(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211250711.5 (22)申请日 2022.10.12 (71)申请人 华南农业大 学 地址 510640 广东省广州市天河区五山路 483号 (72)发明人 王海林　江俊　侯俊伟　刘怡颖　 蒋郁　齐龙　蔡位子　 (74)专利代理 机构 佛山市君创知识产权代理事 务所(普通 合伙) 44675 专利代理师 潘明军 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/771(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 3/12(2006.01) G06V 10/54(2022.01) G06V 10/56(2022.01) (54)发明名称 一种基于机器学习与图像处理的土壤质地 检测方法及装置 (57)摘要 本发明公开一种基于机器学习与图像处理 的土壤质地检测方法及装置， 该方法包括以下步 骤： 对土壤样本进行图像采集； 获取土壤样本表 面的图像特征数据； 以8： 2的比例将土壤样本的 图像特征数据随机划分为训练集和测试集； 对训 练集和测试集的图像特征数据进行标准化处理； 使用遗传算法对图像特征数据进行特征选择， 得 到最优的特征； 利用BP神经网络， 以土壤质地数 据的准确值作为目标， 对训练集进行训练得到土 壤质地检测的回归模型； 通过回归模 型计算出待 检测土壤的土壤质地数据。 该方法基于图像处理 对土壤表面的信息进行特征提取并使用遗传算 法对特征进行筛选， 基于机器学习建立土壤质地 检测的回归模 型， 实现对土壤质地数据的快速检 测， 且检测效率高。 权利要求书2页 说明书6页 附图2页 CN 115546550 A 2022.12.30 CN 115546550 A 1.一种基于 机器学习与图像处 理的土壤质地检测方法， 其特 征在于， 包括以下步骤： (1)通过图像采集装置对已知土壤质地数据的土壤样本进行图像采集； (2)图像处 理模块对图像进行处 理， 获取土壤样本表面的图像特 征数据； (3)以8： 2的比例将土壤样本的图像特 征数据随机划分为训练集和 测试集； (4)特征工程数据处理模块对训练集和测试集的图像特征数据进行标准化处理， 使得 不同的图像特 征数据具有相同的尺度； (5)使用遗传算法对图像特征数据进行特征选择， 筛选出较优的特征， 去除较差的特 征， 从而达 到最优的结果， 得到最优的特 征； (6)回归模型模块利用BP神经网络， 以土壤样本的土壤质地数据的准确值作为目标， 对 训练集进行训练得到土壤质地检测的回归模型， 并通过测试集对回归模型进行评估， 其得 到的结果判断回归 模型的优劣性； (7)通过图像采集装置对待检测土壤进行图像采集， 图像处理模块对图像进行处理， 获 取待检测土壤的图像特 征数据， 通过回归 模型， 计算出待检测土壤的土壤质地数据。 2.根据权利要求1所述的基于机器学习与图像处理 的土壤质地检测方法， 其特征在于， 在步骤(1)中， 将土壤样本 置于检测箱中， 利用工业相机， 对土壤样本进行图像采集。 3.根据权利要求1所述的基于机器学习与图像处理 的土壤质地检测方法， 其特征在于， 在步骤(2)中， 图像特征数据包括颜色特征和纹理特征； 图像处理模块对图像进 行颜色特征 和纹理特征进行提取， 提取的颜色特征包括RGB颜色通道均值、 HSV颜色通道均值以及LAB颜 色通道均值； 提取 的颜色特征纹理特征包括灰度共生矩阵以及灰度二值模式； 对采集的所 有图像的图像特 征数据， 构建土壤样本特 征库。 4.根据权利要求2所述的基于机器学习与图像处理 的土壤质地检测方法， 其特征在于， 在步骤(3)中， 从土壤样 本特征库中以8： 2的比例将 土壤样本的图像特征数据随机划分为训 练集和测试集。 5.根据权利要求1所述的基于机器学习与图像处理 的土壤质地检测方法， 其特征在于， 在步骤(4)中， 使用Z ‑score标准化对图像特征数据进行标准化处理， 经处理后， 特征数据符 合正态分布， 其公式如下： 式中： x*为标准化后的图像特征数据； x为各特征参数的实际值； μ为某一特征变量的平 均值； σ 为某一特 征变量的标准差 。 6.根据权利要求1所述的基于机器学习与图像处理 的土壤质地检测方法， 其特征在于， 在步骤(5)中， 使用遗传算法对图像特征数据进行特征选择， 筛选出较优的特征， 去除较差 的特征， 从而达到最优的结果， 得到最优的特征的具体步骤为： 将土壤质地数据作为优化目 标， 将标准化后的图像特征数据作为基因， 并进行二进制编码， 在二进制编码中， “0”和“1” 的总数与单个样本中包含的特征总数相同， 其中， 基因 “1”的个数即为要选择的特征个数， 将选择的特征生成特征子集； 然后随机生成初始群体； 遗传算法中的适应度函数用来判断 种群中个体的优劣程度， 采用BP神经网络中关系系数R2作为适应度函数； 在遗传算法运行 中， 当最优特征组合的适应度值结果不再上升时， 终止运行， 输出最优 特征； 否则， 基因则继 续进行选择、 交叉和变异。权　利　要　求　书 1/2 页 2 CN 115546550 A 27.根据权利要求1所述的基于机器学习与图像处理 的土壤质地检测方法， 其特征在于， 在步骤(6)中， BP神经网络的训练模型共设置了4层， 分别为输入层、 第一层隐藏层、 第二层 隐藏层以及输出层， 其中， 第一层隐藏层设置了200个节点， 第二层隐藏层设置了100个节 点， 输出层的输出结果为3个变量， 第一个变量为土壤样本的黏粒 的含量， 第二个变量为土 壤样本的粉粒的含量， 第三个 变量为土壤样本的砂粒的含量。 8.根据权利要求1所述的基于机器学习与图像处理 的土壤质地检测方法， 其特征在于， 在步骤(6)中， 使用随机梯度下降法对BP神经网络的权值进行寻优求解， 迭代次数为1000 次。 9.一种基于机器学习与图像处理的土壤质地检测装置， 其特征在于， 该土壤质地检测 装置用于实现如权利要求1 ‑8任一项所述的土壤质地检测方法， 所述土壤质地检测装置包 括用于采集土壤样本图像的图像采集装置、 用于对图像进 行处理从而获得图像特征数据的 图像处理模块、 用于对图像特征数据进行标准化处理的特征工程数据 处理模块、 利用遗传 算法对图像特征数据进行特征选择的特征选择模块以及用于建立回归模型的回归模型模 块； 其中， 所述图像采集装置与所述图像处理模块连接， 所述图像处理模块与所述特征工程 数据处理模块连接， 所述特征工程数据 处理模块与所述特征选择模块连接， 所述特征选择 模块与所述回归 模型模块连接 。 10.根据权利要求7所述的基于机器学习与图像处理的土壤质地检测装置， 其特征在 于， 所述图像采集装置包括检测箱、 工业相机以及LED光源， 其中， 所述检测箱 为检测提供一 个黑暗的环境， 所述工业相 机用于对检测箱中的土壤样本进行图像采集， 并将采集的图像 发送至图像处 理模块中， 所述 LED光源为检测环境 提供光源。权　利　要　求　书 2/2 页 3 CN 115546550 A 3