[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

说明书

本发明涉及土壤有效团聚体识别技术，具体涉及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，以解决现有土壤团聚体分类识别采用传统的筛分法无法准确识别土壤有效团聚体及砂粒，且常规图像处理技术难以高效实现土壤有效团聚体的精细识别的技术问题。本发明方法包括：将土壤团聚体筛分；用扫描电镜进行拍摄；对图像进行数据标注；建立深度卷积神经网络分割模型，使用Bisenet语义分割模型对图像进行数据分割，采用形状分支学习边缘信息，并使用Canny算子监督；对图像特征进行提取识别；对图像后处理，得到修正后的图像；利用神经网络分割模型测试修正后的图像，最终获得有效团聚体和砂粒数量信息。

技术领域

本发明涉及土壤团聚体识别技术，具体涉及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。

背景技术

土壤团聚体是指一组黏结在一起的多个基本土壤颗粒，是土壤的结构单位。长期以来，人们设计了多种方法进行土壤团聚体分析。筛分法是目前最流行、也是最经典的研究方法其中包括有湿筛法和干筛法。土壤是由砂粒、粉粒、黏粒组成，其中砂粒的粒径范围为0.02mm～2mm，在使用传统筛分法进行土壤团聚体组成测定时，特别对于以风沙土这类以砂粒为主要组成的土壤，筛分出的0.25mm～2mm粒径范围组分极易受到未能形成团聚结构的砂粒干扰，导致团聚体筛分结构不能准确体现出土壤团聚体的数量。

传统方法对于图像分割提取识别主要是通过提取图像感兴趣区域的边缘、纹理特征，从而建立模型分割出感兴趣区域，其中经典的算法包括自适应阈值分割法，区域增长法，分水岭算法、颜色聚类法等，但对于电镜拍摄下的团聚体图像，由于黏连颗粒等特征，虽然传统方法能够在一定程度上实现图像分割，但对于高效实现土壤有效团聚体的精细识别仍有很大的差距。

发明内容

本发明的目的是提出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，以解决现有土壤团聚体分类识别采用传统的湿筛法不能准确体现出土壤团聚体的数量，且常规图像处理技术难以高效实现土壤有效团聚体的精细识别的技术问题。本发明基于扫描电镜大视场成像技术和基于Bisenet语义分割模型深度学习，可以高精度地实现对土壤、特别是对于砂土及以砂土为成土母质的土壤的机械稳定性团聚体、水稳定性团聚体精准有效的分类识别。

为了实现上述目的，本发明所采用的技术方案是：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，其特殊之处在于，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，为保证土壤结构不被筛分破坏，将得到的小于0.25mm、0.25mm～0.5mm、0.5mm～1.0mm、1mm～2mm组分分别筛分于不同软棉垫上；

1.2)为保证样品台上的砂粒和团聚体无遮挡，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，为确保能够获得最佳的、均一性的成像质量，因而需要保证样品表面结构纹理信息特征、边缘特征、景深特征、清晰度、拍摄样品数量达到最优效果，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)对每个电镜图像下的有效团聚体及砂粒的轮廓分别进行填充，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：