一种植物土壤pH值的检测方法

技术领域

本发明涉及土壤pH值检测技术领域，特别是涉及一种植物土壤pH值的检测方法。

背景技术

传统的土壤pH值检测方法通常需要通过化学试剂或者电子设备进行检测，这些方法不仅操作复杂，而且可能由于操作不当导致检测结果的误差。因此，开发一种操作简便、准确度高的土壤pH值检测方法具有重要的实用价值。

发明内容

为了克服现有技术的不足，本发明的目的是提供一种植物土壤pH值的检测方法。

为实现上述目的，本发明提供了如下方案：

一种植物土壤pH值的检测方法，包括：

获取多个土壤样本；

利用pH值检测计对每个土壤样本进行pH值的测定，得到每个样本的pH值标签；每个所述土壤样本中设置至少两个所述pH值检测计；

将每个所述土壤样本进行光谱分析，得到每个样本的光谱数据；

将所述光谱数据和所述pH值标签作为训练数据，训练卷积神经网络，得到土壤pH值预测模型；

对待检测土壤样本进行光谱分析，得到待检测的光谱数据；

将所述待检测的光谱数据输入到所述土壤pH值预测模型中，得到土壤样本的pH值预测结果。

优选地，利用pH值检测计对每个土壤样本进行pH值的测定，得到每个样本的pH值标签之后，还包括：

对所述pH值标签的数值进行预处理，得到预处理后的pH值标签；pH值标签的预处理为去噪处理。

优选地，对所述pH值标签的数值进行预处理，得到预处理后的pH值标签，包括：

根据同一土壤样本中的各个所述pH值检测计之间的空间距离构建联系度模型；

利用所述联系度模型构建pH值去噪函数；

利用所述pH值去噪函数去除各个pH值检测计中pH信息的异常值，得到去噪后的pH值信息。

优选地，所述联系度模型的公式为：

优选地，所述pH值去噪函数的公式为：

其中，

优选地，在将每个所述土壤样本进行光谱分析，得到每个样本的光谱数据之后，还包括：

对每个样本的光谱数据进行预处理，得到与处理后的光谱数据；光谱数据的预处理包括：去噪处理和归一化处理。

优选地，在将所述光谱数据和所述pH值标签作为训练数据，训练卷积神经网络，得到土壤pH值预测模型之后，还包括：

利用光谱数据和pH值标签构建模型验证集；

利用所述模型验证集对所述土壤pH值预测模型进行精度验证，得到验证好的土壤pH值预测模型。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供了一种植物土壤pH值的检测方法，包括：获取多个土壤样本；利用pH值检测计对每个土壤样本进行pH值的测定，得到每个样本的pH值标签；每个所述土壤样本中设置至少两个所述pH值检测计；将每个所述土壤样本进行光谱分析，得到每个样本的光谱数据；将所述光谱数据和所述pH值标签作为训练数据，训练卷积神经网络，得到土壤pH值预测模型；对待检测土壤样本进行光谱分析，得到待检测的光谱数据；将所述待检测的光谱数据输入到所述土壤pH值预测模型中，得到土壤样本的pH值预测结果。本发明通过pH值和光谱数据对卷积神经网络进行训练，并通过训练好的模型对待测数据进行预测，能够提高pH值预测结果的精准程度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种植物土壤pH值的检测方法，通过pH值和光谱数据对卷积神经网络进行训练，并通过训练好的模型对待测数据进行预测，能够提高pH值预测结果的精准程度。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明实施例提供的方法流程图，如图1所示，本发明提供了一种植物土壤pH值的检测方法，包括：

步骤100：获取多个土壤样本；

步骤200：利用pH值检测计对每个土壤样本进行pH值的测定，得到每个样本的pH值标签；每个所述土壤样本中设置至少两个所述pH值检测计；

步骤300：将每个所述土壤样本进行光谱分析，得到每个样本的光谱数据；

步骤400：将所述光谱数据和所述pH值标签作为训练数据，训练卷积神经网络，得到土壤pH值预测模型；

步骤500：对待检测土壤样本进行光谱分析，得到待检测的光谱数据；

步骤600：将所述待检测的光谱数据输入到所述土壤pH值预测模型中，得到土壤样本的pH值预测结果。

具体的，本实施例中收集的样本需要是代表性的，即能够代表待测区域的土壤状况。同时，为了保证光谱分析的准确性，需要将土壤样本进行适当的处理，如干燥、研磨等，使其达到适合光谱分析的状态。

可选地，使用光谱仪进行土壤样本的光谱分析。光谱仪的设置和调整需要根据具体的设备型号和操作手册进行。一般来说，需要设置好光谱仪的工作波长范围、分辨率等参数。

优选地，利用pH值检测计对每个土壤样本进行pH值的测定，得到每个样本的pH值标签之后，还包括：

对所述pH值标签的数值进行预处理，得到预处理后的pH值标签；pH值标签的预处理为去噪处理。

优选地，对所述pH值标签的数值进行预处理，得到预处理后的pH值标签，包括：

根据同一土壤样本中的各个所述pH值检测计之间的空间距离构建联系度模型；

利用所述联系度模型构建pH值去噪函数；

利用所述pH值去噪函数去除各个pH值检测计中pH信息的异常值，得到去噪后的pH值信息。

优选地，所述联系度模型的公式为：

本实施例中，在m点和n点的pH值检测计为近邻pH值检测计。两pH值检测计的位置越接近，那么两pH值检测计的相关性也越大。因此，本发明根据两pH值检测计间的空间距离来度量它们之间的联系度。在实际应用中，由于pH值检测计会因为自身参数或者环境因素的影响，会使pH值检测计在某一时刻采集的测量值与实际值出现较大的偏差，因此本发明引入了R，来修正pH值检测计因自身参数或者环境因素的影响导致pH值检测计相关性有偏差的问题。在一般情况下，R的取值为1。

优选地，所述pH值去噪函数的公式为：

其中，

可选地，本发明通过利用pH值去噪函数融合同一个检测点位pH值检测计的测量值，可以避免pH值检测计在某一时刻采集的测量值与实际值出现较大偏差的情况，使pH值检测计的测量值更加真实。

优选地，在将每个所述土壤样本进行光谱分析，得到每个样本的光谱数据之后，还包括：

对每个样本的光谱数据进行预处理，得到与处理后的光谱数据；光谱数据的预处理包括：去噪处理和归一化处理。

优选地，在将所述光谱数据和所述pH值标签作为训练数据，训练卷积神经网络，得到土壤pH值预测模型之后，还包括：

利用光谱数据和pH值标签构建模型验证集；

利用所述模型验证集对所述土壤pH值预测模型进行精度验证，得到验证好的土壤pH值预测模型

可选地，本实施例中将数据集划分为两部分，一部分用于训练模型，另一部分用于验证模型。本实施例中按照70％(训练)和30％(验证)的比例进行划分，从而得到所述模型验证集。

本发明的有益效果如下：

本发明通过pH值和光谱数据对卷积神经网络进行训练，并通过训练好的模型对待测数据进行预测，能够提高pH值预测结果的精准程度。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。