基于深度學(xué)習(xí)的土壤檢測及其適種農(nóng)作物的選擇

關(guān)鍵詞： 深度學(xué)習(xí)；PCA；多元線性回歸；多模態(tài)；土壤顏色；農(nóng)作物的選擇

0 引言

土壤是種植過程中極其重要的因素之一，對農(nóng)作物或農(nóng)副產(chǎn)品的生產(chǎn)具有至關(guān)重要的作用。其成分和類型具有一定的地域性，不同的地區(qū)土壤類別不同，不同的農(nóng)作物要求的土壤也不同。因此，它對植物的營養(yǎng)供應(yīng)、植物根系的發(fā)育和生長、農(nóng)作物品質(zhì)影響甚至農(nóng)業(yè)生產(chǎn)的可持續(xù)影響都是不同的。為了保證土壤質(zhì)量可持續(xù)，傳統(tǒng)的土壤檢測技術(shù)操作復(fù)雜，成本高，難以適應(yīng)現(xiàn)代農(nóng)業(yè)的發(fā)展趨勢[1]。近年來，智慧農(nóng)業(yè)不斷興起，神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)領(lǐng)域也在不斷應(yīng)用和實(shí)施，可以解決土壤出現(xiàn)的一系列通病。

深度學(xué)習(xí)技術(shù)是一種具有巨大潛力的現(xiàn)代圖像處理技術(shù)[2]。在各個(gè)領(lǐng)域，神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的代表，作為人工智能算法的一種實(shí)用工具，對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，提取大數(shù)據(jù)中隱藏的數(shù)據(jù)來解決實(shí)際問題。本文通過卷積神經(jīng)網(wǎng)絡(luò)（CNN），構(gòu)成一種特定的深度學(xué)習(xí)類別，針對土壤顏色進(jìn)行土壤識(shí)別分類。由于不同的土壤顏色，所包含的土壤成分不同，土壤適種的農(nóng)作物也不一樣。因此，借助CNN模型，可近似地通過顏色來識(shí)別土壤成分，與此同時(shí)，也能通過CNN模型分辨土壤是否可用，例如土壤板結(jié)[3]、土壤鹽堿化[4]、水土流失[5]等問題。

1 數(shù)據(jù)來源

本文使用青藏高原科學(xué)數(shù)據(jù)中心、聯(lián)合國糧農(nóng)組織（FAO）和維也納國際應(yīng)用系統(tǒng)研究所（IIASA）所構(gòu)建的世界土壤數(shù)據(jù)庫（HWSD）的中國土壤數(shù)據(jù)集（v1.1）（2009）[6]的土壤數(shù)據(jù)信息。從數(shù)據(jù)庫中，我們根據(jù)土壤沙含量、淤泥含量、黏土含量、土壤容重、參考堆積密度、有機(jī)碳含量、酸堿度、碳酸鹽（CaCO3）、硫酸鹽（CaSO4）和電導(dǎo)率對某地區(qū)土壤進(jìn)行數(shù)據(jù)分析，并與該地區(qū)土壤圖像信息進(jìn)行多模態(tài)融合。同時(shí)，采用智能手機(jī)、無人機(jī)等設(shè)備對各個(gè)地區(qū)的土壤進(jìn)行拍攝，采集相應(yīng)土壤圖像信息。

根據(jù)土壤的顏色，我們分別拍攝約總共5 000張圖片，分別包括黑色土地、黃色土地、紅色土地、紫色土地和荒漠土地，并通過這五種土壤類型進(jìn)行圖像分類，以便于通過深度學(xué)習(xí)算法進(jìn)行訓(xùn)練。

2 土壤圖像處理

為了便于圖像數(shù)據(jù)的分析，本文將得到的各地區(qū)土壤圖片進(jìn)行整理劃分，分別劃分到五種土壤類型中。本文將土壤根據(jù)顏色和類型依次設(shè)置標(biāo)簽，分別為黑色土地、紫色土地、黃色土地、紅色土地和荒漠土地共5 000張圖片，并將圖像大小轉(zhuǎn)化為224像素。同時(shí)，將圖像的像素值統(tǒng)一在0～1之間，對每一張土壤圖片進(jìn)行Z-score標(biāo)準(zhǔn)化操作，通過計(jì)算其圖片的均值和標(biāo)準(zhǔn)差進(jìn)行線性變換。由于設(shè)備和復(fù)雜環(huán)境受限，數(shù)據(jù)集種類單一，本文通過幾何變換、伽馬變換和高斯濾波來去模糊、降噪來豐富土壤數(shù)據(jù)集。

2.1 幾何變換

本文通過裁剪或反轉(zhuǎn)的方式來增加土壤圖像數(shù)據(jù)。在裁剪中，對部分圖片裁剪約30%～40%。那么作為位圖，裁剪后，會(huì)使得圖像像素值集中在一定的范圍內(nèi)，使得圖片整體很亮，像素值會(huì)增高，如圖1所示。

如圖2所示，對于無人機(jī)拍攝的遙感圖像，可以通過規(guī)格網(wǎng)格、滑動(dòng)窗口和隨機(jī)窗口三種方法進(jìn)行處理和采集，把圖像的某一區(qū)域放大并作為土壤樣本的訓(xùn)練集和測試集。

2.2 伽馬變換

根據(jù)伽馬變換s = c ? rγ 調(diào)整土壤圖像的灰度，以此來加強(qiáng)數(shù)據(jù)規(guī)模。其中，s 為輸出圖像的像素值，r為輸入圖像的像素值，c 為伽馬變換的常數(shù)值，一般用于像素值在圖像進(jìn)行標(biāo)準(zhǔn)化后輸出其灰度的范圍，具體情況依據(jù)實(shí)際應(yīng)用為準(zhǔn)。γ 為伽馬值，本文取γ =0.5，γ = 1.0，γ = 1.5，γ = 2.0四個(gè)伽馬值進(jìn)行對比，加強(qiáng)數(shù)據(jù)，如圖3所示。

2.3 高斯濾波

本文通過高斯濾波來消除圖片噪聲點(diǎn)，由于某地區(qū)可能出現(xiàn)背景噪聲，主要包括從地球、太陽、大地和云霧等輻射源照射，通過遙感設(shè)備獲取的土壤圖像，可能會(huì)出現(xiàn)白噪聲。因此，采用高斯濾波來去除噪聲，也因此在網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)時(shí)，增強(qiáng)土壤數(shù)據(jù)，保證模型訓(xùn)練的準(zhǔn)確性更高，也能夠處理更加復(fù)雜的問題，更能適應(yīng)非線性條件下的神經(jīng)網(wǎng)絡(luò)模型，如式（1）所示。

其中，Ai 為第i 個(gè)高斯分布的脈沖振幅，μi 為第i個(gè)分布的中心位置，ωi為第i個(gè)分布的半寬。

3 模型設(shè)計(jì)

基于深度學(xué)習(xí)框架，采用主成分分析（PrincipalComponent Analysis， PCA）和多元線性回歸進(jìn)行土壤的多模態(tài)數(shù)據(jù)分析，構(gòu)建如圖4所示的一種多模態(tài)土壤信息模型（Multimodal Soil Information Model， MSI）。

首先，先對通過深度學(xué)習(xí)將土壤圖像輸入模型中進(jìn)行訓(xùn)練，通過卷積核進(jìn)行上下文特征提取，經(jīng)過池化層，對卷積核處理的結(jié)果進(jìn)行降維，最后通過訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對該土壤圖像推理為哪種顏色。例如Persson等人[7]，評(píng)估了使用圖像分析從土壤顏色估計(jì)表層土壤濕度。使用了四種天然土壤和均勻的細(xì)沙并且研究了土壤顏色關(guān)于土壤濕度的變化。

其次，將該地區(qū)的土壤可使用傳感器對土壤數(shù)據(jù)進(jìn)行測量，使用PCA得到土壤的主成分后，再將其作為輸入多元線性回歸模型得到土壤主成分?jǐn)?shù)據(jù)。針對土壤的元素狀況對植物生長中的作用，采用PCA方法分析了16種元素的濃度數(shù)據(jù)，將土壤中的復(fù)雜數(shù)據(jù)進(jìn)一步簡化，從而達(dá)到數(shù)據(jù)降維的作用。

最后，通過獲取的土壤主成分訓(xùn)練多元線性回歸模型，得到其土壤某成分的目標(biāo)值，再結(jié)合農(nóng)作物的習(xí)性選擇播種，例如茶葉喜酸、大米在黑土地質(zhì)量更佳等。

4 實(shí)驗(yàn)仿真

由于土壤圖像數(shù)據(jù)量較大，以及土壤所在環(huán)境下的一些客觀因素影響，不能通過人工手段去判斷土壤質(zhì)地。本文在數(shù)據(jù)預(yù)處理中說明的數(shù)據(jù)來源以及數(shù)據(jù)的歸一化，并且將圖像數(shù)據(jù)的訓(xùn)練集和測試集分別劃分為8∶2，然后通過分別設(shè)置為0.001、0.000 1、0.000 01 的學(xué)習(xí)率，采用AlexNet、ResNet-18 以及VGG16進(jìn)行比較和訓(xùn)練。

4.1 AlexNet 模型

AlexNet是由Alex Krizhevsky在2012年提出的一種深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)模型[8]，主要應(yīng)用于圖像分類。本文將模型訓(xùn)練輪數(shù)設(shè)置為110、批量數(shù)為32，通過實(shí)驗(yàn)得到該模型在學(xué)習(xí)率分別為0.001、0.000 1和0.000 01時(shí)的準(zhǔn)確率與損失值，其效果如圖5所示。

當(dāng)學(xué)習(xí)率為0.001時(shí)，AlexNet網(wǎng)絡(luò)準(zhǔn)確率與損失值如圖5（a，d）所示，訓(xùn)練集最高準(zhǔn)確率為46.89%，測試集準(zhǔn)確率為43.3%。一開始，模型的損失值急劇下降。但后期訓(xùn)練至15輪之后，模型準(zhǔn)確率一直穩(wěn)定于約21.3%，損失函數(shù)一直呈水平狀態(tài)。說明該模型在此參數(shù)下，模型準(zhǔn)確率不高，損失值收斂于1.6左右，顯然模型的效果不佳，模型欠擬合。

將學(xué)習(xí)率設(shè)置為0.000 1時(shí)，AlexNet網(wǎng)絡(luò)準(zhǔn)確率與損失值如圖5（b，c）所示，不難發(fā)現(xiàn)，此時(shí)的網(wǎng)絡(luò)模型訓(xùn)練最高準(zhǔn)確率為100%，測試集準(zhǔn)確率為99.8%，模型的精度提高。同時(shí)，模型損失值也相比學(xué)習(xí)率0.001時(shí)穩(wěn)定。但損失值在后期收斂效果較差，可能出現(xiàn)模型不穩(wěn)定的情況。因此，再投入土壤檢測實(shí)際應(yīng)用中，可能無法達(dá)到如此高的精度。又可能出現(xiàn)一系列的故障，加大技術(shù)人員工作量。

將學(xué)習(xí)率設(shè)置為0.000 01時(shí)，重新訓(xùn)練該模型后，如圖5（c，f）可見模型訓(xùn)練最高準(zhǔn)確率為100%，但是在進(jìn)行測試集中模型準(zhǔn)確率僅達(dá)到21%。間接從圖5（c）看出模型前20輪前，準(zhǔn)確率具有較大的波動(dòng)，不穩(wěn)定，則可能出現(xiàn)的模型過擬合的現(xiàn)象，因此該模型效果不穩(wěn)定。

綜上所述，模型雖然出現(xiàn)了前幾輪損失值急劇下降的現(xiàn)象，但該現(xiàn)象并不會(huì)使得模型精度發(fā)生改變，因此，這是一種合理現(xiàn)象。但在3個(gè)學(xué)習(xí)率測試情況下，AlexNet模型可能不適合土壤圖像檢測。

4.2 ResNet-18模型

引入了殘差塊的ResNet-18模型[9]，使得在訓(xùn)練模型時(shí)加快模型訓(xùn)練精度與模型訓(xùn)練速度。訓(xùn)練輪數(shù)設(shè)置為110輪，批量數(shù)為32。

當(dāng)學(xué)習(xí)率設(shè)置為0.001時(shí)，ResNet-18網(wǎng)絡(luò)準(zhǔn)確率與損失值如圖6（a）（d）所示，訓(xùn)練集最高準(zhǔn)確率為98.84%，測試集準(zhǔn)確率為98.11%。然而ResNet-18模型在訓(xùn)練過程中，模型的訓(xùn)練準(zhǔn)確率與真實(shí)值的準(zhǔn)確率的誤差較小，相比于AlexNet模型，其模型的訓(xùn)練損失值與真實(shí)損失值誤差較大，可能模型不在輪數(shù)限制的情況下，模型準(zhǔn)確率可能會(huì)一直呈現(xiàn)水平形態(tài)，也可能在實(shí)際應(yīng)用中模型的效果不是很好。而ResNet-18模型訓(xùn)練集的損失值波動(dòng)較大，比較不穩(wěn)定。另外訓(xùn)練集與測試集的損失值誤差逐漸增大，其模型若在110輪之后可能模型會(huì)出現(xiàn)過擬合的現(xiàn)象。

當(dāng)學(xué)習(xí)率設(shè)置為0.000 1時(shí)，ResNet-18網(wǎng)絡(luò)準(zhǔn)確率與損失值如圖6（b）（c）所示，訓(xùn)練集最高準(zhǔn)確率為100%，測試集準(zhǔn)確率為98.96%。其情況與學(xué)習(xí)率0.001的ResNet-18模型相比，模型的穩(wěn)定性有了一定的提高，其準(zhǔn)確率誤差遠(yuǎn)比0.001模型小，模型訓(xùn)練穩(wěn)定。在損失值上也有了一定的收斂。

當(dāng)學(xué)習(xí)率為0.000 01時(shí)，ResNet-18網(wǎng)絡(luò)準(zhǔn)確率與損失值如圖6（c）（f）所示，訓(xùn)練集最高準(zhǔn)確率為100%，測試集準(zhǔn)確率為98.96%。該模型損失函數(shù)在剛開始訓(xùn)練的時(shí)候就具有明顯的誤差，真實(shí)值損失函數(shù)與測試集損失函數(shù)較大，模型訓(xùn)練的準(zhǔn)確率與測試準(zhǔn)確率與學(xué)習(xí)率0.000 1和0.001相比誤差較大，模型具有明顯過擬合現(xiàn)象，無法應(yīng)用。

綜上所述，當(dāng)輪數(shù)為110，學(xué)習(xí)率為0.000 1時(shí)，模型具有較強(qiáng)的穩(wěn)定性和魯棒性，并且相比AlexNet模型而言，ResNet-18模型性能更強(qiáng)，模型識(shí)別率越高。

4.3 VGG-16模型

本研究訓(xùn)練模型的VGG-16模型，在學(xué)習(xí)率0.001 時(shí)，出現(xiàn)欠擬合現(xiàn)象，模型準(zhǔn)確率為19.48%。根據(jù)Aya 所研究的VGG-16 模型對土壤檢測效果得出VGG-16的準(zhǔn)確率為82%。損失值達(dá)到0.66。又根據(jù)Chetan等人[10]的研究發(fā)現(xiàn)VGG-16在不同優(yōu)化器下的模型準(zhǔn)確率達(dá)到96%、97.3% 和98.94%。表明了VGG-16在特征提取上表現(xiàn)出其優(yōu)異的性能。

本文對土壤含水量、黏土含量、沙含量、酸堿度、碳酸鹽和硫酸鹽等分別進(jìn)行歸一化后再進(jìn)行主成分分析降維簡化數(shù)據(jù)。根據(jù)累計(jì)貢獻(xiàn)率80%得知，最終得到7個(gè)主成分，以此保留土壤成分的特征，作為自變量表示土壤成分特征，如表2所示。

根據(jù)前7個(gè)主成分的特征向量，可以得到如圖7 所示的主成分表達(dá)式。

如圖8 所示，對于95% 置信區(qū)間橢圓范圍內(nèi)的點(diǎn)，降維后的數(shù)據(jù)均為有效值，而超出橢圓區(qū)間范圍的數(shù)值并予以剔除。

通過求出的PCA數(shù)值，根據(jù)電導(dǎo)率、CaCO3、頂土交換鈉百分比、pH值、有機(jī)質(zhì)含量以及CaS04進(jìn)行預(yù)測，借助多元線性回歸模型進(jìn)行了土壤成分預(yù)測，訓(xùn)練出如圖9所示的權(quán)重和偏置值。

其中：y1 為電導(dǎo)率，y2 為CaCO3含量，y3 為頂土交換鈉百分比，y4 為土壤酸堿度pH值，y5 為有機(jī)質(zhì)含量，y6 為CaSO4含量。再根據(jù)表3的結(jié)果與多元線性回歸求出的結(jié)果進(jìn)行比對，若該結(jié)果與土壤某幾種屬性的適種范圍內(nèi)，就可以種植對應(yīng)的農(nóng)作物。

5 結(jié)論

本文構(gòu)建了多模態(tài)土壤信息模型，通過ResNet-18、VGG-16和AlexNet網(wǎng)絡(luò)建立土壤顏色識(shí)別與土壤檢測模型。分別訓(xùn)練3個(gè)模型進(jìn)行比較后，ResNet-18 模型更好。在訓(xùn)練模型過程中，最優(yōu)模型準(zhǔn)確率達(dá)到100%，損失值保持在0.004 左右。擁有殘差塊ResNet-18模型，既解決了土壤訓(xùn)練時(shí)VGG-16訓(xùn)練時(shí)間太長的問題，同時(shí)引入ResNet-18殘差塊也有助于防止梯度消失的現(xiàn)象出現(xiàn)，相比應(yīng)用于土壤檢測的工作中，ResNet-18具有非常大的潛力。