值，N是特征矩阵的尺度，即宽度乘以高度，log表示以2为底的对数，且α是权重超参数，ω_i表示所述空间关联强化全局土壤状态语义特征图的各个特征矩阵的优化系数。

具体地，通过基于所述空间关联强化全局土壤状态语义特征图的各个特征矩阵M_i的逐通道图像语义特征表示在图像语义众包形式下的多数投票机制，来在各个特征矩阵M_i相对于所述空间关联强化全局土壤状态语义特征图的分布从属概率模型下寻求各个特征矩阵M_i单独的信息期望最大化，这样，再通过以优化系数ω_i对所述空间关联强化全局土壤状态语义特征图的各个特征矩阵M_i进行加权来优化所述空间关联强化全局土壤状态语义特征图，就可以基于所述空间关联强化全局土壤状态语义特征图的各个特征矩阵M_i的特征值平均信息置信度进行特征矩阵间类回归概率联合估计，以在保持所述空间关联强化全局土壤状态语义特征图的跨通道域特征表达区分性的同时，改进其图像语义特征逐通道表示的类回归概率确定性，从而提升其通过基于分类器得到的分类结果的准确性。

进一步地，将所述优化后空间关联强化全局土壤状态语义特征图通过分类器以得到分类结果，所述分类结果用于表示待检测被污染土壤的污染等级标签。也就是，通过使用分类器对所述优化后空间关联强化全局土壤状态语义特征图进行分类，可以自动化地判断土壤的污染等级，并为土壤污染程度的评估提供标准化和准确的结果。这样的分类结果可以为土壤修复工作提供重要的参考和指导。

通过使用分类器，可以自动将优化后空间关联强化全局土壤状态语义特征图映射到对应的污染等级标签，实现对待检测被污染土壤的污染等级的自动化判断，减少了人工主观判断的影响，提高了判断的客观性和一致性。利用分类器进行判断能够在很短的时间内输出分类结果，实现了对土壤污染等级的快速评估。同时，通过机器学习算法的训练和优化，可以提高分类结果的准确性。分类结果可以直接表示土壤的污染等级标签，为土壤修复提供了有效的参考依据，不同污染等级的土壤可能需要不同的修复策略，因此准确的污染等级判断对于制定有效的土壤修复方案至关重要。

在本申请的一个具体实施例中，将所述优化后空间关联强化全局土壤状态语义特征图通过分类器以得到分类结果，所述分类结果用于表示待检测被污染土壤的污染等级标签，包括：对所述优化后空间关联强化全局土壤状态语义特征图进行特征图展开以得到优化后空间关联强化全局土壤状态语义特征向量；使用所述分类器的多个全连接层对所述优化后空间关联强化全局土壤状态语义特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

综上，基于本申请实施例的土壤修复用土壤污染快速检测方法被阐明，其利用图像处理技术和计算机视觉技术来从土壤图像中学习与污染等级和污染程度相关的特征，颜色、纹理、形状等，这样提取土壤状态信息，以实现对待检测被污染土壤的污染等级的智能化判断，为土壤修复提供有效的参考依据。

在本申请的一个实施例中，图3为根据本申请实施例的土壤修复用土壤污染快速检测系统的框图。如图3所示，根据本申请实施例的土壤修复用土壤污染快速检测系统200，包括：土壤图像接收模块210，用于接收由摄像头采集的待检测被污染土壤的土壤图像；土壤状态特征提取模块220，用于提取所述土壤图像的土壤状态特征以得到土壤状态语义特征图；空间特征强化模块230，用于对所述土壤状态语义特征图进行空间特征强化以得到空间关联强化全局土壤状态语义特征图；待检测被污染土壤的污染等级确定模块240，用于基于所述空间关联强化全局土壤状态语义特征图，确定所述待检测被污染土壤的污染等级。

这里，本领域技术人员可以理解，上述土壤修复用土壤污染快速检测系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图2的土壤修复用土壤污染快速检测方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的土壤修复用土壤污染快速检测系统200可以实现在各种终端设备中，例如用于土壤修复用土壤污染快速检测的服务器等。在一个示例中，根据本申请实施例的土壤修复用土壤污染快速检测系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该土壤修复用土壤污染快速检测系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该土壤修复用土壤污染快速检测系统200同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该土壤修复用土壤污染快速检测系统200与该终端设备也可以是分立的设备，并且土壤修复用土壤污染快速检测系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

图4为根据本申请实施例的土壤修复用土壤污染快速检测方法的场景示意图。如图4所示，在该应用场景中，首先，接收由摄像头采集的待检测被污染土壤的土壤图像(例如，如图4中所示意的C)；然后，将获取的土壤图像输入至部署有土壤修复用土壤污染快速检测算法的服务器(例如，如图4中所示意的S)中，其中所述服务器能够基于土壤修复用土壤污染快速检测算法对所述土壤图像进行处理，以确定所述待检测被污染土壤的污染等级。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种土壤修复用土壤污染快速检测方法，其特征在于，包括：

接收由摄像头采集的待检测被污染土壤的土壤图像；

提取所述土壤图像的土壤状态特征以得到土壤状态语义特征图；

对所述土壤状态语义特征图进行空间特征强化以得到空间关联强化全局土壤状态语义特征图；

基于所述空间关联强化全局土壤状态语义特征图，确定所述待检测被污染土壤的污染等级。

2.根据权利要求1所述的土壤修复用土壤污染快速检测方法，其特征在于，提取所述土壤图像的土壤状态特征以得到土壤状态语义特征图，包括：

利用深度学习网络模型对所述土壤图像进行特征提取以得到所述土壤状态语义特征图。

3.根据权利要求2所述的土壤修复用土壤污染快速检测方法，其特征在于，所述深度学习网络模型为基于卷积神经网络模型的土壤状态特征提取器。

4.根据权利要求3所述的土壤修复用土壤污染快速检测方法，其特征在于，利用深度学习网络模型对所述土壤图像进行特征提取以得到所述土壤状态语义特征图，包括：

将所述土壤图像通过所述基于卷积神经网络模型的土壤状态特征提取器以得到所述土壤状态语义特征图。

5.根据权利要求4所述的土壤修复用土壤污染快速检测方法，其特征在于，对所述土壤状态语义特征图进行空间特征强化以得到空间关联强化全局土壤状态语义特征图，包括：

对所述土壤状态语义特征图进行特征图块切分以得到土壤状态局部语义特征图的序列；

使用空间关联注意力模块对所述土壤状态局部语义特征图的序列进行处理以得到所述空间关联强化全局土壤状态语义特征图。

6.根据权利要求5所述的土壤修复用土壤污染快速检测方法，其特征在于，使用空间关联注意力模块对所述土壤状态局部语义特征图的序列进行处理以得到所述空间关联强化全局土壤状态语义特征图，包括：

以如下空间相关系数计算公式来计算所述土壤状态局部语义特征图的序列中任意两个土壤状态局部语义特征图之间的空间相关系数以得到空间关联系数矩阵，其中，所述空间相关系数计算公式为：

其中，P_i和P_j分别表示所述土壤状态局部语义特征图的序列中的第i和第j个所述土壤状态局部语义特征图，GAP(·)表示全局均值池化函数，γ_s和u_s表示两个1×1的卷积层，A_{s_i_j}表示所述土壤状态局部语义特征图的序列中的第i和第j个所述土壤状态局部语义特征图之间的空间相关系数；

将所述空间关联系数矩阵通过基于Sigmoid函数的激活层以得到空间关联注意力权重矩阵；

计算所述土壤状态语义特征图的沿通道维度的各个特征矩阵与所述空间关联注意力权重矩阵之间的按位置点乘以得到所述空间关联强化全局土壤状态语义特征图。

7.根据权利要求6所述的土壤修复用土壤污染快速检测方法，其特征在于，基于所述空间关联强化全局土壤状态语义特征图，确定所述待检测被污染土壤的污染等级，包括：

对所述空间关联强化全局土壤状态语义特征图进行特征分布优化以得到优化后空间关联强化全局土壤状态语义特征图；

将所述优化后空间关联强化全局土壤状态语义特征图通过分类器以得到分类结果，所述分类结果用于表示待检测被污染土壤的污染等级标签。

8.根据权利要求7所述的土壤修复用土壤污染快速检测方法，其特征在于，对所述空间关联强化全局土壤状态语义特征图进行特征分布优化以得到优化后空间关联强化全局土壤状态语义特征图，包括：

计算所述空间关联强化全局土壤状态语义特征图的各个特征矩阵的优化系数；

以所述优化系数对所述空间关联强化全局土壤状态语义特征图的各个特征矩阵进行加权来优化所述空间关联强化全局土壤状态语义特征图以得到所述优化后空间关联强化全局土壤状态语义特征图。

9.根据权利要求8所述的土壤修复用土壤污染快速检测方法，其特征在于，将所述优化后空间关联强化全局土壤状态语义特征图通过分类器以得到分类结果，所述分类结果用于表示待检测被污染土壤的污染等级标签，包括：

对所述优化后空间关联强化全局土壤状态语义特征图进行特征图展开以得到优化后空间关联强化全局土壤状态语义特征向量；

使用所述分类器的多个全连接层对所述优化后空间关联强化全局土壤状态语义特征向量进行全连接编码以得到编码分类特征向量；以及

将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

10.一种土壤修复用土壤污染快速检测装置，其特征在于，包括：

土壤图像接收模块，用于接收由摄像头采集的待检测被污染土壤的土壤图像；

土壤状态特征提取模块，用于提取所述土壤图像的土壤状态特征以得到土壤状态语义特征图；

空间特征强化模块，用于对所述土壤状态语义特征图进行空间特征强化以得到空间关联强化全局土壤状态语义特征图；

待检测被污染土壤的污染等级确定模块，用于基于所述空间关联强化全局土壤状态语义特征图，确定所述待检测被污染土壤的污染等级。