摘要

受到土壤种类、水分等客观因素的干扰,基于图像预测土壤有机质(Soil organic matter, SOM)含量与传统方法在检测精度上仍存在差距,限制了相关技术的推广和普及。为提升基于图像预测SOM含量的精度,本研究提出N_DenseNet网络模型,在DenseNet169基础上加入多尺度池化模块,通过获取更多的维度特征提升模型的性能,并结合Android端开发SOM实时检测应用程序(APP),通过内网透射实现PC端与手机端数据的及时传输。以黑龙江省友谊县、北京市昌平区、山东省泰安市3地的350份土样为基础,通过手机以及多光谱无人机获取原位土壤的高清图像,R波段、红边波段与近红外波段图像,以丰富数据信息,并通过室内胁迫的方式拍摄土壤样品在不同水分梯度下的图像缓解水分对图像造成的影响。对比不同深度学习模型,基于多光谱图像数据训练的N_DenseNet表现最好,整体表现优于DenseNet169,测试集R2为0.833,RMSE为3.943 g/kg,R2相比于可见光数据提升0.016,证明了训练过程加入R波段与红边和近红外波段图像后有助于提升模型的性能,证明了该方法的可行性。手机端APP与后台端数据相连实现数据实时传输,实现了田间土样SOM含量的实时预测,经田间试验验证,模型预测集R2为0.805,检测时间为2.8 s,满足了田间SOM含量检测的需求,为SOM含量实时检测提供了新的思路。