一种基于深度学习技术的土壤近红外光谱分析预测方法

• 摘要：

  本发明涉及一种基于深度学习技术的土壤近红外光谱分析预测方法,与现有技术相比解决了无法对土壤成分进行大批量综合分析的缺陷.本发明包括以下步骤:训练样本的获取和预处理;构造基于深度学习的预测模型;测试样本的获取和预处理;将预处理过的测试样本的光谱数据输入构造的预测模型,完成对测试样本土壤成分含量的分析预测;将测试土壤样本采用梅尔域的滤波带系数作为参数,变成二维特征输入训练好的卷积神经网络进行土壤成分含量的分析预测.本发明基于卷积神经网络的结构模型来进行土壤近红外光谱分析预测,提高了近红外光谱土壤主要成分预测的精度和模型的鲁棒性.

• 专利类型：

  发明专利

• 申请/专利号：

  CN201610416869.3

• 申请日期：

  2016.06.07

• 公开/公告号：

  CN106124449A

• 公开/公告日：

  2016-11-16

• 发明人：

  王儒敬 陈天娇 谢成军 张洁 李瑞 陈红波 宋良图 汪玉冰

• 申请人：

  中国科学院合肥物质科学研究院

• 主分类号：

  G01N21/359(2014.01)I,G,G01,G01N,G01N21

• 分类号：

  G01N21/359(2014.01)I,G01N21/3563(2014.01)I,G06N3/04(2006.01)I,G06N3/08(2006.01)I,G,G01,G06,G01N,G06N,G01N21,G06N3,G01N21/359,G01N21/3563,G06N3/04,G06N3/08

• 主权项：

  一种基于深度学习技术的土壤近红外光谱分析预测方法,其特征在于,包括以下步骤:11)训练样本的获取和预处理,使用光谱仪获取训练样本土壤集的光谱数据,对获取的光谱数据进行预处理,得到若干个训练样本;12)构造基于深度学习的预测模型;13)测试样本的获取和预处理;使用光谱仪获取测试土壤样本的光谱数据,对测试样本土壤扫描40次取平均值;对测试样本土壤采用与训练样本相同的光谱数据预处理方法,得到测试土壤样本;14)将预处理过的测试样本的光谱数据输入构造的预测模型,完成对测试样本土壤成分含量的分析预测;将测试土壤样本采用梅尔域的滤波带系数作为参数,变成二维特征输入训练好的卷积神经网络进行土壤成分含量的分析预测.