基于智能移動端的農業土壤顏色識別應用研究

高夢澤 費騰

摘要 有效測定農業土壤的顏色可以幫助獲取其屬性、發生過程、肥力等重要信息。而在傳統土壤學中，土壤顏色的主要識別手段為肉眼比照孟塞爾土壤色卡。該識別方法存在主觀性強、個體誤差大、不便操作等問題。針對該情況，提出了一種基于智能移動端的農業土壤顏色識別應用，并完成了系統案例設計與實現。該系統可通過移動端自帶的相機和閃光燈獲取數據并計算其RGB均值，依據RGB-HV/C轉換數據庫對數據進行識別測試和結果顯示。該應用具有易獲取易攜帶、識別誤差低、操作方便直觀等特點。

關鍵詞 農業土壤;土壤顏色識別;孟塞爾顏色體系;移動服務

中圖分類號 S126? 文獻標識碼 A

文章編號 0517-6611（2022）05-0215-05

doi：10.3969/j.issn.0517-6611.2022.05.054

開放科學（資源服務）標識碼（OSID）：

Application Research of Agricultural Soil Color Recognition Based on Intelligent Mobile Terminal

GAO Meng-ze，FEI Teng

（School of Resource and Environmental Sciences，Wuhan University，Wuhan，Hubei 430079）

Abstract Determining the color of agricultural soil effectively can help to obtain important information about its properties，development process and fertility.In soil science，Munsell Color System is mainly used to describe the color of soil，which needs to be compared with Munsell soil card to recognize.And this traditional method may lead to some problems such as strong subjectivity and large individual errors.In view of this，we proposed a portable soil color recognition system which was based on smartphones and android platforms.Containing RGB-HV/C conversion database，this system could obtain and recognize the soil data according to RGB average value.Experimental results showed that the system could get more accurate recognition results and make fewer mistakes.

Key words Agricultural soil;Soil color recognition;Munsell color system;Mobile service

基金項目 武漢大學研究生導師育人方式創新項目（20190024）。

作者簡介 高夢澤（1995—），男，內蒙古包頭人，碩士研究生，研究方向：地理信息系統移動服務技術、土壤監測、增強現實技術。*通信作者，副教授，博士，從事生態遙感和環境監測研究。

收稿日期 2021-06-01

顏色是土壤最重要的視覺特征，它可以很好地指示農業土壤的屬性、發生過程和肥力，是土壤診斷分類和質量評價的重要指標。同時，我國面積廣大，農業用地土壤復雜多樣。因此，如何準確地測定農業用地的土壤顏色是一項十分重要的研究。

隨著時間推移，農業土壤顏色測定時使用的顏色標準逐漸統一和完善。美國農業部（USDA）于1930年代采納孟塞爾顏色空間為泥土研究的官方顏色描述系統。我國中國科學院南京土壤研究所也在1990年出版了依據孟塞爾顏色空間作為土壤顏色辨別的中國標準土壤比色卡[1]。孟塞爾顏色體系主要包括色調（H）、明度（V）和彩度（C），即常說的HV/C顏色空間。傳統顏色鑒別作業中最主要的使用方法是基于孟塞爾比色卡[2]目測比色法。該傳統方法由于操作員的個體差異，較為容易產生因主觀因素、天氣因素、光線因素和濕度因素的誤判現象。因此，為提升農業土壤顏色測量精度的方向，研究人員進行了眾多探索，如諸莉燕等[3]提出了一種通過對土壤照片進行圖像處理獲得土壤孟塞爾顏色的測定方式，有效縮小了辨別誤差;陳劍科等[4]基于測色儀提出了一種在明度和彩度上誤差較低的土壤孟塞爾顏色測定方式。

在計算機圖像對農業土壤顏色貢獻的方面，孟塞爾體系的HV/C體系與計算機顏色體系之間的轉換也一直是一項重要的課題。岳智慧等[5]對基于分光色度儀的CIELAB值與孟塞爾顏色系統提出了一套二者的轉換方法，為快速和定量獲取土壤顏色提供了一項重要方法。龔睿琪等[6]基于計算機系統的RGB色度空間建立了其與HV/C顏色空間的轉換數學模型，雖有一定誤差，但仍有一定的參考價值。李怡春等[7]基于PLSR（最小二乘回歸），預測土壤孟塞爾顏色建模效果，并與色系轉換法進行比較，提供了一條土壤顏色獲取的新途徑。 Stiglitz等[8]基于顏色傳感器設備NixTMPro，提出一套基于廉價設備的土壤顏色測定方法，并利用實驗數據證明其在非潮濕環境下具有一定的使用價值。Mancini等[9]則基于NixTM Pro sensor，使用機器學習進行建模和土壤顏色預測，其中RF 模型的整體預測精度表現較為良好，有一定借鑒意義。以上方法均從不同的角度嘗試通過優化算法和儀器獲取高精度的孟塞爾土壤顏色獲取方法，雖然相較傳統肉眼識別有效地縮小了誤差，但仍沒能很好解決農業土壤測定流程中需要特定儀器采集數據、數據獲取和分析分離且操作手段煩瑣等問題。

隨著21世紀20年代以來智能移動設備的高速發展，搭載高像素、高精度攝像頭的智能移動端已經成為當今我國最為普及的便攜式移動設備。因此，智能移動端的攝像頭已經成為當前最易獲得圖像樣本的工具;而移動端自帶的閃光燈在校正后可作為穩定環境光源，即在一定程度上可以取代傳統土壤顏色識別作業時的嚴格光照要求。因此利用移動端操作系統的開放性可進行圖像處理及用戶交互，使農業土壤顏色識別應用的硬軟件集成在Android手機上成為可能。鑒于此，筆者提出了一種基于便攜移動設備的農業土壤顏色識別應用，在保證系統易用性、簡化操作流程等前提下兼顧孟塞爾顏色識別精度，并通過數據比照試驗證明了該方法在有效提升便捷度和易用性的情況下保證了農業土壤顏色識別的精度。

1 應用系統設計方案

該應用的主體模塊結構如圖1所示，包含4個主要方面，即數據輸入模塊、顏色提取模塊、顏色識別模塊以及結果輸出模塊。

該研究以Android系統為例，使用Android Studio完成了基于便攜移動設備的農業土壤顏色識別應用設計，實現了土壤樣本數據收集、篩選、檢測和識別等模塊的結合。

1.1 數據輸入模塊

數據輸入模塊包含2個子模塊，分別為攝像頭控制模塊和光線濕度評估模塊。為了改善傳統顏色識別作業時需使用特定光照設備進行嚴格光照的問題，該應用系統使用移動端自帶的閃光燈作為光照設備。為減少獲取數據質量的方差，通過預設照相機的焦距，統一規定照相機拍攝土壤樣本所使用的物鏡距離為20 cm。進入數據輸入模塊后，系統閃光燈默認為關閉狀態，并會在采集數據時變為開啟狀態，準備進行數據采集。

由于過大的濕度會顯著改變待測土壤的顏色，在數據采集前，系統會從手機后臺提取天氣中的濕度信息，如果當前預報的濕度超過正常檢測環境的范圍，會對用戶進行提示，保證大氣濕度適合采集。

此外，數據輸入模塊支持直接上傳本地土壤數據，用于對已經采集好的土壤樣本數據進行顏色識別。

1.2 顏色較準模塊 顏色較準模塊包含2個子模塊，分別為明度值較準和干擾色點排除。

由于光線環境對于數據的明度值（V）有關鍵性影響，所以減少提取結果誤差的重要前提之一是保證明度值提取準確。在初次采集數據前自動進入明度值校準模塊。在20 cm處自動識別和采集預先定義好的白卡、黑卡和灰卡。系統會提取相機采集的白、灰、黑3張色卡的RGB值，并通過RGB明度計算公式獲取其明度值，計算公式如下：

L=2.3（R255）2.2+（1.5G255）2.2+（0.6B255）2.21+1.52.2+0.62.2 （1）

根據3張色卡的明度值與理想環境下白、灰、黑3張色卡的明度值相比較，確認當前由于光線環境造成的明度誤差值。試驗結果表明，明度值V的誤差值主要分布在1～3，且樣本數據越接近純黑色明度誤差越低。

第2個子模塊為干擾色點排除。因拍照獲取的土壤樣本圖片中難免有雜質及陰影遮蓋的部分，所以需要對圖片樣本干擾色點進行排除。具體的方法為枚舉并遍歷提取樣本數據所有像素的RGB值并取平均，然后將與該平均RGB值差異大的像素點排除。篩除RGB值平均方差公式如下：

C= （-R）2+（-G）2+（-B）2（2）

式中，、、值分別為樣本數據的RGB平均值，C值取20以內作為誤差是否在范圍內的依據，小于該值則認為該像素點會被保留。

通過上述2個模塊，得到光線環境干擾和干擾色點排除后的土壤數據的平均R、G、B值，即土壤樣本數據的綜合RGB值。

1.3 顏色識別模塊 顏色識別模塊的主要原理為在獲得了土壤樣本數據的RGB值后[10]，通過已建立的顏色轉換數據庫，將RGB值轉換為對應的HV/C值。

該應用系統的顏色轉換數據庫建立是通過遍歷所有HV/C顏色確認其對應的RGB值實現的。在保證和“1.1”數據收集模塊中相同的光線、濕度、拍攝距離的條件下，對孟塞爾標準比色卡進行樣本收集。圖2展示了部分標準比色卡的照片數據。

由于照相機的感光元件存在熱穩定性差異，即使在上文提到的閃光燈補足的良好光線環境下對整塊顏色進行數據采集，仍有可能出現少部分圖像噪點。因此需要對上述獲得的數據用相同的方法逐個進行噪點去除，然后計算得對應平均RGB值。圖3展示了7.5R 3-6色塊使用上述方法轉換后所得到的RGB值。

通過上述方法將對《孟塞爾土壤標準比色卡》中的13張孟塞爾土壤比色卡共440種顏色共多少張，多少種顏色，分別采集，建立1個查詢表（look-up-table）工作可以完整的獲取，從而獲取所有標準孟塞爾顏色在電子設備上對應的RGB值。部分RGB-HV/C轉換關系如表1所示。

由于比色卡枚舉的是離散的顏色色塊，查詢表不可能包含所有可能的土壤顏色，且存在多個RGB值對應同一個HV/C的情況，因此采集的土壤樣本顏色未必都在查詢表中。

因而顏色識別模塊需要對所獲取的RGB顏色進行最臨近顏色的查找。最臨近RGB值的計算公式如下：

M=minki=1（（R-R i）2+（G-G i）2+（B-B i）2（3）

式中，k為數據庫全部顏色數據的數量，在該研究中為色卡中顏色數k為440。使用上述方法獲得與數據庫中樣本最接近的RGB值后，系統將輸出該接近值在數據庫中對應的HV/C值，作為此RGB值對應的HV/C值。

1.4 數據輸出模塊

該應用系統數據輸出模塊用于向用戶展示提取的顏色并呈現在系統界面中。在獲取到顏色識別結果后，系統會將轉換得到的色調值（H）、明度值（V）和彩度值（C）的具體數值以及其對應的顏色色塊依次輸出在顯示屏上。

圖4a展示了從移動設備本地獲取土壤樣本數據并進行識別后的結果，即取平均RGB值后得到的標準結果;圖4b為使用了數據輸入模塊的照相機進行拍照并識別后的結果。

2 材料與方法

2.1 供試材料及處理

該試驗材料為湖北省境內的紅壤和水稻土等土樣[11]，共采樣10個土壤剖面，且根據土壤剖面的上下層次，每個剖面根據土壤層次變化取3～6個土樣，合計取得53個樣本土壤。統一對樣本土樣進行風干、過篩等操作，進一步減少由于樣本水分含量不同、含有部分雜質而造成的誤差[12-13]。部分經處理后的土壤樣品示例如圖5所示。

該試驗所使用的便攜移動設備為攜帶不同型號鏡頭的多臺智能手機，鏡頭的參數如表2所示。

2.2 土壤標準顏色與試驗顏色測定 第1部分數據為目測法數據。該試驗的試驗者均無視覺疾病和障礙，并具備判別土壤顏色的基本能力。在天氣晴朗時的標準自然光下，利用《中國標準土壤色卡》進行比色工作[14]。陳劍科等[4]認為，目測比色法的時段應控制在日出3 h后至日落3 h間，并將該

時段的光線條件視作標準自然光，該研究延續了這一做法。

值得注意的是，目測時周圍環境無大面積彩色場景且確定土壤范圍的卡框顏色應與土壤樣本基本保持一致，防止對實驗者顏色辨認產生干擾。為盡可能避免和減少目測法獲得數據的誤差，該試驗的同一樣本由3位不同的實驗者進行判別，當結果的色調值（H）相同、明度（V）和色度值（C）差別樣本極差在3以內時，認為個體判別差異在誤差閾值內，取平均值得到該樣本的最終HV/C值，作為該樣本的實測值。若超過閾值則此樣本數據待定并重新以上述方法進行測定。

第2部分為使用該研究提出的應用系統進行顏色采集和識別。保證在與第1部分光線、濕度完全相同的試驗環境下，對相同樣本進行顏色識別。保持物與鏡距離始終為20 cm，依次執行顏色輸入、顏色較準和顏色識別單元，對同一個樣本進行3次采集和識別，當結果色調值（H）、明度（V）和色度值（C）差別在誤差閾值3以內時認為該次采集有效，取平均值作為該土壤樣本的HV/C數據（表3）。

3 測試與討論

3.1 色調、明度和彩度提取結果評估 將目測法得到的實測數據與該應用系統識別所獲得數據按照色調、明度和彩度3類分類，分別制作混淆矩陣，結果如圖6、7、8所示。

由圖6可知，色調值H的整體識別結果集中在矩陣的對角線以及附近的兩側，說明該系統對于色調值H的識別誤差不大。對于每個色調值具體的準確率，該系統對7.5R、5.0YR、2.5YR、5.0Y、2.5Y和5.0GY色調的識別準確率在70%以上，較為優秀;對10YR、7.5YR色調的識別結果準確率則較為一般。計算可得該系統對色調值的平均總準確率為72%，總體來說該系統對色調值的識別有一定參考價值，但仍有一定優化空間。

由圖7可知，明度值V的整體識別結果高度集中在矩陣的對角線上，說明該應用系統對于明度值V的識別準確率較為理想。識別有誤差的數據分布在與矩陣對角線相鄰的位置，說明該系統對明度值V的識別誤差值較小。該系統對所有明度值的識別準確率均在70%以上，結果優良;對明度值2.5、3.0和6.0的樣本準確率則在80%以上，較為優秀。計算可得該系統對明度值V的平均總準確率為79%，總體來說該系統對明度值的識別準確率較為理想。

由圖8可知，彩度值C的整體識別結果總體集中在矩陣的對角線上，說明該系統對于彩度值C的識別準確率較為理想。該系統對所有明度值的識別準確率均在70%以上，結果優良;對彩度值1、2、3和6的樣本準確率可達80%，較為優秀。計算可得本系統對彩度值C的平均總準確率為81%，總體來說該系統對彩度值的識別準確率較為理想。

3.2 數據收集硬件屬性影響評估 將該系統識別所獲得數據按照表2的4種相機型號進行分類，并與目測法得到的實測數據進行比照，計算結果如圖9所示。

根據圖9并結合表2可知，雙攝像頭相較單攝像頭可以降低預測結果值的離散程度，但整體區別并不明顯;在1 000萬量級的像素下，像素對于土壤顏色提取沒有明顯影響。此外，由于目前移動設備的攝像頭像素值均可達到1 000萬量級，該研究不再探究百萬和千萬級像素的攝像頭對提取結果的影響。

4 結語

針對我國農業土壤面積廣大、農業用地土壤復雜多樣的特點，以及土壤顏色識別主觀性強、個體誤差大、作業儀器不易獲取等問題，該研究基于孟塞爾顏色體系以及便攜移動設備提出了一種農業土壤顏色識別應用系統。以Android系統作為實驗平臺，在提升孟塞爾顏色識別精度的前提下兼顧易用性、操作流程等方面。該應用有效降低了土壤顏色獲取的操作門檻，提升了作業效率。

該研究通過數據比照試驗證明了該方法在有效提升便捷度和易用性的情況下可以保證農業土壤顏色識別的基本精度。經測算，該系統識別色調值（H）的總體精度為72%、明度值（V）的總體精度為79%、彩度值（C）總體精度為81%，總體識別精度優秀，在農業土壤顏色識別作業中具有一定實際應用價值。

此外，該研究也通過對照試驗探究了數據收集裝置硬件參數不同時對實際識別結果所產生的影響。結果表明，在1 000萬量級的像素下，像素對于土壤顏色提取沒有明顯影響。鏡頭數量方面，雙攝設備的識別效果略優于單攝設備。燈光條件方面，該研究提出了使用移動設備自帶的LED閃光燈作為光照條件的方案，并通過試驗驗證其可行性以及具體的操作方法。

目前，該應用已經開發并實現了文中描述的基本功能，但仍有需要進一步完善的方面。在之后的研究中將針對不同機型的攝像頭對顏色轉換數據庫進行RGB值誤差矯正工作，繼續優化識別算法以獲得更精確的色調值，進一步探究獲取土壤樣本數據時便攜移動設備的最佳環境條件。

參考文獻

[1]中國科學院南京土壤研究所，中國科學院西安光學精密機械研究所.中國標準土壤色卡[M].南京：南京出版社，1989.

[2] 龔子同.中國標準土壤色卡[M].烏魯木齊：新疆人民出版社，1990.

[3] 諸莉燕，畢利東，柳開樓.基于圖像處理的土壤顏色判別方法研究[J].廣東農業科學，2018，45（12）：125-130.

[4] 陳劍科，袁大剛，晏昭敏，等.測色儀與中國標準土壤色卡測定土壤顏色比較：以川中丘陵區為例[J].土壤學報，2019，56（1）：78-89.

[5] 岳智慧，黃強，肖理，等.土壤顏色由CIE向Munsell系統的定量轉換[J].光譜學與光譜分析，2019，39（9）：2842-2846.

[6] 龔睿琪，盛建平.從孟塞爾顏色空間到RGB的轉換[J].工業控制計算機，2019，32（1）：85-86.

[7] 李怡春，潘愷，王昌昆，等.基于PLSR的土壤顏色預測方法及其與色系轉換法的對比研究[J].土壤學報，2018，55（6）：1411-1421.

[8] STIGLITZ R，MIKHAILOVA E，POST C，et al.Evaluation? of an inexpensive? sensor? to? measure? soil? color[J].Computers & electronics in agriculture，2016，121：141-148.

[9] MANCINI M，WEINDORF D C，MONTEIRO M E C.From sensor data to Munsell color system：Machine learning algorithm applied to tropical soil color classification via NixTM Pro sensor[J].Geoderma，2020，375：1-11.

[10] 楊轉.基于HSI顏色模型的雜草與土壤背景分割方法研究[J].河北農業大學學報，2011，34（4）：124-127.

[11] LIU F，ROSSITER D G，ZHANG G L，et al.A soil colour map of China[J].Geoderma，2020，379（8）：1-10.

[12] CALZOLARI C，UNGARO F，VACCA A.Effectiveness of a soil mapping geomatic approach to predict the spatial distribution of soil types and their properties[J].CATENA，2021，196：1-13.

[13] 黃昌杰，張金川，丁文龍，等.基于孟塞爾系統巖石顏色定量分析研究[J].科學技術與工程，2016，16（25）：254-260.

[14] 余建軍，陳沅，白曉梅，等.《中國標準土壤色卡》 中芒塞爾顏色系統的建立[J].土壤學報，1979（4）：212-214.