[发明专利]基于深度卷积神经网络的土壤有效团聚体分类识别方法

权利要求书

1.一种基于深度卷积神经网络的土壤有效团聚体分类识别方法，其特征在于，包括以下步骤：

步骤1、电镜拍摄：

1.1)将风干后的土壤经四分法取样后，等分为4组，分别过0.25mm、0.25mm/0.5mm、0.5mm/1mm、1mm/2mm筛组，分别得到＜0.25mm、0.25mm～0.5mm、0.5mm～1.0mm、1mm～2mm组分，然后将各组分分别筛分于不同软棉垫上；

1.2)将导电胶黏贴于样品台上，以样品台倒置法粘取软棉垫上的其中一组土壤筛分组分，而后对该组分的土壤团聚体进行喷金或喷碳处理；

1.3)用扫描电镜对土壤团聚体进行拍摄，要求扫描电镜的加速电压为5kV，工作距离不小于15mm，放大倍率为50×～200×；

步骤2、数据标注：

2.1)选取拍摄好的电镜图像，对每一张电镜图像中的团聚体和砂粒分别标注，并且使团聚体和砂粒重叠部分没有歧义，建立图像数据集A；

2.2)将图像数据集A分为训练集X和测试集Y，要求测试集Y的样本量达到训练集X样本量的1/3～1/5；

步骤3、图像预处理：将图像数据集A中的所有图像转为灰度图；

步骤4、建立深度卷积神经网络分割模型：

4.1)根据图像的局部细节特征，使用Bisenet语义分割模型对训练集X灰度图的团聚体和砂粒进行粗分割，Bisenet保留底层网络的分支，再把底层的信息和高层的信息进一步融合，并获取每个类别分别对应的权重，根据每个类别分别对应的权重以及类别概率进行加权和得到损失值；

4.2)加入一个并列的形状分支，学习训练集X的灰度图中团聚体和砂粒的边缘信息，并使用辅助的Canny算子作为辅助损失来监督此分支；

4.3)将训练产生的优化参数保存至深度卷积神经网络分割模型；

步骤5、图像特征提取识别：利用步骤4所述的优化参数，通过深度卷积神经网络分割模型，对测试集Y的灰度图进行特征提取识别，得到神经网络分割模型初步测试结果；

步骤6、图像后处理：对神经网络分割模型初步测试结果，先通过轮廓识别剔除所有面积小于筛分阈值的轮廓，再对大轮廓中的孔洞进行填补，最后剔除形状不合理的轮廓，得到修正后的图像；

步骤7、数据统计：利用修正后的图像，获得有效团聚体和砂粒数量信息。

2.根据权利要求1所述基于深度卷积神经网络的土壤有效团聚体分类识别方法，其特征在于，步骤4.1)中，所述Bisenet保留底层网络的分支，具体为：保留Bisenet的注意力改善模块、特征融合模块及网络分支；所述注意力改善模块为2个，分别采用不同分辨率路径实现；所述特征融合模块用于融合2个注意力改善模块的输出特征来进行最终预测；所述网络分支包括两个空间分支、一个上下文分支；所述空间分支用来保留空间信息生成高分辨率特征图；所述上下文分支用于对输入进行快速下采样。

3.根据权利要求1或2所述基于深度卷积神经网络的土壤有效团聚体分类识别方法，其特征在于：步骤1.3)中，采用扫描电镜拍摄的工作距离为30mm，放大倍率为100×。

4.根据权利要求3所述基于深度卷积神经网络的土壤有效团聚体分类识别方法，其特征在于：步骤2.2)中，所述训练集X和测试集Y的比例为4:1。

5.根据权利要求4所述基于深度卷积神经网络的土壤有效团聚体分类识别方法，其特征在于，步骤3具体为：将图像数据集A中的所有图像转为8位灰度图，对图像进行高斯归一化，并且对图像进行强化，调节不同图像的对比度，同时对图像进行随机旋转和剪切。

6.根据权利要求5所述基于深度卷积神经网络的土壤有效团聚体分类识别方法，其特征在于：步骤6中，所述形状不合理的轮廓包括狭长轮廓或蜷曲轮廓。