Цветелина Георгиева, Стефка Атанасова, Георги Манчев, Станислав Пенчев, Элеонора Кирилова, Пламен Даскалов

Научный перевод статьи: Hyperspectral Images as a Tool for Soil Field Recognition. Proceedings of the 34th DAAAM International Symposium, 2023, с. 294–298. DOI: 10.2507/34th.daaam.proceedings.038

Гиперспектральная визуализация позволяет выполнять высокоточные и детальные спектральные измерения исследуемых объектов и применяется в широком диапазоне масштабов — от лабораторной съёмки образцов и полевых наблюдений до спутникового дистанционного зондирования. В настоящем исследовании по гиперспектральным изображениям образцов почвы, отобранных на трёх различных полях, определяли усреднённые спектральные характеристики каждого образца. Спектральные данные обрабатывали в программной среде Pirouette с применением анализа главных компонент (PCA). По первым трём главным компонентам образцы почв из разных полей отчётливо разделялись. Дополнительно рассчитывали межклассовые расстояния. Анализ дискриминирующей способности позволил выделить длины волн, информативные для распознавания происхождения почвенных образцов. На основании общей моделирующей способности выделены интервалы 1200–1250, 1300–1350 и 1400–1450 нм, которые могут служить входными переменными классификаторов. Перспективным направлением дальнейшей работы является разработка моделей прогнозирования содержания микро- и макроэлементов в почве по гиперспектральным изображениям.

Ключевые слова: гиперспектральные изображения; почвенные образцы; поля; анализ главных компонент; программное обеспечение Pirouette.

Тип почвы имеет принципиальное значение для оценки её плодородия и принятия агрономических решений [1, 2]. Исследование почвы включает комплекс химических анализов, позволяющих определить доступность питательных веществ. На основе полученных результатов разрабатывают рекомендации по обработке почвы с использованием сельскохозяйственной техники или внесению соответствующих удобрений для повышения плодородия применительно к выращиваемой культуре.

В последние годы для оценки разнообразных показателей качества сельскохозяйственной продукции применяют системы компьютерного зрения, ультразвуковые и инфракрасные методы, а также томографическую визуализацию [3]. Анализ на основе компьютерного зрения обычно включает четыре основных этапа: получение изображений, сегментацию, извлечение признаков и классификацию. Для автоматического анализа и обнаружения объектов широко используются и методы искусственного интеллекта, в частности нечёткая логика [4]. Предыдущие исследования авторов были посвящены оценке качества почвы с применением различных датчиков основных показателей [5] и изучению влияния внешних факторов на измерение одного из базовых показателей её качества [6].

Такие методы требуют значительных затрат времени и недостаточно пригодны для экспресс-оценки состояния целого поля. Гиперспектральный анализ пока не относится к наиболее распространённым подходам в сельскохозяйственной практике. Цель настоящего исследования — оценить возможность распознавания почвенных образцов, относящихся к разным полям, с использованием гиперспектральной съёмки.

Образцы почвы отобрали на трёх характерных полях в районе города Русе (Болгария). Всего собрано и исследовано 110 образцов. Гиперспектральная визуализация (HSI) позволяет регистрировать пространственную и спектральную информацию с высокой детализацией. Результат съёмки представляет собой трёхмерный гиперспектральный куб данных: каждому пространственному пикселю сопоставлен спектр, содержащий информацию по спектральным каналам датчика.

В исследовании использовали гиперспектральный сенсор SPECIM N17E с 320 пространственными пикселями и 256 спектральными каналами в диапазоне длин волн 850–1700 нм. Эксперимент выполняли в лабораторных условиях на 110 образцах почвы из трёх полей.

Экспериментальная установка (рисунок 1) включала: 1) подвижное основание, перемещаемое в одном направлении прецизионным сервоприводом; 2) четыре широкополосных источника освещения; 3) гиперспектральный сенсор SPECIM N17E; 4) исследуемый образец почвы.

Из всех образцов отбирали равные по массе порции почвы, каждую помещали в чашку Петри и получали одно гиперспектральное изображение. Поскольку изображения, поступающие с сенсора, являются необработанными, они требуют дальнейшей коррекции. Под влиянием параметров окружающей среды (температуры, влажности и др.) и особенностей сенсора данные содержали небольшой статический шум, проявляющийся как неравномерное смещение спектрального сигнала по длинам волн. Для устранения статической составляющей шума использовали «чёрный» гиперспектральный кадр, полученный тем же сенсором с полностью закрытым объективом при тех же экспериментальных условиях.

Правильное выделение участка изображения, соответствующего образцу почвы, имеет решающее значение для достоверности результатов. Выбранная область должна содержать только исследуемый материал, без фона и посторонних объектов исходного кадра. Существуют различные методы определения области интереса (ROI), основанные на математическом анализе и преобразованиях изображения, позволяющие сформировать маску для исключения нежелательных пикселей.

Широко используются подходы на основе анализа главных компонент (PCA), кластерного анализа, алгоритма k-средних, нечёткой кластеризации c-средних, а также методов сходства спектров, вычисляемого по коэффициентам корреляции [7].

Поскольку изображения образцов почвы в настоящем исследовании были относительно однородны и сходны, применяли ручное выделение ROI примерно одинаковой площади. Для каждого гиперспектрального изображения в MATLAB с использованием инструмента HyperTools 3 [8] выделяли область, включающую только однородный участок почвенного образца.

Для снижения спектрального шума при максимально возможном сохранении исходной формы спектра проводили ограниченную дополнительную обработку, сочетая сглаживание и производные по методу Савицкого — Голея (Savitzky–Golay) с процедурой нормализации Standard Normal Variate (SNV). В исходном тексте аббревиатура нормализации приведена как «SVN»; здесь использовано распространённое обозначение SNV. Для последующего анализа по выбранной ROI каждого образца рассчитывали усреднённую спектральную характеристику. На рисунке 5 приведены усреднённые спектры образцов всех трёх полей.

Для классификации использовали классификатор SIMCA, интегрированный в программное обеспечение Pirouette. Анализ главных компонент служил этапом предварительной обработки данных. Проекция образцов в пространстве первых трёх главных компонент (рисунок 6) показывает отчётливое разделение групп.

Для интерпретации классификации важно определить, какие именно спектральные переменные наиболее эффективно разделяют классы. Для каждой длины волны сопоставляли среднюю остаточную дисперсию при аппроксимации образцов одного класса моделями других классов и остаточную дисперсию при аппроксимации образцов моделями собственного класса. Это позволяет оценить вклад конкретной длины волны в различение «правильной» и «неправильной» классификации.

Для этого использовали показатель дискриминирующей способности (Discriminating Power, DP). Значения, близкие к нулю, указывают на низкую способность соответствующей длины волны разделять классы, тогда как значения значительно больше единицы свидетельствуют о высокой дискриминирующей способности. На рисунке 7 показано, что наиболее выраженную дискриминирующую способность проявляют диапазоны 860–1000 и 1200–1550 нм.

Показатель общей моделирующей способности (Total Modeling Power) позволяет установить, какие длины волн значимы для описания каждого класса данных. Значения этого показателя изменяются от 0 до 1. Анализ кривых на рисунке 8 позволил выделить интервалы 1200–1250, 1300–1350 и 1400–1450 нм как информативные для последующего использования в качестве входных признаков классификаторов.

В таблице 1 представлены межклассовые расстояния. Полученные значения указывают на достаточную разделимость трёх классов исследованных образцов.

Таблица 1. Межклассовые расстояния

Гиперспектральные изображения почвы могут использоваться для экспресс-распознавания образцов и оценки принадлежности к различным полям. Результаты анализа показывают, что классификатор SIMCA в сочетании с предварительным анализом главных компонент позволяет успешно разделять исследованные группы почвенных образцов. Это имеет практическое значение для дальнейшей дифференцированной обработки почв с целью повышения урожайности и сокращения производственных потерь.

На основании экспериментальных результатов и анализа общей моделирующей способности были определены информативные диапазоны длин волн 1200–1250, 1300–1350 и 1400–1450 нм. В дальнейших исследованиях авторы планируют уточнить информативные длины волн для каждого класса и оценить точность классификации и распознавания почв разных полей. Это может стать основой разработки информационных систем для сельскохозяйственных производителей.

Работа выполнена при поддержке Национальной научной программы «Интеллектуальная селекция растений» Министерства образования и науки, утверждённой постановлением Совета министров № 866 от 26 ноября 2020 года.

[1] Tiwari, T.; Sharma, S.; Kumar, K.; Ravindra, S. (2023). Importance of Soil Testing in Sustainable Agriculture. In: Emerging Trends in Agricultural Sciences. 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, vol. 23, no. 1.

[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, 33(3), 243–257.

[4] Gheorghe, C. A.; Cicic, D. T. (2015). Industrial Image Processing Using Fuzzy-Logic. Procedia Engineering, 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.

[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.

[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, 27(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, 172, 174–187.