[发明专利]一种基于BP神经网络和传感器数据采集的土地秸秆覆盖率测算方法

说明书

技术领域

本发明涉及基于BP神经网络的土地秸秆覆盖率计算领域，具体涉及一种基于BP神经网络和传感器数据采集的土地秸秆覆盖率计算方法。

背景技术

秸秆还田是把不宜直接作饲料的秸秆(麦秸，玉米秸和水稻秸秆等)直接或堆积腐熟后施入土壤中的一种方法。秸秆还田是当今世界上普遍重视的一项培肥地力的增产措施，在杜绝了秸秆焚烧所造成的大气污染的同时还有增肥增产作用，是重要的农作技术。目前土地秸秆覆盖率的主要计算方法是采用人工测量的方法,这种方法被称为“拉绳法”。由于这种方法效率低,误差大,劳动强度大，所以往往测量出的秸秆覆盖率并不准确。本发明有效利用现代信息技术中的图像处理技术，通过BP神经网络的方法将每一份图像信息都进行像素点遍历，从而区分出土壤区与秸秆区。这种计算方法效率高，误差小，是一种更好的解决方案。

发明内容

本发明的目的在于克服由于人工拉绳法测量效率低，误差大，劳动强度大等缺点，以及在测算过程中由于人为因素带来的局限，提供了一种基于BP神经网络和传感器数据采集的秸秆覆盖率面积测算方法。

为了解决背景技术所存在的问题，本发明采用以下解决方案：

一种基于BP神经网络和传感器数据采集的秸秆还田覆盖率测算方法，它包括以下步骤：

步骤一：每隔固定时间采集秸秆还田作业后的图像数据；

步骤二：在获取的图像数据中截取预设大小的图像块作为样本；

步骤三：计算所述样本中的五种纹理特征值：能量、惯性矩、熵、相关性、逆差矩；

步骤四：构建具有输入层、隐含层以及输出层的BP神经网络；

步骤五：对神经网络进行训练：训练时，传递函数选择s型非线性函数；神经网络的训练结果，我们设定输出层土壤值归一化为0.1，而输出层秸秆值归一化为0.9；设分别为土壤与秸秆的期望输出，即O_1k，O_2k分别为土壤与秸秆的实际网络输出；

对于土壤有：

对于秸秆有：

且

当同时满足上述三个式子的时候，神经网络停止训练；否则，神经网络反向传递，修改权值，直到满足上式，此时训练结束；

步骤六：利用神经网络处理待测图像：对于拍摄图像中的每一个像素点，对其周围3 ×3的区域进行特征提取，利用神经网络计算输出值；如果输出值大于0.1-0.05且小于 0.1+0.05时，将像素值置为0；如果输出值大于0.9-0.05且小于0.9+0.05时，将像素值置为255；

步骤七：计算秸秆覆盖率：统计处理后的图像共有m个白色像素点，根据公式计算出秸秆覆盖率；其中N为拍摄图像像素点总数量。

优选地，步骤二具体为：在获取的图像数据中截取40个纯土壤和40个纯秸秆的样本，样本为30×30大小的图像块。

优选地，步骤三具体为：对于30×30的图像块，该图像横、纵向分别为X、Y轴,量化级数L＝256,灰度值i,j取值区间为(0,L-1)；图像中灰度值为i的点(x,y)沿θ方向，离开原来位置δ(D_x,D_y)后，新位置点(x+D_x,y+D_y)上灰度值为j的概率即为p_θ(i,j)，其表达式为：

灰度共生矩阵与方向有关，定义θ的4个不同方向，即：

0°(D_x＝d,D_y＝0)，45°(D_x＝d,D_y＝d)，90°(D_x＝0,D_y＝d)，135°(D_x＝-d,D_y＝d)

其中步长d为最小像素间距；定义以下五个纹理特征值：

能量：

惯性矩：

熵：

相关性：

式中，

逆差矩：

通过以上公式计算提取出40个土壤样本和40个秸秆样本的纹理特征值。

优选地，步骤四具体为：构建具有输入层、隐含层以及输出层的BP神经网络；其中，输入层共有五个神经元，用于实现一个样本的五种特征的输入；隐含层共有四个神经元；输出层共有两个神经元：分别代表土壤与秸秆。

优选地，步骤五具体为：