冉穎杭　謝天鏵　霍連飛　孫克潤(rùn)　丁啟朔　何瑞銀　汪小島

摘要：智慧農(nóng)業(yè)的技術(shù)基礎(chǔ)是基于機(jī)器主體的農(nóng)情信息獲取、加工與分析。土壤結(jié)構(gòu)管理是智慧農(nóng)業(yè)的重要子模塊，但目前尚不清楚農(nóng)田背景噪聲下土壤結(jié)構(gòu)體的圖像信息特征以及目標(biāo)信息的信噪分離、純化和加工方法。本研究逐級(jí)遞進(jìn)界定田間土壤結(jié)構(gòu)體的數(shù)字圖像信息特征，并針對(duì)自然光源、秸稈及有機(jī)質(zhì)混雜、土壤結(jié)構(gòu)體孔隙等噪聲源逐一處理，同時(shí)引入了線段法、體視概率法定量土壤結(jié)構(gòu)體信息。篩分法所得結(jié)果用于對(duì)照。結(jié)果表明農(nóng)田背景下土壤結(jié)構(gòu)體信息受多重環(huán)境背景噪聲影響，為此需要進(jìn)行系統(tǒng)補(bǔ)光噪聲過(guò)濾、土壤孔隙形態(tài)修補(bǔ)等技術(shù)處理才能夠?qū)崿F(xiàn)基于機(jī)器主體的土壤結(jié)構(gòu)體目標(biāo)信息獲取。運(yùn)用線段法和體視概率法均能較好地定量土壤結(jié)構(gòu)體的尺度分布信息，線段法與體視概率法所得到的土壤結(jié)構(gòu)體的累積分布數(shù)據(jù)與篩分?jǐn)?shù)據(jù)的相關(guān)性（R2）大于0.96、均方根誤差（RMSE）小于0.1mm。

關(guān)鍵詞：數(shù)字圖像;原位分析;土壤尺度分布;線段法;體視概率法

中圖分類號(hào)：TP751

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1000-4440（2019）02-0313-08

多維度農(nóng)情信息的獲取、管理、決策是精準(zhǔn)生產(chǎn)管理的基礎(chǔ)”。不過(guò)傳統(tǒng)農(nóng)業(yè)在獲取土壤、作物等農(nóng)情信息時(shí)多離不開專家經(jīng)驗(yàn)與主觀判斷，此類農(nóng)情信息處理模式不能適應(yīng)全過(guò)程無(wú)人干預(yù)的信息化農(nóng)業(yè)要求。因此智慧農(nóng)業(yè)的關(guān)鍵技術(shù)基礎(chǔ)是實(shí)現(xiàn)土壤、作物等農(nóng)情信息對(duì)象的機(jī)器自主識(shí)別與獲取。作物生產(chǎn)系統(tǒng)中的土壤質(zhì)量決定著土地生產(chǎn)力，是基礎(chǔ)且關(guān)鍵的資源要素，因此也是智慧農(nóng)業(yè)的一個(gè)關(guān)鍵農(nóng)情信息對(duì)象。

傳統(tǒng)的田間土壤結(jié)構(gòu)體信息靠篩分法獲取，但近年來(lái)基于專家現(xiàn)場(chǎng)視覺(jué)打分[VESS（Visual Evaluation of Soil Structure）[2-3]，VSA（Visual Soil Asess-ment）[4-5]等評(píng)價(jià)方法正受到廣泛關(guān)注。篩分法分析土壤結(jié)構(gòu)體信息[6]費(fèi)時(shí)費(fèi)力，也會(huì)因外力撞擊等因素造成土壤結(jié)構(gòu)體的破壞。VESS是由專業(yè)人員按照規(guī)范的土壤結(jié)構(gòu)體質(zhì)量打分表并結(jié)合自身感官打分評(píng)價(jià)，主觀因素難于消除。與傳統(tǒng)方法相比，信息農(nóng)業(yè)及智慧農(nóng)業(yè)愈加提倡農(nóng)情信息的獲取及加工全過(guò)程的自動(dòng)化和智能化，其最顯著的特征是脫離專家干預(yù)和人為干擾。計(jì)算機(jī)圖像分析技術(shù)具有定量準(zhǔn)確、處理快速、平臺(tái)兼容性強(qiáng)（可搭載手機(jī)[7-8]、無(wú)人機(jī)[9]、車載平臺(tái)[10]等）的特性，已被廣泛運(yùn)用于定量評(píng)價(jià)農(nóng)情信息和土壤質(zhì)量信息。相關(guān)學(xué)者運(yùn)用圖像法指標(biāo)化某些土壤結(jié)構(gòu)體的物理、化學(xué)特征，如表面幾何外形[11-13]、孔隙[14-15]、含水率[16-17]、粗糙度[18]、質(zhì)地[19]等信息。Fernlund等[20]和Kumara等[21]分析了人為分離和排列擺鋪的土壤結(jié)構(gòu)體的圖像，建立了土壤的二維圖像數(shù)據(jù)與篩分質(zhì)量信息之間的關(guān)系。Bogrekci等[22]針對(duì)無(wú)秸稈和雜草的純凈田間背景條件下的耕后土壤結(jié)構(gòu)體進(jìn)行圖像信息處理，獲取平均土塊粒徑信息。Chimi-chiadjeu等[23-24]和Taconet等[25]在復(fù)雜的田間環(huán)境研究原位土壤結(jié)構(gòu)體的外輪廓圖像分割和識(shí)別，旨在得到土壤結(jié)構(gòu)體的數(shù)量、位置以及輪廓粗糙度信息。

雖然近年來(lái)數(shù)字圖像技術(shù)在土壤結(jié)構(gòu)的微觀指標(biāo)評(píng)價(jià)方面取得了較好的效果，但其在解決田間實(shí)際問(wèn)題方面仍然較為局限，很少涉及在生產(chǎn)實(shí)踐上的應(yīng)用。農(nóng)田環(huán)境的背景噪聲來(lái)源多樣.表現(xiàn)復(fù)雜，從不同層面干擾甚至淹沒(méi)農(nóng)情信息，田間條件基于機(jī)器視覺(jué)的土壤結(jié)構(gòu)體信息除了表現(xiàn)為土壤結(jié)構(gòu)體與背景顏色相近[22]、土壤結(jié)構(gòu)體形狀非結(jié)構(gòu)化等[1]，自然光照作物、秸稈雜草、土壤結(jié)構(gòu)孔隙等各種要素相互交織混雜，必然嚴(yán)重干擾甚至淹沒(méi)目標(biāo)信息對(duì)象。因此，為了實(shí)現(xiàn)基于機(jī)器主體的自主農(nóng)情信息獲取，必須提供一套基于田間生產(chǎn)環(huán)境的農(nóng)情信息描述、界定和信息處理技術(shù)規(guī)范。本研究從農(nóng)情信息獲取的角度研究最小化人為干預(yù)條件下基于原位機(jī)器視覺(jué)技術(shù)的土壤結(jié)構(gòu)體信息特征及相關(guān)技術(shù)。

1 材料與方法

1.1 試驗(yàn)區(qū)概況及田間試驗(yàn)

田間試驗(yàn)于2017年12月水稻收獲后進(jìn)行，試驗(yàn)地點(diǎn)位于南京市六合區(qū)八百橋試驗(yàn)田（118°59’E，31°98’N），試驗(yàn)田地勢(shì)平坦，土壤類型為壤質(zhì)黏土。土壤pH值7.6，土壤砂粒、壤粒、黏粒、有機(jī)物質(zhì)量分?jǐn)?shù)分別為24.06%、40.39%、35.55%和2.27%，液限41.94%，塑限25.18%。試驗(yàn)所在區(qū)域長(zhǎng)期稻麥輪作，水稻收獲后全量秸稈還田，使用免耕開溝覆土復(fù)式作業(yè)方式，一次性完成旋耕滅茬開排水溝并完成播種施肥，因此屬于全量秸稈還田的稻茬麥輕簡(jiǎn)栽培模式。作業(yè)后水稻秸稈均勻混雜在耕作層，土壤結(jié)構(gòu)體呈塊狀分布。

1.2 土壤結(jié)構(gòu)體數(shù)字圖像信息采集

試驗(yàn)田間隨機(jī)選取3個(gè)取樣點(diǎn)，將內(nèi)邊長(zhǎng)為500mmx500mm的取樣框放置在地表，在三角支架的懸臂末端安裝數(shù)碼相機(jī)（圖1），相機(jī)型號(hào)為SONYILCE-6300，拍攝時(shí)光圈值設(shè)為3.5，曝光補(bǔ)償為-0.3，最大光圈為3.617，相機(jī)離地高度（h）為760mm。利用框架上兩側(cè)粘附的標(biāo)準(zhǔn)尺寸進(jìn)行圖像標(biāo)定，得到數(shù)字圖像的像素毫米換算系數(shù)（p）。為減小鏡頭畸變，使用鉛墜輔助，將相機(jī)位置調(diào)整到框架中心點(diǎn)的正上方。另外，為消除太陽(yáng)偏角的影響，在朝向太陽(yáng)偏角方向的取樣框一側(cè)使用2個(gè)主要光源消除土壤結(jié)構(gòu)體的陰影遮擋，同時(shí)在y軸兩側(cè)設(shè)置輔助光源平衡取樣框內(nèi)土壤結(jié)構(gòu)體的整體亮度。

1.3 土壤結(jié)構(gòu)體數(shù)字圖像的信息處理

1.3.1 圖像幾何矯正機(jī)器視覺(jué)所得目標(biāo)圖像的幾何畸變使用郭文川等[26]提出的矯正技術(shù)，以取樣框邊框作標(biāo)定基準(zhǔn)并依次進(jìn)行如下處理：獲取圖像的4個(gè)邊界點(diǎn)坐標(biāo)，坐標(biāo)變換還原至等比關(guān)系，得到其坐標(biāo)變化規(guī)律，將此坐標(biāo)變換規(guī)律應(yīng)用于土壤結(jié)構(gòu)體的數(shù)字圖像矯正，還原土壤結(jié)構(gòu)體的真實(shí)形狀和大小。

1.3.2 土壤結(jié)構(gòu)體目標(biāo)信息分割土壤結(jié)構(gòu)體圖像采用閾值分割法從背景中分離出來(lái)。但鑒于表層土壤結(jié)構(gòu)體大小不一、壘積排列無(wú)序，造成相鄰?fù)寥澜Y(jié)構(gòu)體并不滿足單-z軸方向輪廓貼合，形成高低落差的間隙。該間隙是人眼視覺(jué)分辨土壤結(jié)構(gòu)體的重要主觀依據(jù)，在圖像中則是呈現(xiàn)出不同的灰度特征：間隙越深，灰度值越低。在目標(biāo)信息分割過(guò)程中，可使用自動(dòng)計(jì)算或人工設(shè)定的閾值，將低于該閾值的田間背景及輪廓變?yōu)楹谏?，將高于該閾值的表層土壤結(jié)構(gòu)體變?yōu)榘咨１驹囼?yàn)將Otsu自動(dòng)閾值法[27]所獲取的閾值與人工設(shè)定閾值（0.1、0.2、0.3、0.4）作比較，用以確定最佳閾值范圍。

1.3.3 土壤結(jié)構(gòu)體的形態(tài)信息過(guò)濾秸稈還田等保護(hù)性農(nóng)業(yè)條件下土壤結(jié)構(gòu)體的形態(tài)特征復(fù)雜，秸稈、根系等生物質(zhì)干擾，土壤孔隙、根系及土壤結(jié)構(gòu)的微觀表象豐富，且土壤、秸稈等對(duì)象隨自然光光照度、環(huán)境水分等條件的變化而變化。因此使用數(shù)字圖像的閉運(yùn)算處理，利用圓形且大小為5像素的結(jié)構(gòu)元素，填充土壤結(jié)構(gòu)體圖像中比結(jié)構(gòu)元素小的缺口、孔隙等形態(tài)學(xué)缺陷（圖像信息噪聲過(guò)濾）。相反，對(duì)于秸稈、雜草及根系導(dǎo)致的邊界毛刺等信號(hào)噪聲調(diào)用開運(yùn)算（結(jié)構(gòu)元素大小、形狀與閉運(yùn)算相同）處理進(jìn)行信息過(guò)濾提純[28]。

1.4 土壤結(jié)構(gòu)體數(shù)字圖像的信息分析

1.4.1 線段法分析線段法是一種蒙托-卡羅法，廣泛運(yùn)用于爆堆塊度的評(píng)價(jià)[29]。假設(shè)每一個(gè)土壤微粒都是按照相同方向排列的，有單位截面積（A）的棱柱組合，則每一組的體積可以看作該組內(nèi)每個(gè)土塊棱柱體的長(zhǎng)度（lj）與A的乘積。則各組的相對(duì)含量可以用棱長(zhǎng)之比表示，即土壤結(jié)構(gòu)體的徑級(jí)體積比關(guān)系：

式中：D;表示第i組土壤結(jié)構(gòu)體體積，V表示土壤總體積。

1.4.2 體視概率法分析體視概率法是張繼春等運(yùn)用體視學(xué)原理解決礦巖爆破塊度分布問(wèn)題的另一種新方法，該方法從統(tǒng)計(jì)學(xué)角度出發(fā)，通過(guò)探究爆堆表面反映出的巖塊大小與爆堆塊度分布之間存在的概率關(guān)系，巖塊被隨機(jī)布線截出的線段長(zhǎng)度與該巖塊的尺寸之間的關(guān)系，來(lái)測(cè)定爆堆塊度組成[30]。鑒于耕作層的土壤結(jié)構(gòu)體與巖塊類似的特征，因此借鑒該方法進(jìn)行分析，具體技術(shù)路線如下：

（1）土壤結(jié)構(gòu)體在各尺度區(qū)間的數(shù)量密度（Nv）與直徑為D的球體被截出的弦長(zhǎng)數(shù)量密度（N，）之間的關(guān)系，即：

式中：i表示第i組，△表示組距。

（2）在相同尺度區(qū)間的土壤結(jié)構(gòu)體的體積（vi）：

0;=Cv（i△）3V0Nvi（3）

式中：V。為耕后土壤結(jié)構(gòu)體的總體積，C為土塊體積形狀修正系數(shù)。張繼春等[30]將塊度等距分組，但鑒于等距分組不能很好地反映土壤結(jié)構(gòu)體在各尺度區(qū)間的分布情況[31]]，因此按照2倍頻尺度分組修訂該公式。令第k組尺寸范圍為2*～2x2*mm（k=1，2，3，4，.，n），可將土壤結(jié)構(gòu)體大小分為：0～2*、2*～2x2*2x2*～3x2*，組數(shù)t=3組，組間距△=2*。則土壤結(jié)構(gòu)塊度在2“～2x2*mm內(nèi)的體積為i=2，即：

（3）得到各尺度區(qū)間的土壤結(jié)構(gòu)體徑級(jí)-體積關(guān)系為：

式中V，表示各組分體積之和。

1.5 土壤結(jié)構(gòu)體的數(shù)字圖像信息統(tǒng)計(jì)

1.5.1 圖像隨機(jī)布線在土壤結(jié)構(gòu)體形態(tài)信息過(guò)濾前、過(guò)濾后的圖像上分別隨機(jī)布上若干條直線，分為3種布線方法：①隨機(jī)布置600條水平直線，②隨機(jī)布置600條垂直直線，③布置水平和垂直直線各300條。

1.5.2 土壤結(jié)構(gòu)體尺度測(cè)定隨機(jī)線上的像素點(diǎn)灰度值持續(xù)等于1的像素個(gè)數(shù)則是該土壤結(jié)構(gòu)體切割線段得到的分段長(zhǎng)度，而直線被土壤結(jié)構(gòu)體實(shí)際切割的長(zhǎng)度則要乘以p（即標(biāo)尺上像素個(gè)數(shù)/標(biāo)尺長(zhǎng)度）。

1.5.3 統(tǒng)計(jì)分析

（1）對(duì)于線段法：將圖像中隨機(jī)布線得到的所有被切割的線段長(zhǎng)度，按照2.1～4.0mm.4.1～8.0mm、8.1～16.0mm、16.1～32.0mm、32.1～64.0mm、64.1～128.0mm梯度進(jìn)行分組，并將每組內(nèi)的所有線段求長(zhǎng)度和：L;=21;各組長(zhǎng)度和（L;）與總線段的長(zhǎng)度和之比則為該組的相對(duì)含量。

（2）體視概率法：統(tǒng)計(jì)隨機(jī)線被土塊邊界截得的線段長(zhǎng)度在2.1～4.0mm、4.1～6.0mm（k=1）;4.1～8.0mm8.1～12.0mm（k=2）;8.1～16.0mm、16.1～24.0mm（k=3）;16.1～32.0mm、32.1～48.0mm（k=4）;32.1～64.0mm64.1～96.0mm（k=5）范圍內(nèi)的線段數(shù)量[N.]，代入（5）式求得土壤結(jié)構(gòu)體的體積比。

1.6 土壤結(jié)構(gòu)體的篩分分析

使用傳統(tǒng)的篩分法獲取土壤結(jié)構(gòu)體的尺度信息作為檢驗(yàn)基準(zhǔn)，將拍照后的樣點(diǎn)耕層土壤結(jié)構(gòu)體取出。按2倍頻尺度篩分，篩孔直徑分別為2mm、4mm8mm、16mm、32mm、64mm，獲取土壤結(jié)構(gòu)體的尺度分布數(shù)據(jù)，進(jìn)而結(jié)合稱質(zhì)量得到各級(jí)土壤結(jié)構(gòu)體的徑級(jí)_質(zhì)量關(guān)系：

式中φ;為i級(jí)土壤結(jié)構(gòu)體的塊度比，m;為i級(jí)土壤結(jié)構(gòu)體的質(zhì)量。

2 結(jié)果與分析

2.1 土壤圖像處理

2.1.1 原位補(bǔ)光在僅通過(guò)自然光照、不進(jìn)行預(yù)處理的田間，其土壤結(jié)構(gòu)體的數(shù)字圖像信息受多重干擾噪聲影響。除日中短暫的太陽(yáng)直射時(shí)段之外，因自然光線入射角動(dòng)態(tài)引起的田塊間陰影遮擋難于消除，人工光源補(bǔ)光處理是不可缺少的必要措施。自然光照條件下因太陽(yáng)偏角引起原位土壤結(jié)構(gòu)體數(shù)字圖像陰影噪聲（圖2a），令后續(xù)信息處理難于實(shí)現(xiàn)。補(bǔ)光后的照片（圖2b）有效消除了原位陰影噪聲。

2.1.2 圖像幾何矯正機(jī)器視覺(jué)的鏡頭畸變?cè)斐赏寥澜Y(jié)構(gòu)體形態(tài)失真，因此，在田間加入取樣框的數(shù)字圖像幾何矯正是土壤結(jié)構(gòu)體數(shù)字圖像信息糾偏的重要環(huán)節(jié)（圖3）。

2.1.3 土壤結(jié)構(gòu)體目標(biāo)信息分割結(jié)果在MATLAB R2017a中進(jìn)行閾值分隔（level=0.3）后，土壤結(jié)構(gòu)體的形態(tài)邊界有突起結(jié)構(gòu)，不夠圓滑（圖4a），顯著有別于Bogrekci等[22]的研究結(jié)果（圖4b）以及旱作制的土壤結(jié)構(gòu)體。這是由于實(shí)際生產(chǎn)環(huán)境條件下秸稈、雜草等的影響，不便機(jī)器自動(dòng)識(shí)別，表明在這一階段不加入工處理的土壤結(jié)構(gòu)體信息復(fù)雜。

2.1.4 土壤結(jié)構(gòu)體的形態(tài)信息過(guò)濾經(jīng)形態(tài)學(xué)開運(yùn)算、閉運(yùn)算處理后所得土壤結(jié)構(gòu)體圖像信息見(jiàn)圖5a，此時(shí)的圖像信息特征表明稻茬田的耕層土壤結(jié)構(gòu)體形態(tài)復(fù)雜，極不規(guī)則。將所得結(jié)果（圖5a）疊加到原始圖像上得到復(fù)合疊加圖像（圖5b），可以發(fā)現(xiàn)經(jīng)由補(bǔ)光、畸變矯正、二值化、去噪、修補(bǔ)等技術(shù)處理后所得的數(shù)字土壤結(jié)構(gòu)體信息與原位土壤結(jié)構(gòu)體信息準(zhǔn)確的匹配和全覆蓋。

2.2 統(tǒng)計(jì)分析

對(duì)信息純化后的土壤結(jié)構(gòu)體數(shù)字圖像進(jìn)行Pear-son相關(guān)性分析及均方根誤差分析，每個(gè)樣品均分別采用3種布線處理，每種布線處理重復(fù)2次，將布線得到的數(shù)據(jù)分別用線段法、體視概率法計(jì)算。表1顯示其中1個(gè)樣點(diǎn)所得的12次試驗(yàn)結(jié)果。重復(fù)試驗(yàn)數(shù)據(jù)誤差控制在0.05以內(nèi)，表明試驗(yàn)數(shù)據(jù)穩(wěn)定。表1顯示線段法和體視概率法得到的數(shù)據(jù)與篩分?jǐn)?shù)據(jù)相比，R2>0.96，RMES<0.100mm，故2種方法都能很好地反映土壤結(jié)構(gòu)體尺度分布狀況;同時(shí)體視概率法（R2=0.991，RMSE=0.053mm）相較線段法（R2=0.986，RMSE=0.109mm）精度更高。圖6顯示體視概率法與篩分曲線吻合更好，尤其是在2～32mm尺度區(qū)間，故體視概率法計(jì)算出的土壤塊度分布數(shù)據(jù)更為精確。

對(duì)比水平布線、垂直布線、水平垂直共同布線3種布線方法可以得出，這3種方法沒(méi)有明顯的優(yōu)劣差異;但綜合評(píng)價(jià)結(jié)果表明水平垂直共同布線法獲得的數(shù)據(jù)更優(yōu)且穩(wěn)定。從表2中可以看出該試驗(yàn)田圖像分割的最佳閾值為0.2～0.4，可通過(guò)插值法在該范圍內(nèi)得出最佳閾值;Otsu法得出的閾值雖不是最佳閾值，但其R2>0.95，RMES<0.200mm。故對(duì)于精度要求不高的試驗(yàn)，可在0.2～0.4人工設(shè)定閾值或選用Otsu法計(jì)算出閾值。形態(tài)學(xué)處理前和處理后的圖像信息經(jīng)水平垂直布線后所得的體視概率數(shù)據(jù)見(jiàn)表3。與形態(tài)學(xué)處理前的數(shù)據(jù)相比較，形態(tài)學(xué)處理后的R2的平均值由0.906提升至0.990，RMES的平均值由0.274mm縮小至0.055mm，測(cè)量精度明顯有所提高。

3 討論

信息農(nóng)業(yè)或智慧農(nóng)業(yè)的技術(shù)基礎(chǔ)是在最小化人為干預(yù)前提下的智能裝備自主信息采集、加工和分析。本研究結(jié)果表明，基于生產(chǎn)環(huán)境條件的農(nóng)情信息受多元背景噪聲影響，目標(biāo)農(nóng)情信息被嚴(yán)重干擾或淹沒(méi)，因此需要針對(duì)不同的生產(chǎn)環(huán)境條件下的各類農(nóng)情信息對(duì)象進(jìn)行系統(tǒng)的描述和界定。以往針對(duì)土壤結(jié)構(gòu)體信息的研究通常對(duì)所處環(huán)境條件進(jìn)行過(guò)度的簡(jiǎn)化處理（如取出土壤并擺放在白板上[5，7-9]）或者加入了很多人為經(jīng)驗(yàn)的修訂（如選擇性地理?xiàng)l件、刻意的耕作處理等），其結(jié)果不僅造成研究成果難于顯示出生產(chǎn)環(huán)境下農(nóng)情信息對(duì)象的真實(shí)特征及復(fù)雜性，而且也不便于推進(jìn)基于智能裝備自主化的農(nóng)情信息獲取與分析。本研究針對(duì)稻茬田耕層土壤結(jié)構(gòu)體的研究仍有一定的局限性，對(duì)田間自然光源動(dòng)態(tài)適應(yīng)性、耕作層土壤結(jié)構(gòu)體的表觀信息特殊性的成因分析、不同輪作制及氣候動(dòng)態(tài)條件的土壤結(jié)構(gòu)體數(shù)字圖像信息動(dòng)態(tài)等都缺乏系統(tǒng)的試驗(yàn)設(shè)計(jì)和深入探討。不過(guò)本研究的結(jié)果能夠反映出今后針對(duì)不同大田生產(chǎn)環(huán)境下各類農(nóng)情信息對(duì)象開展系統(tǒng)研究的緊迫性和復(fù)雜性，以及在技術(shù)設(shè)計(jì)過(guò)程中如何規(guī)避人為要素參與的重要性。

田間耕作層土壤結(jié)構(gòu)體的數(shù)字圖像信息摻雜了來(lái)源復(fù)雜的背景噪聲，自然光照、作物與雜草、土壤水分、儀器參數(shù)等各種噪聲源都需要一一梳理、界定和標(biāo)定。因此，土壤結(jié)構(gòu)體信息的分離、純化、信噪比增強(qiáng)等技術(shù)基礎(chǔ)不僅需要完善的多學(xué)科理論與技術(shù)集成，更需要數(shù)字圖像處理技術(shù)及指標(biāo)的定量表達(dá)。本研究采用原位補(bǔ)光、閾值分割、幾何矯正、形態(tài)學(xué)處理等方法將土壤結(jié)構(gòu)體的信息準(zhǔn)確的提取出來(lái)，同時(shí)為了從二維圖像中得到土壤結(jié)構(gòu)體三維的尺度特征，借鑒了爆破領(lǐng)域的線段法[29]、體視概率法[30]，以獲得土壤的尺度分布信息。

線段法和體視概率法得到的土壤結(jié)構(gòu)體的累積分布圖與篩分法得到的累積分布圖有相同的趨勢(shì)，且累積分布數(shù)據(jù)有較高的相似度（R2>0.96）。因此線段法和體視概率法均能很好地反映土壤尺度分布的情況。體視概率法比線段法精確度更高，尤其是在小尺度范圍內(nèi)，更能反映土壤結(jié)構(gòu)體的尺度分布情況。

水平和垂直共同布線的方法相比單垂直或單水平布線方法，獲得的數(shù)據(jù)更穩(wěn)定，能保證準(zhǔn)確獲取土壤結(jié)構(gòu)體的尺度分布情況。

采用Otsu自動(dòng)閾值法計(jì)算出的閾值或在0.2～0.4選取閾值能得到較高精度的試驗(yàn)結(jié)果。

通過(guò)形態(tài)學(xué)處理之后的圖像比僅閾值分割后的圖像精確度更高。

參考文獻(xiàn)：

[1]何勇，趙春江，吳迪，等.作物-環(huán)境信息的快速獲取技術(shù)與傳感儀器[J].中國(guó)科學(xué)（信息科學(xué)），2010（S1）：5-24.

[2]GUIMARAES R M L，JUNIOR A F N，SILVA W G，et al. The merits of the Visual evaluation of soil structure method （VESS）forassessing soil physical quality in the remote，undeveloped regionsof the Amazon basin[J]. Soil & Tillage Research，2016，173：75-82.

[3]ASKARI M S，CUI J，HOLDEN N. The visual evaluation of soil structure under arable management[J]. Soil & Tillage Research，2013，134：1-10.

[4]BALL B C，BATEY T，MUNKHOLM L J. Field assessment of soil structural quality-a development of the Peerlkamp test[J]. Soil Use&Management，2010，23（4）：329-337.

[5]MONCADAMP，GABRIELSD，LOBOD，etal.Visualfieldassessmentofsoilstructuralqualityintropicalsoils[J].Soil&Tll-ageResearch，2014，139（2）：8-18.

[6]中國(guó)機(jī)械工業(yè)部.旋耕機(jī)械試驗(yàn)方法：GB/T5668.3-1995[S].北京：中國(guó)標(biāo)準(zhǔn)出版社，1995

[7]姚青，張超，王正，等.分布式移動(dòng)農(nóng)業(yè)病蟲害圖像采集與診斷系統(tǒng)設(shè)計(jì)與試驗(yàn)[J].農(nóng)業(yè)工程學(xué)報(bào)，2017，33（S1）：184-191.

[8]周俊，王明軍，邵喬林.農(nóng)田圖像綠色植物自適應(yīng)分割方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29（18）：163-170.

[9]楊超，蘇正安，馬菁，等.基于無(wú)人機(jī)影像快速估算礦山排土場(chǎng)邊坡土壤侵蝕速率的方法[J].水土保持通報(bào)，2016，36（6）：126-130.

[10]HASEGAWA H，TAKIGAWA T，KOIKE M，et al. Studies on visual recognition of an agricultural autonomous tractor ：detection ofthe field state by image processing[J]. Japanese Journal of FarmWork Research，2000，35（3）：141-147.

[11]高雅，丁啟朔，李毅念，等.土壤結(jié)構(gòu)的數(shù)字圖像分析方法與指標(biāo)[J].土壤通報(bào)，2015，46（3）：513-518.

[12]AL-ROUSAN T，MASAD E，TUTUMLUER E，et al. Evaluation of image analysis techniques for quantifying aggregate shape char-acteristics[J]. Construction & Building Materials，2007，21（5）：978-990

[13]畢利東，張斌，潘繼花.運(yùn)用Image J軟件分析土壤結(jié)構(gòu)特征[J].土壤，2009，41（4）：654-658.

[14]李德成，VELDEB，張?zhí)伊?利用土壤切片的數(shù)字圖像定量評(píng)價(jià)土壤孔隙變異度和復(fù)雜度[J].土壤學(xué)報(bào)，2003，40（5）：678-682.

[15]BIRDN，DIAZ MC，SAA A，et al. Fractal and multifractal anal-

ysis of pore- scale images of soil[J]. Journal of Hydrology，2006，322（1-4）：211-219.

[16]張榮標(biāo)，何加祥，吳濤，等.基于圖像處理的土壤表層含水率在線檢測(cè)方法研究[J].農(nóng)業(yè)工程學(xué)報(bào)，2007，23（10）：57-61.

[17]鮑艷松，劉良云，王紀(jì)華，等.利用ASAR圖像監(jiān)測(cè)土壤含水量和小麥覆蓋度[J].遙感學(xué)報(bào)，2006，10（2）：263-271.

[18]BRYK M. Evaluation of soil aggregate surface roughness by imageanalysis[J]. Soil Science Annual，2012，63（2）：9-13.

[19]SOFOU A，EVANGELOPOULOS G，MARAGOS P. Soil image segmentation and texture analysis：a computer vision approach[J].IEEE Geoscience & Remote Sensing Letters，2005，2（4）：394-398.

[20]FERNLUND J M R，ZIMMERMAN R W，KRAGIC D. Influence of volume/ mass on grain-size curves and conversion of image-anal-ysis size to sieve size[J]. Engineering Geology，2007，90（3/4）：124-137.

[21]KUMARA G，HAYANO K，OGIWARA K. Image analysis techniques on evaluation of particle size distribution of gravel[J]. In-ternational Journal of Geomate Geotechnique Construction Materials& Environment，2012，3（1）：290-297.

[22]BOGREKCI I，GODWIN R J. Development of an image-processing technique for soil tilth sensing[J]. Biosystems Engineering，2007 ，97（3）：323-331.

[23]CHIMI-CHIADJEU O，HEGARAT-MASCLE S L，VANNIER E，et al. Automatic clod detection and boundary estimation from digit-al elevation model images using different approaches[J]. Catena，2014，118：73-83.

[24]CHIMI-CHIADJEU 0，VANNIER E，DUSSEAUX R，et al. Influence of gradient estimation on clod identification on a seedbed dig-ital elevation model [J ]. Environmental & Engineering Geosci-ence，2012，17（4）：337-352.

[25]TACONET 0，VANNIER E，HEGARATMASCLES L. A contour-based approach for clods identification and characterization on asoil surface.[J]. Soil & Tillage Research，2010，109（2）：123-132.

[26]郭文川，周超超，韓文霆.基于Android手機(jī)的植物葉片面積快速無(wú)損測(cè)量系統(tǒng)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45（1）：275-280.

[27]OHTSU N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems Man & Cybernetics，2007，9（1）：62-66.

[28]RAFAEL C G，RICHARDE W，STEVEN L E.數(shù)字圖像處理的MATLAB實(shí)現(xiàn)[M].北京：清華大學(xué)出版社，2013.

[29]林大澤.爆堆塊度評(píng)價(jià)方法研究的進(jìn)展[J].中國(guó)安全科學(xué)學(xué)報(bào)，2003，13（9）：9-13.

[30]張繼春，鈕強(qiáng)，徐小荷.測(cè)定爆堆塊度組成的新方法一體視概率計(jì)算法[J].中國(guó)有色金屬學(xué)報(bào)，1995（4）：25-30.

[31]丁啟朔，潘根興，丁為民.稻田耕后土壤結(jié)構(gòu)的描述方法與指標(biāo)——以南京江浦農(nóng)場(chǎng)為例[J].土壤通報(bào)，2011，42（1）：1-6.