Гиперспектральные изображения как инструмент для распознавания территорий с единой структурой и составом почвы

Tsvetelina Georgieva, Stefka Atanasova, Georgi Manchev, Stanislav Penchev, Eleonora Kirilova & Plamen Daskalov
This Publication has to be referred as: Georgieva, T[svetelina]; Atanasova, S[tefka]; Manchev, G[eorgi]; Penchev, S[tanislav]; Kirilova, E[leonora] & Daskalov, P[lamen] (2023). Hyperspectral Images as a Tool for Soil Field Recognition, Proceedings of the 34th DAAAM International Symposium, pp.0294-0298, B. Katalinic (Ed.), Published by DAAAM International, ISBN 978-3-902734-41-9, ISSN 1726-9679, Vienna, Austria DOI: 10.2507/34th.daaam.proceedings.038

Аннотация

Гиперспектральная съемка предоставляет возможность высокоточных и детальных спектральных измерений объекта исследования с широким спектром применения – от лабораторной съемки образцов до полевых и дистанционных спутниковых измерений. В статье представлено исследование, в котором средние спектральные характеристики для каждого образца были получены из гиперспектральных изображений образцов почвы с трех различных полей предварительной обработки. Спектральные данные были обработаны в программной среде Pirouette с применением главного компонентного анализа. Используя первые три главных компоненты, территорий с единой структурой и составом почвы четко разделяются. Также были рассчитаны межклассовые расстояния. Из полученной дискриминирующей способности можно вывести длины волн, информативные о составе территорий с единой структурой и составом почвы. Участки, которые были определены из модельной способности от 1200 до 1250 нм; В диапазонах от 1300 до 1350 и от 1400 до 1450 нм могут быть определены длины волн, которые будут использоваться в качестве входных данных для классификаторов. Дальнейшая работа направлена ​​на разработку моделей для прогнозирования содержания микро- и макроэлементов в почве с использованием гиперспектральных изображений.

1. Введение

Тип почвы имеет решающее значение для фермеров при определении её плодородия [1],[2]. Оценка почвы охватывает различные химические процессы, которые определяют количество питательных веществ, доступных в почве. На основании результатов оценки даются рекомендации по обработке территорий с единой структурой и составом почвы соответствующими средствами – машинами или использованием соответствующих удобрений для повышения плодородия почвы для соответствующей культуры. В последние годы для оценки качества различных параметров в сельском хозяйстве используются системы компьютерного зрения, ультразвуковые и инфракрасные сигналы и томографические изображения [3]. Контроль качества на основе компьютерного зрения состоит из четырёх основных этапов: получение данных, сегментация, извлечение признаков и классификация. Методы искусственного интеллекта, такие как нечёткая логика, также широко используются для автоматического анализа и обнаружения объектов [4]. Наши предыдущие исследования связаны с оценкой качества почвы с использованием различных датчиков для измерения основных параметров качества почвы [5] и исследованием влияния внешних факторов на измерение базового параметра качества почвы [6].

Эти методы требуют много времени и не подходят для экспресс-оценки всего поля. Гиперспектральный анализ не пользуется особой популярностью в сельском хозяйстве. Цель исследования — оценить возможность распознавания территорий с единой структурой и составом почвы с помощью метода гиперспектральной визуализации.

2. Образцы почвы и получение гиперспектральных изображений

Образцы почвы были получены с трёх типичных полей Русенского региона в Болгарии. 110 образцов были собраны и проанализированы. Гиперспектральная съемка (HSI) обеспечивает возможность высокоточных и детальных спектральных измерений объекта наблюдения с широким спектром применения – от лабораторной съёмки образцов до полевых измерений и дистанционных спутниковых измерений. В случае HSI она представляет собой трёхмерный гиперкуб, являющийся носителем пространственной и спектральной информации, где каждый пиксель пространственной части представлен спектральной информацией из каждого спектрального диапазона сенсора. В данном исследовании использовался сенсор модели SPECIM N17E с 320 гиперспектральными пикселями с 256 спектральными диапазонами в диапазоне от 850 нм до 1700 нм. Эксперимент проводился в лабораторных условиях, и с трёх полей было взято 110 образцов почвы.

Экспериментальная установка, показанная на рисунке 1, состоит из:
1. подвижного основания, приводимого в движение в одном направлении прецизионным сервоприводом;
2. четырёх источников света широкого спектра;
3. гиперспектрального датчика SPECIM N17E;
4. образца почвы.

Из всех образцов почвы были взяты равные количества проб, помещённые в кювету Петри, и получено одно гиперспектральное изображение. Поскольку HSI, полученные с датчика, находятся в необработанном виде, это требует дополнительной обработки. Из-за влияния окружающей среды (температуры, влажности и т. д.) и особенностей датчика, статический шум в данных минимален, что выражается в неравномерном статическом смещении относительно длины волны для каждого спектрального диапазона. Для удаления статического спектрального шума датчика из каждого HSI образцов использовалось чёрное HSI, полученное с полностью закрытым объективом тем же датчиком и в тех же условиях во время эксперимента.

3. Обработка спектральных данных

Правильный выбор участка полученного образца почвы имеет важное значение для качества результатов исследования. На снимке должен быть изображен только объект исследования, без фона или боковых объектов, присутствующих в кадре исходного изображения.  Существуют различные методы определения рентабельности инвестиций, основанные на математическом анализе и преобразовании, направленные на формирование маски для удаления нежелательных пикселей.

Широко используются методы, основанные на анализе главных компонент (PCA), кластерном анализе, алгоритме K-средних, алгоритме нечетких C-средних, сходстве спектральных характеристик (similarity) на основе коэффициентов корреляции и т. д. [7].

Поскольку отобранные образцы почвы в данном исследовании относительно схожи, был выбран метод ручного определения области интереса (ROI), при котором области образцов почвы с приблизительно одинаковой площадью были выделены из кадра. В Matlab с помощью инструмента HyperTools 3 [8] для каждой HSI выделяется область интереса (ROI), охватывающая только однородную область с образцом почвы.

Для снижения спектрального шума при максимальном сохранении формы спектра была применена минимальная дополнительная спектральная фильтрация с помощью комбинации алгоритмов сглаживания/производных (Савицкого-Голея) и стандартной нормальной дисперсии (SVN). Для нужд последующего анализа для каждого образца почвы была рассчитана средняя спектральная характеристика исследуемой области. На рис. 5 представлены усредненные спектральные характеристики для каждого образца для трёх территорий с единой структурой и составом почвы.

В качестве процедуры классификации мы использовали классификатор SIMCA, интегрированный в программу Pirouette, и компонентный анализ в качестве процедуры предварительной обработки данных. Результат компонентного анализа с первыми тремя компонентами показан на рис. 6. Он наглядно демонстрирует разделимость между классами.

Также важно знать, какие переменные лучше всего подходят для различения классов. Для каждой длины волны сравниваются средняя остаточная дисперсия для каждого класса, соответствующая всем остальным классам, и остаточная дисперсия всех классов, соответствующих самим себе. Это показывает, насколько важна данная длина волны для различия между «правильной» и «неправильной» классификацией. Это возможно с помощью дискриминационной способности (DP). Значение, близкое к 0, указывает на низкую дискриминационную способность на данной длине волны, в то время как значение, значительно больше 1, подразумевает высокую дискриминационную способность. Дискриминационная способность показана на рис. 7. На рис. 7 длины волн от 860 до 1000 нм; 1200 и 1550 нм обеспечивают наибольшую дискриминационную способность для классов. Общая моделирующая способность определяет, какие длины волн имеют важность для каждого класса в наборе. Диапазон значений — от 0 до 1.

Участки общей моделирующей мощности, определенные в диапазонах от 1200 до 1250 нм, от 1300 до 1350 нм и от 1400 до 1450 нм, могут быть определены как информативные длины волн, которые будут использоваться в качестве входных данных для классификаторов. Межклассовые расстояния, представленные в таблице 1, указывают на достаточно разделимые классы.

4. Заключение

Гиперспектральные изображения почвы могут быть использованы в качестве метода экспресс-распознавания и оценки территорий с единой структурой и составом почвы. Анализ полученных результатов показывает, что классификатор SIMCA и метод главных компонент в качестве процедуры предварительной обработки могут быть использованы для успешного разделения территорий с единой структурой и составом почвы. Это имеет важное значение для последующей обработки территорий с единой структурой и составом почвы с целью получения высокой урожайности и низких производственных потерь. На основе экспериментальных результатов и значения мощности моделирования определены информативные длины волн для трёх территорий с единой структурой и составом почвы: 1200–1250 нм; 1300–1350 и 1400–1450 нм. В ходе дальнейших исследований будут определены длины волн для каждого класса данных, для которых будет оцениваться точность классификации и распознавания территорий с единой структурой и составом почвы. Это станет предпосылкой для разработки информационных систем для фермеров.

5. Благодарности

Данное исследование поддержано Национальной научной программой «Интеллектуальная селекция растений» Министерства образования и науки, утвержденной Постановлением Совета Министров № 866 от 26.11.2020.

6. Ссылки

[1] Tiwari, T.; Sharma, S.; Kumar, K.; Ravindra, S. (2023). Importance of Soil Testing in Sustainable Agriculture, In: Emerging Trends in Agricultural Sciences, Publisher: P.K. Publishers & Distributors, pp. 174-185
[2] Buzoianu, D-A. & Coloja, M. P. (2012). Diagnostic analysis of soils contaminated with oil and salt water, strands for their remediation, Annals of DAAAM for 2012 & Proceedings of the 23rd International DAAAM Symposium, Volume 23, No.1, ISSN 2304-1382, ISBN 978-3-901509-91-9
[3] Bhargava, A.; Bansal, A. (2021). Fruits and vegetables quality evaluation using computer vision: A review, Journal of King Saud University - Computer and Information Sciences, Vol., 33, Issue 3, 243-257, ISSN 1319-1578
[4] Gheorghe, C.A.; Cicic, D.T. (2015). Industrial Image Processing Using Fuzzy-Logic, 25th DAAAM International Symposium on Intelligent Manufacturing and Automation, DAAAM, Procedia Engineering, Vol. 100, 492 – 498
[5] Remzi, S., Georgieva, Ts., Paskova, N., & Daskalov, P. (2019). Performance of web based microprocessor system for measurement of soil quality parameters, Proceedings of the 30th DAAAM International Symposium, pp.1097 1101, B. Katalinic (Ed.), Published by DAAAM International, ISBN 978-3-902734-22-8, ISSN 1726-9679, Vienna, Austria
[6] Georgieva, Ts., Remzi, S., Paskova, N., Stefanov, E., Sigrimis, N. & Daskalov, P. (2019). Research of the influence of external factors on the measurement of a basic soil quality parameter, Proceedings of the 30th DAAAM International Symposium, pp.1097-1101, B. Katalinic (Ed.), Published by DAAAM International, ISBN 978-3 02734-22-8, ISSN 1726-9679, Vienna, Austria
[7] Amigo, J.M., Cruz, J., Bautista, M., Maspoch, S., Coello, J. & Blanco, M. (2008). Study of pharmaceutical samples by NIR chemical-image and multivariate analysis, TrAC Trends in Analytical Chemistry, Vol. 27, Issue 8, 696-713 [8] Mobaraki, N., Amigo, J. M. (2018). HYPER-Tools. A graphical user-friendly interface for hyperspectral image analysis., Chemometrics and Intelligent Laboratory Systems, Vol. 172, 174-187