基于子图选择的野外土壤图像土种识别

作     者：陈怡达 

作者单位：重庆师范大学 

学位级别：硕士

导师姓名：曾绍华

授予年度：2023年

学科分类：08[工学] 080203[工学-机械设计及理论] 09[农学] 0903[农学-农业资源与环境] 0802[工学-机械工程] 090301[农学-土壤学] 

主      题：土种识别 子图选择 深度学习 土壤图像 

摘      要：随着现代农业的发展,农业人工智能技术也得到长足的发展。本文基于机器视觉技术,提出了一种野外土壤图像的土种识别方法,用于指导农业生产,并推动农业数字化和智能化。本文主要工作如下:(1)在野外自然条件下,共采集紫色土三大土属11土种的图像样本,经数据清洗后构建土壤图像数据集。本文首次采用基于深度学习的Mask R-CNN模型,完成对土壤图像的定位与分割;并采用28×28的ROI Align Mask掩码以获得更精确的分割结果。实验结果显示:模型的分割有效,分割指标精度和召回率值分别为0.9442和0.9606,并在不同分布条件下的土壤图像中均表现出良好的性能,分割的实验结果作为后续土种识别的基础。(2)针对机器视觉野外自然条件下采集土壤图像包含阴影、空洞、缝隙对土种识别可能产生影响,以及土壤图像采集和标记成本高、样本量小的问题,提出一种基于土壤子图选择算法的土种识别方法。该方法以局部阴影最小化及空间距离最大化为准则,构造最优化模型;并基于最大最小距离算法思想,迭代更新距离矩阵求解优化模型,获得选择子图中心点,切取对应土壤子图,构建土壤子图数据集。(3)为了提高土种识别的可靠性和鲁棒性,本文提出一种基于子图集成投票的方法;利用子图选择算法切取的土壤子图投票共同决策最终土种识别结果。实验结果显示:土壤子图选择算法构建的数据集在三个不同深度Res Net模型下训练、识别测试,均有较好的训练、识别精度;在土壤子图选择α参数为1、子图尺寸为224时,在浅层网络Res Net-18下能达到最佳测试结果,训练的网络模型在验证集识别准确率为92.48%,测试集识别准确率为92.95%,相较于土壤原图数据集的最佳土种识别结果提升46.65%;利用最小外接矩阵能加速相较于不使用加速,子图选择算法提升运算速度38.88%。基于子图选择算法的土种识别方法是有效的。综上,本文提出了一种基于机器视觉技术的土种识别方法:首先基于Mask RCNN实例分割模型对土壤图像进行分割,然后采用基于土壤子图选择算法的数据集构建方法和子图集成投票决策识别结果的分类方法,实现野外土壤图像的土种识别。