本发明涉及数据处理，具体涉及基于图像识别的土壤肥力智能评估方法及系统。
背景技术：
1、土壤肥力是指土壤能够持续提供并调节植物生长所需的空气、温度、养分以及无毒害物质的能力。土壤肥力受多种因素影响，如土壤质地、结构、水分状况、温度、生物状况、有机质含量和ph值。为了确保植物的健康生长，种植人员需要对土壤肥力状况进行监测和调节，使其达到适宜的水平。
2、目前，现有技术大多依赖数学算法或数学模型，对多种评价指标进行分析，以确定土壤肥力或土壤质量。这些方法通常通过采集土壤样本并进行实验分析，然后根据获取的数据计算土壤肥力。然而，这些方法存在一些局限性。首先，它们通常不涉及如何跟踪土壤肥力的长期变化，仅对某一时间点的土壤样本进行分析。如果采用多个时间点取样分析或拟合的方法，不仅费时费力，而且会增加成本。
3、另一种常见的解决方法是采用普通样本法，即在地块的某个部位采集土壤样本，并将其分析结果作为整个地块的土壤肥力代表。然而，这种方法通常只能反映局部区域的土壤状况，容易导致样本数据片面，影响土壤肥力评估的准确性。此外，一些技术还采用了神经网络算法和机器学习方法来预测土壤肥力，这些方法依赖大量的样本数据进行模型训练。然而，当样本数据不足时，模型的预测准确性往往较低。同时，对于一些地块间隔较远、取样困难的区域，现有方法的工作效率也显得较低。
技术实现思路
1、为了克服了现有技术在样本局限性、时间成本和数据依赖性方面的缺陷，本技术提供基于图像识别的土壤肥力智能评估方法及系统，使其在克服上述缺陷的同时还通过智能化手段提升了土壤肥力评估的效率和准确性，其具体方案如下：
2、本技术的第一个方面，提供了基于图像识别的土壤肥力智能评估方法及系统，所述方法包括：
3、确定待评估区域；
4、获得待评估区域的土地图像信息，其中，所述土地图像信息包括待测区域的多光谱图像、热成像图像以及rgb图像；
5、对所述土地图像信息进行图像预处理来去除各种干扰因素；
6、根据所述多光谱图像进行植被覆盖与健康评估：通过所述多光谱图像计算待评估区域的植被指数，根据该区域的植被指数推测获得待评估区域植被健康状况以及土壤有机质含量；
7、根据所述rgb图像对土壤特性进行推测：通过rgb图像提取土壤表面的纹理特征，分析土壤颗粒的排列、裂缝和孔隙结构，以推测土壤结构的稳定性和孔隙度；
8、根据热成像图像的温度分布，推测土壤表层的湿度变化，识别干旱区域和水分充足区域；
9、将rgb图像的高分辨率纹理特征、多光谱图像的光谱信息和热成像图像的温度分布的推测结果整合，生成综合分析结果；再根据综合分析结果对土壤类型进行分类和肥力等级评估。
10、进一步的，对所述土地图像信息进行图像预处理来去除各种干扰因素，包括：
11、噪声去除：使用高斯滤波或中值滤波去除图像中的噪声，确保提取的特征不受噪声干扰。
12、增强对比度：采用直方图均衡化或自适应直方图均衡化，提高图像的对比度，使纹理特征更加明显。
13、图像配准：对不同来源的图像进行空间对齐，以保证后续特征融合的准确性。
14、进一步的，其中根据所述多光谱图像进行植被覆盖与健康评估：通过所述多光谱图像计算待评估区域的植被指数，根据该区域的植被指数推测获得待评估区域植被健康状况以及土壤有机质含量，包括：
15、根据多光谱图像中的红光和近红外波段，计算每个像素点的 ndvi 值，生成 ndvi图像；
16、根据红光、近红外和蓝光波段，计算每个像素点的 evi 值，生成 evi 图像；
17、根据 ndvi ，评估土壤区域的植被覆盖情况；
18、根据evi 进一步区分高密度植被区域的健康状况，识别出植被生长是否受到水分或养分不足的影响；
19、根据ndvi 和evi的高低所评估的土壤区域的植被覆盖和健康状况，推测待评估区域植被健康状况以及土壤有机质含量。
20、进一步的，根据所述rgb图像对土壤特性进行推测：通过rgb图像提取土壤表面的纹理特征，分析土壤颗粒的排列、裂缝和孔隙结构，以推测土壤结构的稳定性和孔隙度，包括：
21、从rgb图像图像中提取基于灰度共生矩阵（glcm）的纹理特征；
22、使用lbp方法提取图像的局部纹理模式，将lbp特征以直方图形式表示；
23、使用小波变换对图像进行频率分解，提取不同尺度下的纹理特征；
24、通过glcm、lbp和小波变换的分析结果相结合分析，得到土壤结构推测结果。
25、进一步的，将rgb图像的高分辨率纹理特征、多光谱图像的光谱信息和热成像图像的温度分布的推测结果整合，生成综合分析结果，包括：
26、对rgb图像、多光谱图像和热成像图像的独立分析结果进行加权投票，每个结果依据其可信度或重要性分配不同的权重；
27、设定决策规则，将各独立分析结果按预定规则进行整合；
28、使用决策树或随机森林等集成学习方法，将不同来源的分析结果作为输入特征，生成一个综合分析结果。
29、进一步的，所述根据综合分析结果对土壤类型进行分类和肥力等级评估，包括：
30、使用已知肥力等级的土壤样本图像对模型进行标注，生成训练数据集；
31、使用机器学习或深度学习模型对综合分析结果进行分类或回归分析，以预测土壤肥力。
32、本技术的第二个方面，提供了基于图像识别的土壤肥力智能评估系统，所述系统包括：
33、基于图像识别的土壤肥力智能评估系统，所述系统包括：
34、图像采集模块：所述图像采集模块负责获取待评估区域的土地图像，包括rgb图像、多光谱图像和热成像图像，并将采集的图像数据将传输至图像预处理模块进行处理；
35、图像预处理模块：对采集到的图像进行预处理，包括去噪、校正、图像配准和分辨率调整，并将处理后的图像数据传输至特征提取与分析模块，作为特征分析的输入；
36、特征提取与分析模块：从不同类型的图像中提取关键特征并进行分析，并将其分析结果传输至多源信息融合模块；
37、rgb图像：提取纹理特征，分析土壤结构的稳定性和孔隙度；
38、多光谱图像：计算植被指数，评估植被覆盖和健康状况，推测土壤有机质含量和养分状况；
39、热成像图像：分析温度分布，推测土壤湿度，识别干旱和水分充足区域；
40、多源信息融合模块：对来自不同图像来源的特征数据进行融合，以形成综合的土壤特征描述；
41、具体为使用加权投票、规则集成或集成学习模型，将rgb图像、多光谱图像和热成像图像的独立分析结果结合起来，生成综合分析结果，并将其融合后的综合分析结果传输至土壤肥力评估模块；
42、土壤肥力评估模块：
43、基于融合后的综合分析结果，进行土壤类型分类和肥力等级评估。
44、具体为通过机器学习或深度学习：使用经过训练的模型对综合分析结果进行分类或回归分析，预测土壤肥力等级。
45、本技术中提供的一个或多个技术方案，至少具有如下技术效果或优点：
46、1、全局覆盖：通过对rgb图像、多光谱图像和热成像图像的分析，可以覆盖整个地块的土壤状况，不再局限于局部样本，大幅提高评估的全面性和准确性。
47、2、高效分析：利用图像处理和机器学习技术，可实时分析土壤的动态变化，降低时间成本，提高工作效率。
48、3、数据融合：系统通过多源信息融合技术，整合不同图像数据的特征，生成综合分析结果，避免了对单一数据源的依赖，确保评估结果的可靠性。
49、4、智能化预测：集成了智能算法，通过对历史数据和实时数据的综合分析，能够准确预测土壤肥力的发展趋势，并为农业生产提供精准的决策支持。
1.基于图像识别的土壤肥力智能评估方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于图像识别的土壤肥力智能评估方法，其特征在于，对所述土地图像信息进行图像预处理来去除各种干扰因素，所述方法还包括：
3.如权利要求1所述的基于图像识别的土壤肥力智能评估方法，其特征在于；根据所述多光谱图像进行植被覆盖与健康评估：通过所述多光谱图像计算待评估区域的植被指数，根据该区域的植被指数推测获得待评估区域植被健康状况以及土壤有机质含量，所述方法包括：
4.如权利要求1所述的基于图像识别的土壤肥力智能评估方法，其特征在于；根据所述rgb图像对土壤特性进行推测：通过rgb图像提取土壤表面的纹理特征，分析土壤颗粒的排列、裂缝和孔隙结构，以推测土壤结构的稳定性和孔隙度，所述方法包括：
5.如权利要求1所述的基于图像识别的土壤肥力智能评估方法，其特征在于，将rgb图像的高分辨率纹理特征、多光谱图像的光谱信息和热成像图像的温度分布的推测结果整合，生成综合分析结果，所述方法还包括：
6.如权利要求1所述的基于图像识别的土壤肥力智能评估方法，其特征在于；所述根据综合分析结果对土壤类型进行分类和肥力等级评估，所述方法包括：
7.基于图像识别的土壤肥力智能评估系统，所述系统用于执行权利要求1-6任一项所述的方法，其特征在于，所述系统包括：
