基于CNN-RF模型的广州地区土壤质地识别方法 |
| |
引用本文: | 冯文康,梁忠伟,刘晓初,谢鑫成,赵传,萧金瑞.基于CNN-RF模型的广州地区土壤质地识别方法[J].节水灌溉,2023(1):47-54. |
| |
作者姓名: | 冯文康 梁忠伟 刘晓初 谢鑫成 赵传 萧金瑞 |
| |
作者单位: | 1. 广州大学机械与电气工程学院;2. 广州大学广东省太阳能智能灌溉装备科技创新中心;3. 广东工业大学机电工程学院 |
| |
基金项目: | 国家自然科学基金项目(51975136,52075109);;广东省自然科学基金项目(2022A010102014); |
| |
摘 要: | 不同土壤质地直接影响土壤水分渗透程度和农作物养分吸收,进而影响农作物的产量及质量,针对土壤质地难以开展高效、精准识别等问题,基于卷积神经网络-随机森林(CNN-RF)模型算法用于实现土壤质地高效、精准识别。首先用比重法测定土壤样本中砂粒、粉粒和黏粒的百分比,然后采用自主研制的便携图像采集装置,对广州地区的土壤进行1 000个样本采集并对土壤研磨、筛选、拍摄,建立土壤样本质地和图像的数据库,提取图像中的颜色特征和纹理特征,利用CNN-RF模型并结合3种组合(颜色、纹理、颜色+纹理)方法对土壤样本中的黏粒、粉粒和砂粒百分含量进行回归预测。采用平均绝对误差(MAE)、均方根误差(RMSE)和判定系数(R2)进行模型回归性能评估。从混淆矩阵进行模型分类结果可知,预测砂粒的MAE、RMSE、R2值分别为3.37、3.71和0.99;粉粒的MAE、RMSE、R2值分别为3.48、3.79和0.98;黏粒的MAE、RMSE和R2值分别为3.38,3.76,0.99。与RF、KNN、VGG6-RF模型相比,这种CNN-RF模型得到的MA...
|
关 键 词: | 土壤质地 特征提取 卷积神经网络 图像识别 模型评估 |
|
|