机载非接触式近红外土壤墒情检测系统研制

朱文静，冯展康，吴抒航，梅红镇，崔冰波，魏新华※，骆骏良

（1.江苏大学农业工程学院，镇江 212013；2.江苏大学现代农业装备与技术教育部重点实验室，镇江 212013； 3.镇江市京口精以机电研发中心，镇江 212013）

0 引 言

智慧灌溉是未来农业的发展方向，而智慧灌溉必须依托土壤墒情的智能感知、用水智能决策与智能控制。土壤含水量是影响土壤质量的重要指标，在农业生产和田间管理过程中发挥着重要作用，对农田墒情的评判也至关重要。目前土壤含水量的测量方法有烘干法、中子法、土壤电阻率法、时域法、频域法和遥感法等。在土壤水分实时检测领域最常用的传感器是探针式水分传感器，即在土壤中插入或者深埋检测装置和电极探针，此类接触式的传感器通常还包括地上部分用于供电和信号传导，成本较高，如果大田密集布点不仅成本增加且破坏耕层土壤，矗立在田对后期农机的作业也不利。

土壤含水量影响波段反射光谱，其中最敏感的波段为近红外波段，又因近红外光谱法（Near Infrared Spectrum，NIRS）具有测量速度快、自动化程度高、无需对土壤样本进行预处理等优点，在土壤水分测量方面的潜力已得到国内外学者的广泛认可。微小型近红外传感器在水分检测方面的应用也成为研究的热点。Kano等设计了一种小型轻便的近红外光谱仪器，可在野外进行水分测量，但测量结果易受土壤类型和土壤质地的影响；杨柳等基于近红外反射原理设计了一款小型土壤含水率测量仪，预测效果良好，但集成度不够无法实现自动测量；张东兴等基于高分辨率光谱仪采集不同水分梯度的土壤光谱数据，设计出了一种应用于实验室的可见光-近红外式土壤水分传感器。以上学者的研究对近红外光传感器的推广和应用具有重要意义，但目前大多数的近红外光谱仪器制造成本较高、局限于实验室且缺少与现有农机设备相结合的产品，无法真正服务于智能农机或无人农机。

本研究从实现土壤墒情快速检测的实际需求出发，设计一种机载近红外土壤墒情检测系统，通过悬挂搭载于自走式全自动移栽机等农机装备，实现在行进过程中对田间土壤水分含量的自动检测并生成土壤含水量分布图，为变量灌溉与装备的发展提供参考。

1 机载自动检测装置整体设计

机载自动检测装置包括近红外土壤水分传感器和升降检测机构两部分。土壤水分传感器用于检测土壤含水量信息，升降检测机构用于保护土壤水分传感器并控制其到达土壤表面进行检测。

1.1 传感器

本研究选用光谱范围1 750～2 150 nm的基于法布里-珀罗干涉的微型近红外传感器（NIRONE2.5，芬兰）。该传感器（图1）体积小巧、便于与农机集成和进行二次开发。传感器的外型尺寸为25 mm×25 mm×17.5 mm，重约15 g，波长分辨率为15～25 nm，波长温度响应最大为0.1 nm/℃，信噪比＞10 000，拥有USB与蓝牙2.0两种通讯方式，主要由探测器、动作器和微能源组成。

图1 传感器示意图 Fig.1 Schematic diagram of sensor

对传感器进行模块化封装，封装结构切面如图2，传感器封装后的外型尺寸为50 mm×50 mm×30 mm，重约300 g。在传感器外壳上方设有外接圆直径为35 mm的正方形开口，用于放置高透光玻璃镜片，该镜片既可防止传感器内部通光孔直接接触土壤，又可让土壤的反射光透过镜片进入到传感器内部。传感器侧面设有键槽开口用于连接USB插头，键槽开口内部有5°倾角的方形空腔贯通，主要作用是：当照射到玻璃盖板上的入射光线和干涉仪的共振频率相同时，卤素灯光会在探孔下方玻璃镜片上产生反射，镜片反射光在一定程度上会影响光谱数据的结果。倾角可最大限度地探测到土壤漫反射回来的光线，提高光谱探测信号质量。封装不仅可延长传感器使用寿命，更便于与农机部件集成。

图2 传感器封装结构切面图 Fig.2 Sectional view of sensor packaging structure

当传感器在最佳检测距离（0～30 mm）内，卤素灯短暂亮起，光线经土壤表面漫反射后透过玻璃盖板进入到传感器外壳内腔，穿过传感器的通光孔进入到传感器内部，传感器内部涂有高反射率涂层，光线在涂层间多次来回反射，形成多束平行的反射光和透射光，传感器检测到光强信号后，A/D模块将光强信号处理成相应的电信号，最后经数据线传输至工控机终端软件进行处理，得到各波段光谱点数据并生成光谱曲线，光谱曲线与土壤含水量实测值进行化学计量学建模，在模型与原芯片软件二次开发和集成调用基础上，对未知土壤样本的水分进行检测。

1.2 升降检测机构

升降检测机构结构和实物图如图3所示。

图3 升降检测机构示意图 Fig.3 Schematic diagram of lifting detection mechanism

整体采用悬挂式设计，可方便固定于移栽机上，亦便于与其他农机集成，传感器开始工作时，将其送至土壤表面测量表层土壤水分，测量结束后升起，将其送至安全位置。升降检测机构整体外形尺寸为270 mm×200 mm× 480 mm，重约5 kg。升降控制采用适合垂直高速往返传动的丝杠模组，该模组能对前方高低落差做出快速反应，精确控制土壤水分传感器与土壤的距离。丝杠模组长约300 mm，量程由上下限位开关控制，通过调节限位开关，调节量程，安装高度约260 mm，最大量程为260 mm。

工作时，首先进行近红外土壤水分传感器的自动参比校准，由开环步进电机7带动旋转平台8将参比板9在水平面内逆时针旋转90°，近红外土壤水分传感器10下行至参比板9上方进行标定，标定结束旋转平台8复位至初始位置，由超声波传感器6对行进方向土壤高度进行扫描测距，根据测距值大小，闭环步进电机1驱动丝杆升降模组3携带土壤水分传感器10下行至土壤表面进行吸光度扫描，扫描结束后吹气电磁阀5吹除传感器镜面灰尘，丝杆升降模组3回升到上限位开关2位置结束工作，等下一次指令。升降检测机构的工作流程如图4所示。

图4 升降检测机构工作流程图 Fig.4 Work flow chart of lifting detection mechanism

2 控制系统和定位系统

2.1 电气控制箱

考虑到控制模块移动的便携性和安全性，将工控机、控制线路、PLC等元器件安装在一个电气箱中，如图5所示。

图5 电气箱组成结构图 Fig.5 Composition structure diagram of electrical box

本系统选用PLC作为控制部件，并添加模拟量模块5将距离信号转化为电压信号，选用搭载触摸显示屏的工控机10作为人机交互的载体。电源动力由36V-20A.H锂电池7提供，PLC控制系统工作电压36 V，工作电流为直流电，电机驱动器3控制步进电机为升降检测机构提供动力，两者都由锂电池7直接供电。工控机10工作电压240 V，工作电流为交流电，工作时逆变器9先将直流电转化为交流电，再由变压器2将36 V电压转化为240 V工作电压。电气箱底部设有接口箱子顶部设有按钮开关和信号灯。

PLC控制系统选用Xinje-XD系列，具有较强的逻辑处理和数据运算能力，并具有A/D、D/A转换功能，可添加模拟量模块，满足装置的控制需求。通过PLC编程实现以下功能：

1）将检测的距离信号转化为电压信号，并控制升降检测机构运行和自动参比校准。

2）自动控制启用土壤水分传感器，并上传土壤水分检测值至工控机内光谱采集软件。

3）控制吹气电磁阀对土壤水分传感器镜面进行气吹，吹除传感器镜面灰尘。

控制系统由若干个控制回路构成，整个电气控制箱仅有一个按钮，只需一键操作就可以控制整个装置依次完成标定、检测过程。

2.2 定位系统

为准确获取土壤含水量采样点的经纬度信息，本系统加装北斗双天线实时差分（Real Time Kinematic，RTK）定位系统（图6）。定位天线1直径150 mm，高63.7 mm，两天线相距1.8 m，磁吸于移栽机顶部。接收器2外形尺寸140 mm×120 mm×70 mm，安装于移栽机机架上，工作电压12 V，由12 V-20 A.H锂电池3直接供电。

图6 北斗RTK系统安装示意图 Fig.6 Installation diagram of Beidou Real Time Kinematic (RTK) system

受限于定位天线的安装以及移栽机的机械结构，主定位天线与自动检测装置的安装位置不重合，需对其进行杆臂校正，最后通过测量自动检测装置在相对坐标系中的坐标值，写入定位系统中，并集成开发嵌入式软件于工控机中，实现土壤墒情在线检测装置的精准定位。

在农田检测作业时，田块往往不是理想的平整田块，存在一定的起伏变化，为保证检测结果的有效性，保障土壤水分传感器的安全，选用LGUB1000超声波测距传感器完成检测过程中的测距。该传感器有效检测距离为3～50 mm，安装使用方便，制造成本低，可检测行进方向的土壤起伏变化。检测过程中，超声波测距传感器将测得的距离信号传递给模拟量模块，模拟量模块将距离信号转化为电压信号后传递给PLC进行处理，闭环步进电机再根据PLC反馈信号的变化，实时调整土壤水分传感器的高度。

3 表层土壤水分模型构建

3.1 土壤样本

本研究选取国内常见的黄褐土（江苏镇江）、黑土（云南文山）、红土（辽宁朝阳）、砂土（陕西安康）作为建模数据。每种土壤分别采集土样250份，共计1 000份样本。过40目筛（孔径0.425 mm）后去除土壤中植物根系等杂质，将样本依次装入有编号的矩形盛样皿中用于后续土样光谱数据的采集。

3.2 光谱数据采集与预处理

将土壤水分传感器放置在土壤样品表面，首先进行“暗电流扫描”，后用参比板进行参比校正，最后将土壤水分传感器放到土壤样品表面进行吸光度扫描，获取1 750～2 150 nm波段范围近红外光谱点数据。

光谱数据采集完成后，导出检测软件中各土壤样本光谱数据，得到各类土壤的原始光谱曲线，以黑土为例（图7a）。为减少原始光谱曲线中噪声干扰引起的光谱误差，采用标准正态变量变换（Standard Normal Variable，SNV）和多元散射校正（Multivariate Scattering Correction，MSC）对原始光谱进行预处理，采用五点滑动平均滤波（Moving Average Filtering，MAF）和五点卷积平滑（Savitzky-Golay，SG）对原始光谱曲线进行平滑处理，经过SNV+五点SG平滑预和100倍放大处理后，得到预处理后的光谱曲线（图7b）。预处理后的光谱曲线平滑过渡更好，吸收峰更加明显，波峰在1 940 nm波段左右，与已有学者的结论一致，传感器性能可靠，可为预测模型精度提供保障。

图7 云南黑土土壤样本光谱曲线 Fig.7 Spectral curve of black soil sample in Yunnan

3.3 土壤光谱数据的获取

测定土样的光谱数据后，使用烘干法（NYT52-1987）获得土样实际含水率，依次将土样放入干净烧杯中，标号、称量后放入105 ℃烘烤箱中，恒温烘烤12 h去除水分。

烘烤结束后冷却称量，根据公式（1）计算出各土壤样品的实际含水率。

式中为干净空烧杯的质量，g；为烘干前烧杯及土样质量，g；为烘干后烧杯及土样质量，g。

3.4 预测模型的建立与验证

将土壤实际含水量与预处理后的近红外光谱数据作为建模参量，采用偏最小二乘法（Partial Least Squares Regression, PLSR）进行模型构建。采用SPXY（Set Partitioning based on joint X-Y distance）采样法对土壤样本进行划分，每种土壤250个样本的70%作为校正集，30%作为预测集。确定数据的主成分数后，依据聚类分析结果，剔除一些明显偏离曲线位置的数据样本，以提高校正集样本的质量，降低对后续数据处理的不利影响，提高模型的准确性。依据模型的决定系数（Coefficient of Determination，）、均方根误差（Root Mean Squared Error，RMSE）判别模型质量，越大，RMSE越小，说明模型的准确性越好。各类土壤表层土壤水分预测模型如图8所示。

由图8可知，各类土壤预测模型的均在0.9以上，RMSE均在2以下。其中黑土因质地细腻，预测模型的最高，达到0.982 3，砂土质地粗糙、颗粒大，预测模型的最低，但也达到0.929。这是由于砂土在土壤低含水率时，水分吸收峰不明显，剔除砂土低含水率光谱数据导致砂土预测模型的降低。为提高预测模型的普适性，整合全部土壤光谱数据进行PLSR建模得到土壤水分总体模型（图8e），土壤总体模型曲线拟合度较高，达到0.933 4，较单一土壤预测模型R略有降低，但总体模型的普适性好，适合大多数土壤含水量的预测。

图8 水分预测模型 Fig.8 Soil moisture model

3.5 土壤水分采集模块软件二次开发

基于试验获取的土壤含水量预测模型，借助Visual Studio 2021 IDE软件开发工具，应用Python算法库进行对原有近红外传感芯片采集软件的二次开发。二次开发后的软件拥有土壤样品自动扫描、参比光谱自动对照、土壤含水量实时预测等功能。

软件系统包括系统设置模块、参比扫描模块、吸光度扫描模块、保存和调入参比光谱模块。系统设置模块可设置卤素光源强度、扫描次数、扫描间隔、仪器传输波特率等；参比扫描模块可调入各类土壤水分预测模型；保存和调入参比模块可调入或保存参比板反射率，可省略每次检测参比扫描的步骤，提高检测效率；吸光度扫描为本软件的主要工作模块。

土壤水分传感器连接成功后，主界面左下角绿灯亮起。设置传感器相应参数，调入预测模型后，点击“吸光度扫描”，土壤水分传感器开始工作，自动检测采样点的表层土壤水分，5 s内主界面显示该点的光谱曲线和表层土壤水分含量，如图9所示，并对检测结果进行自动编号、保存。

图9 软件主界面 Fig.9 Software main interface

4 田间试验

4.1 试验地点与方法

为测试土壤水分传感器的检测性能和升降检测机构的设计是否满足田间作业要求，将近红外土壤墒情检测系统集成到润禾2ZBA-2型移栽机上（如图10b）进行田间试验。

图10 试验地点及检测系统与移栽机集成图 Fig.10 Test site and integration diagram of detection system and transplanter

土壤墒情检测田间试验于2021年11月3日在江苏镇江丹徒区世业洲农场基地中进行（如图10a）。试验田土壤类型为黄褐土，面积约为200 m，选取其中3条较为平整的土垄作为测试区域，土垄高度差约为120 mm。试验开始前将自动检测装置安装在移栽机右下方底盘机架上，传感器距离水平地面高度为225 mm，电气箱悬挂于移栽篮上，导入黄褐土预测模型，设置传感器连续扫描的次数和扫描间隔。为了测试传感器在同一点的测量精度，移栽机以0.3 m/s的速度行进下，每隔18 s停机，升降检测装置下行至土壤表面，土壤水分传感器连续测量3次同一位置的表层土壤水分含量。

4.2 试验结果与分析

将北斗RTK定位系统与土壤水分自动检测装置设置相同的采样间隔，获取同一采样点表层土壤水分信息与定位信息并标记采样点位置。土壤水分检测软件读取北斗定位系统的经纬度坐标信息并与土壤含水量信息实现配对、整合，再结合试验测得采样点实际含水量。

同一采样点测试3次，测量结束后利用3.3节方法对各采样点进行依次取样、预处理、烘干和计算得到该测试点土壤含水量实测值。采用SPSS26.0统计分析软件进行单因素方差分析，试验结果以平均值±标准差的形式表示，利用公式（2）计算土壤含水量预测值与实测值的相对误差（，%）。

式中Δ为传感器预测值均值与理化测定得出的实测值之间的差值的绝对值，为实测值。

由表1可知：移栽机以0.3 m/s速度工作时，土壤水分传感器能有效测量到地表土壤的水分含量。其中12、23号测量点数据出现负数，原因可能是土壤水分传感器在检测时，土壤中存在石块等杂物，使得传感器并未检测到土壤；17号测量点数据为小数，原因可能是该测量位置出现起伏较大的凹坑，升降机构的丝杆到达最大量程，没有到达最佳扫描距离所致。经计算，除3点异常数据外，土壤含水量预测值与实测值基本一致，相对误差的范围为0.18%～14.46%，平均相对误差为7.77%，小于10%，说明本系统传感器与预测模型配合能较为准确的检测农田土壤表层含水率。

表1 传感器田间试验误差分析 Table 1 Error analysis of sensor in field test

4.3 土壤含水率分布图的生成

根据农业部《全国土壤墒情监测工作方案》和水利部《土壤墒情评价指标》的土壤墒情评价指标建立土壤含水量墒情预警等级指标：

式中Y为土壤含水率(%)的预警等级，分为渍涝、饱墒、适墒、黄墒和干旱5个等级。根据预警等级和土壤需水量信息表生成表层土壤含水率分布图（如图11），该图将抽象的表层土壤水分信息可视化，让人们直观了解到田间各处的表层土壤水分信息。

图11 表层土壤含水率分布图 Fig.11 Distribution map of surface soil moisture content

5 结 论

1）本研究基于法布里-珀罗干涉的近红外传感器研发了一款非接触式土壤墒情在线检测系统，该系统硬件部分由机载自动检测装置、电气控制箱和北斗双天线实时差分定位系统组成。

2）通过传感器与升降检测机构的协调配合，实现大田表层土壤水分的自动检测。通过采集不同含水量不同种类的土样获得1 750～2 150 mm范围光谱数据，建立土壤表层含水量的偏最小二乘预测模型，黑土预测模型的最高，达到了0.982 3，砂土预测模型的最低，但也达到0.929 0，土壤总体模型曲线拟合度较高，达到了0.933 4，较单一土壤预测模型略有降低，但总体模型的普适性好，适合大多数土壤含水量的预测。

3）土壤水分传感器检测精度与稳定性。试验结果显示，传感器连续检测相对误差范围为0.18%～14.46%，平均相对误差7.77%，满足田间作业的基本要求，传感器测得区域地块的水分信息结合北斗RTK系统所得定位信息得出表层土壤水分含量分布图，直接匹配土壤墒情的预警等级，并将抽象的表层土壤水分信息可视化，让农户直观的了解到田块的表层土壤水分信息，同时为后续喷灌、滴灌等变量灌溉提供参考依据。

本文对微型光谱仪应用于现代智能农机进行了初探，实现农业机械在田间管理作业过程中对表层土壤水分含量的自动实时精准定位检测。目前整体系统的各部分的功能已经全部实现，后续研究可增加土壤样本的类型，进一步改造电器控制箱，使其更加小型化、轻量化，改进升降检测机构使其更有效的配合近红外水分传感器的数据采集，增强其与其他农机适配性和通用化，北斗导航系统的集约化，以适应集成的要求，土壤含水量分布图与地图的匹配等。