基于对抗域适应网络的土壤水分智能识别算法

【目的】使用传统卷积神经网络测量土壤含水率的识别准确率低、泛化性能差。为了满足重大工程扰动下的含水率测量需要，需提出一种适用于不同土壤类型且不受深度制约的探测方法。【方法】笔者搭建了室内实验平台，采集了延安、兰州和蓝田三个地区间隔等级为2%的8类不同土壤水分下的图像，构造了用于神经网络训练和测试的数据集。然后，基于对抗域适应算法（CDAN），比较了ResNet、MobileNetV2、Xception和ViT四种网络，选取识别准确率最高的模型作为其特征提取器，构建基于对抗域适应的土壤含水率识别模型，对比分析含水率识别模型在不同迁移任务上的识别效果。【结果】域适应模型CDAN的测试准确率明显高于MobileNetV2、Xception和ViT等模型，对不同地区土壤含水率的测试准确率均达到68%以上，最高识别准确率为84.3%。【结论】使用域适应方法具有良好的泛化能力和识别精度，能够为开发土壤地质信息探测机器人的视觉系统提供算法支持。然而，目前的土壤含水率识别算法仅适用于实验室条件下所搭建的土壤含水率数据集，若想实现实际的工程应用，则需要进一步完善土壤含水率图像数据集，使室内搭建的算法实现...