農田背景噪聲下的土壤結構體數字圖像信息特征

冉穎杭　謝天鏵　霍連飛　孫克潤　丁啟朔　何瑞銀　汪小島

摘要：智慧農業的技術基礎是基于機器主體的農情信息獲取、加工與分析。土壤結構管理是智慧農業的重要子模塊，但目前尚不清楚農田背景噪聲下土壤結構體的圖像信息特征以及目標信息的信噪分離、純化和加工方法。本研究逐級遞進界定田間土壤結構體的數字圖像信息特征，并針對自然光源、秸稈及有機質混雜、土壤結構體孔隙等噪聲源逐一處理，同時引入了線段法、體視概率法定量土壤結構體信息。篩分法所得結果用于對照。結果表明農田背景下土壤結構體信息受多重環境背景噪聲影響，為此需要進行系統補光噪聲過濾、土壤孔隙形態修補等技術處理才能夠實現基于機器主體的土壤結構體目標信息獲取。運用線段法和體視概率法均能較好地定量土壤結構體的尺度分布信息，線段法與體視概率法所得到的土壤結構體的累積分布數據與篩分數據的相關性（R2）大于0.96、均方根誤差（RMSE）小于0.1mm。

關鍵詞：數字圖像;原位分析;土壤尺度分布;線段法;體視概率法

中圖分類號：TP751

文獻標識碼：A

文章編號：1000-4440（2019）02-0313-08

多維度農情信息的獲取、管理、決策是精準生產管理的基礎”。不過傳統農業在獲取土壤、作物等農情信息時多離不開專家經驗與主觀判斷，此類農情信息處理模式不能適應全過程無人干預的信息化農業要求。因此智慧農業的關鍵技術基礎是實現土壤、作物等農情信息對象的機器自主識別與獲取。作物生產系統中的土壤質量決定著土地生產力，是基礎且關鍵的資源要素，因此也是智慧農業的一個關鍵農情信息對象。

傳統的田間土壤結構體信息靠篩分法獲取，但近年來基于專家現場視覺打分[VESS（Visual Evaluation of Soil Structure）[2-3]，VSA（Visual Soil Asess-ment）[4-5]等評價方法正受到廣泛關注。篩分法分析土壤結構體信息[6]費時費力，也會因外力撞擊等因素造成土壤結構體的破壞。VESS是由專業人員按照規范的土壤結構體質量打分表并結合自身感官打分評價，主觀因素難于消除。與傳統方法相比，信息農業及智慧農業愈加提倡農情信息的獲取及加工全過程的自動化和智能化，其最顯著的特征是脫離專家干預和人為干擾。計算機圖像分析技術具有定量準確、處理快速、平臺兼容性強（可搭載手機[7-8]、無人機[9]、車載平臺[10]等）的特性，已被廣泛運用于定量評價農情信息和土壤質量信息。相關學者運用圖像法指標化某些土壤結構體的物理、化學特征，如表面幾何外形[11-13]、孔隙[14-15]、含水率[16-17]、粗糙度[18]、質地[19]等信息。Fernlund等[20]和Kumara等[21]分析了人為分離和排列擺鋪的土壤結構體的圖像，建立了土壤的二維圖像數據與篩分質量信息之間的關系。Bogrekci等[22]針對無秸稈和雜草的純凈田間背景條件下的耕后土壤結構體進行圖像信息處理，獲取平均土塊粒徑信息。Chimi-chiadjeu等[23-24]和Taconet等[25]在復雜的田間環境研究原位土壤結構體的外輪廓圖像分割和識別，旨在得到土壤結構體的數量、位置以及輪廓粗糙度信息。

雖然近年來數字圖像技術在土壤結構的微觀指標評價方面取得了較好的效果，但其在解決田間實際問題方面仍然較為局限，很少涉及在生產實踐上的應用。農田環境的背景噪聲來源多樣.表現復雜，從不同層面干擾甚至淹沒農情信息，田間條件基于機器視覺的土壤結構體信息除了表現為土壤結構體與背景顏色相近[22]、土壤結構體形狀非結構化等[1]，自然光照作物、秸稈雜草、土壤結構孔隙等各種要素相互交織混雜，必然嚴重干擾甚至淹沒目標信息對象。因此，為了實現基于機器主體的自主農情信息獲取，必須提供一套基于田間生產環境的農情信息描述、界定和信息處理技術規范。本研究從農情信息獲取的角度研究最小化人為干預條件下基于原位機器視覺技術的土壤結構體信息特征及相關技術。

1 材料與方法

1.1 試驗區概況及田間試驗

田間試驗于2017年12月水稻收獲后進行，試驗地點位于南京市六合區八百橋試驗田（118°59’E，31°98’N），試驗田地勢平坦，土壤類型為壤質黏土。土壤pH值7.6，土壤砂粒、壤粒、黏粒、有機物質量分數分別為24.06%、40.39%、35.55%和2.27%，液限41.94%，塑限25.18%。試驗所在區域長期稻麥輪作，水稻收獲后全量秸稈還田，使用免耕開溝覆土復式作業方式，一次性完成旋耕滅茬開排水溝并完成播種施肥，因此屬于全量秸稈還田的稻茬麥輕簡栽培模式。作業后水稻秸稈均勻混雜在耕作層，土壤結構體呈塊狀分布。

1.2 土壤結構體數字圖像信息采集

試驗田間隨機選取3個取樣點，將內邊長為500mmx500mm的取樣框放置在地表，在三角支架的懸臂末端安裝數碼相機（圖1），相機型號為SONYILCE-6300，拍攝時光圈值設為3.5，曝光補償為-0.3，最大光圈為3.617，相機離地高度（h）為760mm。利用框架上兩側粘附的標準尺寸進行圖像標定，得到數字圖像的像素毫米換算系數（p）。為減小鏡頭畸變，使用鉛墜輔助，將相機位置調整到框架中心點的正上方。另外，為消除太陽偏角的影響，在朝向太陽偏角方向的取樣框一側使用2個主要光源消除土壤結構體的陰影遮擋，同時在y軸兩側設置輔助光源平衡取樣框內土壤結構體的整體亮度。

1.3 土壤結構體數字圖像的信息處理

1.3.1 圖像幾何矯正機器視覺所得目標圖像的幾何畸變使用郭文川等[26]提出的矯正技術，以取樣框邊框作標定基準并依次進行如下處理：獲取圖像的4個邊界點坐標，坐標變換還原至等比關系，得到其坐標變化規律，將此坐標變換規律應用于土壤結構體的數字圖像矯正，還原土壤結構體的真實形狀和大小。

1.3.2 土壤結構體目標信息分割土壤結構體圖像采用閾值分割法從背景中分離出來。但鑒于表層土壤結構體大小不一、壘積排列無序，造成相鄰土壤結構體并不滿足單-z軸方向輪廓貼合，形成高低落差的間隙。該間隙是人眼視覺分辨土壤結構體的重要主觀依據，在圖像中則是呈現出不同的灰度特征：間隙越深，灰度值越低。在目標信息分割過程中，可使用自動計算或人工設定的閾值，將低于該閾值的田間背景及輪廓變為黑色，將高于該閾值的表層土壤結構體變為白色。本試驗將Otsu自動閾值法[27]所獲取的閾值與人工設定閾值（0.1、0.2、0.3、0.4）作比較，用以確定最佳閾值范圍。

1.3.3 土壤結構體的形態信息過濾秸稈還田等保護性農業條件下土壤結構體的形態特征復雜，秸稈、根系等生物質干擾，土壤孔隙、根系及土壤結構的微觀表象豐富，且土壤、秸稈等對象隨自然光光照度、環境水分等條件的變化而變化。因此使用數字圖像的閉運算處理，利用圓形且大小為5像素的結構元素，填充土壤結構體圖像中比結構元素小的缺口、孔隙等形態學缺陷（圖像信息噪聲過濾）。相反，對于秸稈、雜草及根系導致的邊界毛刺等信號噪聲調用開運算（結構元素大小、形狀與閉運算相同）處理進行信息過濾提純[28]。

1.4 土壤結構體數字圖像的信息分析

1.4.1 線段法分析線段法是一種蒙托-卡羅法，廣泛運用于爆堆塊度的評價[29]。假設每一個土壤微粒都是按照相同方向排列的，有單位截面積（A）的棱柱組合，則每一組的體積可以看作該組內每個土塊棱柱體的長度（lj）與A的乘積。則各組的相對含量可以用棱長之比表示，即土壤結構體的徑級體積比關系：

式中：D;表示第i組土壤結構體體積，V表示土壤總體積。

1.4.2 體視概率法分析體視概率法是張繼春等運用體視學原理解決礦巖爆破塊度分布問題的另一種新方法，該方法從統計學角度出發，通過探究爆堆表面反映出的巖塊大小與爆堆塊度分布之間存在的概率關系，巖塊被隨機布線截出的線段長度與該巖塊的尺寸之間的關系，來測定爆堆塊度組成[30]。鑒于耕作層的土壤結構體與巖塊類似的特征，因此借鑒該方法進行分析，具體技術路線如下：

（1）土壤結構體在各尺度區間的數量密度（Nv）與直徑為D的球體被截出的弦長數量密度（N，）之間的關系，即：

式中：i表示第i組，△表示組距。

（2）在相同尺度區間的土壤結構體的體積（vi）：

0;=Cv（i△）3V0Nvi（3）

式中：V。為耕后土壤結構體的總體積，C為土塊體積形狀修正系數。張繼春等[30]將塊度等距分組，但鑒于等距分組不能很好地反映土壤結構體在各尺度區間的分布情況[31]]，因此按照2倍頻尺度分組修訂該公式。令第k組尺寸范圍為2*～2x2*mm（k=1，2，3，4，.，n），可將土壤結構體大小分為：0～2*、2*～2x2*2x2*～3x2*，組數t=3組，組間距△=2*。則土壤結構塊度在2“～2x2*mm內的體積為i=2，即：

（3）得到各尺度區間的土壤結構體徑級-體積關系為：

式中V，表示各組分體積之和。

1.5 土壤結構體的數字圖像信息統計

1.5.1 圖像隨機布線在土壤結構體形態信息過濾前、過濾后的圖像上分別隨機布上若干條直線，分為3種布線方法：①隨機布置600條水平直線，②隨機布置600條垂直直線，③布置水平和垂直直線各300條。

1.5.2 土壤結構體尺度測定隨機線上的像素點灰度值持續等于1的像素個數則是該土壤結構體切割線段得到的分段長度，而直線被土壤結構體實際切割的長度則要乘以p（即標尺上像素個數/標尺長度）。

1.5.3 統計分析

（1）對于線段法：將圖像中隨機布線得到的所有被切割的線段長度，按照2.1～4.0mm.4.1～8.0mm、8.1～16.0mm、16.1～32.0mm、32.1～64.0mm、64.1～128.0mm梯度進行分組，并將每組內的所有線段求長度和：L;=21;各組長度和（L;）與總線段的長度和之比則為該組的相對含量。

（2）體視概率法：統計隨機線被土塊邊界截得的線段長度在2.1～4.0mm、4.1～6.0mm（k=1）;4.1～8.0mm8.1～12.0mm（k=2）;8.1～16.0mm、16.1～24.0mm（k=3）;16.1～32.0mm、32.1～48.0mm（k=4）;32.1～64.0mm64.1～96.0mm（k=5）范圍內的線段數量[N.]，代入（5）式求得土壤結構體的體積比。

1.6 土壤結構體的篩分分析

使用傳統的篩分法獲取土壤結構體的尺度信息作為檢驗基準，將拍照后的樣點耕層土壤結構體取出。按2倍頻尺度篩分，篩孔直徑分別為2mm、4mm8mm、16mm、32mm、64mm，獲取土壤結構體的尺度分布數據，進而結合稱質量得到各級土壤結構體的徑級_質量關系：

式中φ;為i級土壤結構體的塊度比，m;為i級土壤結構體的質量。

2 結果與分析

2.1 土壤圖像處理

2.1.1 原位補光在僅通過自然光照、不進行預處理的田間，其土壤結構體的數字圖像信息受多重干擾噪聲影響。除日中短暫的太陽直射時段之外，因自然光線入射角動態引起的田塊間陰影遮擋難于消除，人工光源補光處理是不可缺少的必要措施。自然光照條件下因太陽偏角引起原位土壤結構體數字圖像陰影噪聲（圖2a），令后續信息處理難于實現。補光后的照片（圖2b）有效消除了原位陰影噪聲。

2.1.2 圖像幾何矯正機器視覺的鏡頭畸變造成土壤結構體形態失真，因此，在田間加入取樣框的數字圖像幾何矯正是土壤結構體數字圖像信息糾偏的重要環節（圖3）。

2.1.3 土壤結構體目標信息分割結果在MATLAB R2017a中進行閾值分隔（level=0.3）后，土壤結構體的形態邊界有突起結構，不夠圓滑（圖4a），顯著有別于Bogrekci等[22]的研究結果（圖4b）以及旱作制的土壤結構體。這是由于實際生產環境條件下秸稈、雜草等的影響，不便機器自動識別，表明在這一階段不加入工處理的土壤結構體信息復雜。

2.1.4 土壤結構體的形態信息過濾經形態學開運算、閉運算處理后所得土壤結構體圖像信息見圖5a，此時的圖像信息特征表明稻茬田的耕層土壤結構體形態復雜，極不規則。將所得結果（圖5a）疊加到原始圖像上得到復合疊加圖像（圖5b），可以發現經由補光、畸變矯正、二值化、去噪、修補等技術處理后所得的數字土壤結構體信息與原位土壤結構體信息準確的匹配和全覆蓋。

2.2 統計分析

對信息純化后的土壤結構體數字圖像進行Pear-son相關性分析及均方根誤差分析，每個樣品均分別采用3種布線處理，每種布線處理重復2次，將布線得到的數據分別用線段法、體視概率法計算。表1顯示其中1個樣點所得的12次試驗結果。重復試驗數據誤差控制在0.05以內，表明試驗數據穩定。表1顯示線段法和體視概率法得到的數據與篩分數據相比，R2>0.96，RMES<0.100mm，故2種方法都能很好地反映土壤結構體尺度分布狀況;同時體視概率法（R2=0.991，RMSE=0.053mm）相較線段法（R2=0.986，RMSE=0.109mm）精度更高。圖6顯示體視概率法與篩分曲線吻合更好，尤其是在2～32mm尺度區間，故體視概率法計算出的土壤塊度分布數據更為精確。

對比水平布線、垂直布線、水平垂直共同布線3種布線方法可以得出，這3種方法沒有明顯的優劣差異;但綜合評價結果表明水平垂直共同布線法獲得的數據更優且穩定。從表2中可以看出該試驗田圖像分割的最佳閾值為0.2～0.4，可通過插值法在該范圍內得出最佳閾值;Otsu法得出的閾值雖不是最佳閾值，但其R2>0.95，RMES<0.200mm。故對于精度要求不高的試驗，可在0.2～0.4人工設定閾值或選用Otsu法計算出閾值。形態學處理前和處理后的圖像信息經水平垂直布線后所得的體視概率數據見表3。與形態學處理前的數據相比較，形態學處理后的R2的平均值由0.906提升至0.990，RMES的平均值由0.274mm縮小至0.055mm，測量精度明顯有所提高。

3 討論

信息農業或智慧農業的技術基礎是在最小化人為干預前提下的智能裝備自主信息采集、加工和分析。本研究結果表明，基于生產環境條件的農情信息受多元背景噪聲影響，目標農情信息被嚴重干擾或淹沒，因此需要針對不同的生產環境條件下的各類農情信息對象進行系統的描述和界定。以往針對土壤結構體信息的研究通常對所處環境條件進行過度的簡化處理（如取出土壤并擺放在白板上[5，7-9]）或者加入了很多人為經驗的修訂（如選擇性地理條件、刻意的耕作處理等），其結果不僅造成研究成果難于顯示出生產環境下農情信息對象的真實特征及復雜性，而且也不便于推進基于智能裝備自主化的農情信息獲取與分析。本研究針對稻茬田耕層土壤結構體的研究仍有一定的局限性，對田間自然光源動態適應性、耕作層土壤結構體的表觀信息特殊性的成因分析、不同輪作制及氣候動態條件的土壤結構體數字圖像信息動態等都缺乏系統的試驗設計和深入探討。不過本研究的結果能夠反映出今后針對不同大田生產環境下各類農情信息對象開展系統研究的緊迫性和復雜性，以及在技術設計過程中如何規避人為要素參與的重要性。

田間耕作層土壤結構體的數字圖像信息摻雜了來源復雜的背景噪聲，自然光照、作物與雜草、土壤水分、儀器參數等各種噪聲源都需要一一梳理、界定和標定。因此，土壤結構體信息的分離、純化、信噪比增強等技術基礎不僅需要完善的多學科理論與技術集成，更需要數字圖像處理技術及指標的定量表達。本研究采用原位補光、閾值分割、幾何矯正、形態學處理等方法將土壤結構體的信息準確的提取出來，同時為了從二維圖像中得到土壤結構體三維的尺度特征，借鑒了爆破領域的線段法[29]、體視概率法[30]，以獲得土壤的尺度分布信息。

線段法和體視概率法得到的土壤結構體的累積分布圖與篩分法得到的累積分布圖有相同的趨勢，且累積分布數據有較高的相似度（R2>0.96）。因此線段法和體視概率法均能很好地反映土壤尺度分布的情況。體視概率法比線段法精確度更高，尤其是在小尺度范圍內，更能反映土壤結構體的尺度分布情況。

水平和垂直共同布線的方法相比單垂直或單水平布線方法，獲得的數據更穩定，能保證準確獲取土壤結構體的尺度分布情況。

采用Otsu自動閾值法計算出的閾值或在0.2～0.4選取閾值能得到較高精度的試驗結果。

通過形態學處理之后的圖像比僅閾值分割后的圖像精確度更高。

參考文獻：

[1]何勇，趙春江，吳迪，等.作物-環境信息的快速獲取技術與傳感儀器[J].中國科學（信息科學），2010（S1）：5-24.

[2]GUIMARAES R M L，JUNIOR A F N，SILVA W G，et al. The merits of the Visual evaluation of soil structure method （VESS）forassessing soil physical quality in the remote，undeveloped regionsof the Amazon basin[J]. Soil & Tillage Research，2016，173：75-82.

[3]ASKARI M S，CUI J，HOLDEN N. The visual evaluation of soil structure under arable management[J]. Soil & Tillage Research，2013，134：1-10.

[4]BALL B C，BATEY T，MUNKHOLM L J. Field assessment of soil structural quality-a development of the Peerlkamp test[J]. Soil Use&Management，2010，23（4）：329-337.

[5]MONCADAMP，GABRIELSD，LOBOD，etal.Visualfieldassessmentofsoilstructuralqualityintropicalsoils[J].Soil&Tll-ageResearch，2014，139（2）：8-18.

[6]中國機械工業部.旋耕機械試驗方法：GB/T5668.3-1995[S].北京：中國標準出版社，1995

[7]姚青，張超，王正，等.分布式移動農業病蟲害圖像采集與診斷系統設計與試驗[J].農業工程學報，2017，33（S1）：184-191.

[8]周俊，王明軍，邵喬林.農田圖像綠色植物自適應分割方法[J].農業工程學報，2013，29（18）：163-170.

[9]楊超，蘇正安，馬菁，等.基于無人機影像快速估算礦山排土場邊坡土壤侵蝕速率的方法[J].水土保持通報，2016，36（6）：126-130.

[10]HASEGAWA H，TAKIGAWA T，KOIKE M，et al. Studies on visual recognition of an agricultural autonomous tractor ：detection ofthe field state by image processing[J]. Japanese Journal of FarmWork Research，2000，35（3）：141-147.

[11]高雅，丁啟朔，李毅念，等.土壤結構的數字圖像分析方法與指標[J].土壤通報，2015，46（3）：513-518.

[12]AL-ROUSAN T，MASAD E，TUTUMLUER E，et al. Evaluation of image analysis techniques for quantifying aggregate shape char-acteristics[J]. Construction & Building Materials，2007，21（5）：978-990

[13]畢利東，張斌，潘繼花.運用Image J軟件分析土壤結構特征[J].土壤，2009，41（4）：654-658.

[14]李德成，VELDEB，張桃林.利用土壤切片的數字圖像定量評價土壤孔隙變異度和復雜度[J].土壤學報，2003，40（5）：678-682.

[15]BIRDN，DIAZ MC，SAA A，et al. Fractal and multifractal anal-

ysis of pore- scale images of soil[J]. Journal of Hydrology，2006，322（1-4）：211-219.

[16]張榮標，何加祥，吳濤，等.基于圖像處理的土壤表層含水率在線檢測方法研究[J].農業工程學報，2007，23（10）：57-61.

[17]鮑艷松，劉良云，王紀華，等.利用ASAR圖像監測土壤含水量和小麥覆蓋度[J].遙感學報，2006，10（2）：263-271.

[18]BRYK M. Evaluation of soil aggregate surface roughness by imageanalysis[J]. Soil Science Annual，2012，63（2）：9-13.

[19]SOFOU A，EVANGELOPOULOS G，MARAGOS P. Soil image segmentation and texture analysis：a computer vision approach[J].IEEE Geoscience & Remote Sensing Letters，2005，2（4）：394-398.

[20]FERNLUND J M R，ZIMMERMAN R W，KRAGIC D. Influence of volume/ mass on grain-size curves and conversion of image-anal-ysis size to sieve size[J]. Engineering Geology，2007，90（3/4）：124-137.

[21]KUMARA G，HAYANO K，OGIWARA K. Image analysis techniques on evaluation of particle size distribution of gravel[J]. In-ternational Journal of Geomate Geotechnique Construction Materials& Environment，2012，3（1）：290-297.

[22]BOGREKCI I，GODWIN R J. Development of an image-processing technique for soil tilth sensing[J]. Biosystems Engineering，2007 ，97（3）：323-331.

[23]CHIMI-CHIADJEU O，HEGARAT-MASCLE S L，VANNIER E，et al. Automatic clod detection and boundary estimation from digit-al elevation model images using different approaches[J]. Catena，2014，118：73-83.

[24]CHIMI-CHIADJEU 0，VANNIER E，DUSSEAUX R，et al. Influence of gradient estimation on clod identification on a seedbed dig-ital elevation model [J ]. Environmental & Engineering Geosci-ence，2012，17（4）：337-352.

[25]TACONET 0，VANNIER E，HEGARATMASCLES L. A contour-based approach for clods identification and characterization on asoil surface.[J]. Soil & Tillage Research，2010，109（2）：123-132.

[26]郭文川，周超超，韓文霆.基于Android手機的植物葉片面積快速無損測量系統[J].農業機械學報，2014，45（1）：275-280.

[27]OHTSU N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems Man & Cybernetics，2007，9（1）：62-66.

[28]RAFAEL C G，RICHARDE W，STEVEN L E.數字圖像處理的MATLAB實現[M].北京：清華大學出版社，2013.

[29]林大澤.爆堆塊度評價方法研究的進展[J].中國安全科學學報，2003，13（9）：9-13.

[30]張繼春，鈕強，徐小荷.測定爆堆塊度組成的新方法一體視概率計算法[J].中國有色金屬學報，1995（4）：25-30.

[31]丁啟朔，潘根興，丁為民.稻田耕后土壤結構的描述方法與指標——以南京江浦農場為例[J].土壤通報，2011，42（1）：1-6.