本发明涉及土壤深松耕作，具体而言，涉及一种基于人工智能系统的土壤深松耕作方法。
背景技术：
1、农业是人类文明的基础，而耕作技术的发展直接关系到生态环境的可持续性。传统的耕作方式是提高土壤通气性和渗透性、改善土壤质地和肥力的重要措施之一。然而，传统的土壤深松耕作方式依赖于劳动经验，难以精准控制耕作深度和频率，容易导致土壤结构破坏、水土流失和肥力下降，存在一定的局限性。
技术实现思路
1、为解决上述问题，本发明的目的在于提供一种基于人工智能系统的土壤深松耕作方法。
2、一种基于人工智能系统的土壤深松耕作方法，包括：
3、步骤1：从不同类型的耕地中挖取土壤样品，并获取土壤样品的可见光图像；
4、步骤2：计算可见光图像的亮度分量，并基于所述亮度分量完成可见光图像的细节增强得到细节增强后的可见光图像；
5、步骤3：使用卷积层和池化层提取出可见光图像的整体特征和局部特征；
6、步骤4：将整体特征和局部特征进行拼接得到全局特征，并将全局特征输入到深度学习网络中进行训练得到耕地土壤类型预测模型；
7、步骤5：使用所述耕地土壤类型预测模型确定目标耕地中的土壤类型；
8、步骤6：根据目标耕地中的土壤类型确定土壤深松耕作方式。
9、优选的，所述步骤2：计算可见光图像的亮度分量，并基于所述亮度分量完成可见光图像的细节增强得到细节增强后的可见光图像，包括：
10、步骤2.1：基于可见光图像的红绿蓝三颜色通道值确定可见光图像的亮度分量；亮度分量计算公式为：
11、y＝0.299r+0.587g+0.114b
12、其中，y表示亮度分量，r表示红颜色通道值，g表示绿颜色通道值，b表示蓝颜色通道值；
13、步骤2.2：对所述亮度分量进行对数变换得到亮度对数输出；
14、步骤2.3：基于所述亮度对数输出对可见光图像进行平滑处理得到平滑增强后的图像；
15、步骤2.4：引入对比度参数对平滑增强后的图像进行全局细节增强得到细节增强后的可见光图像。
16、优选的，所述步骤2.2：对所述亮度分量进行对数变换得到亮度对数输出，包括：
17、采用公式：
18、
19、对所述亮度分量进行对数变换得到亮度对数输出；其中，l(x,y)表示第(x,y)点处的亮度分量，m为图像的像素范围最大值，lg(x,y)表示第(x,y)点处的亮度对数输出。
20、优选的，所述步骤2.3：基于所述亮度对数输出对可见光图像进行平滑处理得到平滑增强后的图像，包括：
21、基于导向滤波器构建图像平滑增强公式，并利用所述图像平滑增强公式对可见光图像进行平滑处理得到平滑增强后的图像；其中，所述图像平滑增强公式为：
22、
23、其中，ly(x,y)表示平滑增强后的图像，hg(x,y)表示导向滤波器，(ξx,ξy)表示领域像素坐标，ω(x,y)表示以像素点(x,y)为中心的边长为r的正方形区域，|ω|表示ω(x,y)内的像素数量，a(ξx,ξy)表示第一调节系数
24、b(ξx,ξy)＝μ(ξx,ξy)-a(ξx,ξy)μ(ξx,ξy)，μ2(ξx,ξy)表示
25、在ω(x,y)内亮度对数输出平方的均值，μ(ξx,ξy)表示ω(x,y)内亮度对数输出的均值，σ2(ξx,ξy)表示ω(x,y)内亮度对数输出的方差，ε表示常数系数。
26、优选的，在所述步骤2.4中，采用公式：
27、
28、对平滑增强后的图像进行全局细节增强得到细节增强后的可见光图像；其中，α(x,y)表示对比度参数，η表示图像增强控制的参数，lgmax表示亮度对数输出的最大值，λ表示经验参数，表示全局对数变换的均值，δ表示为常数，n表示图像的总像素数。
29、优选的，在所述步骤3中，将可见光图像依次输入到卷积层和池化层中得到整体特征；其中，整体特征提取公式为：
30、ci＝f(ω·h+b)
31、
32、式中，f为激活函数，ω为卷积核，h为卷积核尺寸，b为偏值，ci为卷积层第i个提取的特征向量，表示3个不同卷积核提取的特征在经过最大池化层后的值，c表示提取出的整体特征。
33、优选的，在所述步骤3中，局部特征计算公式为：
34、
35、其中，f表示可见光图像，f1表示第一特征图，f2表示第二特征图，f3表示第三特征图，f4表示第四特征图，f″表示局部特征，conv1、conv3、conv4和conv6表示1×1×1的卷积，conv2和conv5表示3×3×3的卷积，cat表示拼接操作，maxpoo表示最大池化。
36、优选的，在步骤4中，使用损失函数对深度学习网络进行优化训练得到耕地土壤类型预测模型；其中，损失函数为：
37、
38、其中，表示土壤类型的真实类别，m表示土壤类型总类别的数量，λ表示正则化参数，yk表示深度学习网络输出的预测结果，θ表示网络参数。
39、本发明还提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现上述的一种基于人工智能系统的土壤深松耕作方法中的步骤。
40、本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述的一种基于人工智能系统的土壤深松耕作方法中的步骤。
41、本发明提供的一种基于人工智能系统的土壤深松耕作方法的有益效果在于：与现有技术相比，本发明通过利用土壤样品的可见光图像对深度学习网络进行训练，可以更准确地确定目标耕地中的土壤类型，从而根据土壤类型确定适合的深松耕作方式，有助于改善土壤结构，增加土壤通气性和保水性，促进农作物生长。
42、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
1.一种基于人工智能系统的土壤深松耕作方法，其特征在于，包括：
2.根据权利要求1所述的一种基于人工智能系统的土壤深松耕作方法，其特征在于，所述步骤2：计算可见光图像的亮度分量，并基于所述亮度分量完成可见光图像的细节增强得到细节增强后的可见光图像，包括：
3.根据权利要求2所述的一种基于人工智能系统的土壤深松耕作方法，其特征在于，所述步骤2.2：对所述亮度分量进行对数变换得到亮度对数输出，包括：
4.根据权利要求3所述的一种基于人工智能系统的土壤深松耕作方法，其特征在于，所述步骤2.3：基于所述亮度对数输出对可见光图像进行平滑处理得到平滑增强后的图像，包括：
5.根据权利要求4所述的一种基于人工智能系统的土壤深松耕作方法，其特征在于，在所述步骤2.4中，采用公式：
6.根据权利要求5所述的一种基于人工智能系统的土壤深松耕作方法，其特征在于，在所述步骤3中，将可见光图像依次输入到卷积层和池化层中得到整体特征；其中，整体特征提取公式为：
7.根据权利要求6所述的一种基于人工智能系统的土壤深松耕作方法，其特征在于，在所述步骤3中，局部特征计算公式为：
8.根据权利要求7所述的一种基于人工智能系统的土壤深松耕作方法，其特征在于，在步骤4中，使用损失函数对深度学习网络进行优化训练得到耕地土壤类型预测模型；其中，损失函数为：
9.一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1-8中任一项所述的一种基于人工智能系统的土壤深松耕作方法中的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的一种基于人工智能系统的土壤深松耕作方法中的步骤。
