土壤有机质的测定方法和装置与流程

本发明涉及农业与计算机监测技术领域，特别涉及一种土壤有机质的测定方法和装置。

背景技术：

众所周知，有机质作为土壤肥力的重要组成部分，虽然含量仅占土壤总量的很小一部分，但对土壤结构的形成和质量的改善具有决定性作用。有机质不仅是土壤侵蚀和退化的指示剂，而且还是改善土壤持水和渗透性的作用因子。因而对土壤有机质信息的监测，不仅可以了解土壤质量动态变化的特点，为耕作措施的合理性提供判定标准，而且还可以为精准农业的实施提供基本的数据支撑。

土壤有机质根据测定原理不同，主要分为二类，一类是燃烧法，主要包括干烧法和灼烧法；第二类是化学氧化法，主要包括湿烧法、重铬酸钾容量法和比色法。燃烧法和化学氧化法，是根据有机碳释放的CO₂量或者是氧化有机碳消耗的氧化剂的量，来确定有机质含量，是一种碳成分直接测定法。随着对土壤深入的研究和高光谱技术的发展，在研究土壤光谱特征基础上，通过对土壤有机质光谱特点的分析，以此来预测有机质含量。其相对土壤有机碳直接测定法而言，是一种间接测定法。因此根据测定有机质过程中所检测的原理不同，将现今有机质测定方法分为CO₂检测法、化学氧化法、灼烧法和土壤光谱法。

具体的，CO₂测定法，分为干烧法和湿烧化二种，能使有机碳全部分解，可以作为其它方法的校核用。但是由于测定过程繁琐，结果受碳酸盐干扰，并需要特定的仪器，因此不适合实验室使用。虽然实验过程中可以通过碳自动分析仪氧化样品，产生的CO₂，也可以通过色谱仪直接测定，相比重量化和容量化测定CO₂可以更加方便，减小测定工作量，然而碳自动分析仪价格较高，限制了其广泛使用；化学氧化法，不需要特定的仪器，使用氧化剂氧化有机碳后，可以通过容量化和比色法来测定有机质含量。现今实验室用的较多的是化学氧化法中的重铬酸钾容量法，虽然试剂的挥发，易于污染室内空气，并且还原性物质使测定结果往往偏高等缺点，但其方便，测定简单，目前被实验室广泛使用；灼烧法操作简便，可以对原样直接进行测定，不需要对样品进行任何处理，也不需要加入任何化学试剂，因此测定过程简便，适合大量样品测定。然而测定结果中不仅包括了烧失过程中有机质含量，还包括结合水，使测定结果偏高。但对于现今区域化研究中，对于采样大量的需求，可以通过使用灼烧法测定有机质含量，能大大减少测定时间，加快工作效率；土壤光谱法虽然操作方便、快速，适合有机质快速估测。然而光谱测定过程中，没有统一的测定标准，并且样品处理方式不同，其结果也会有差异，而且光谱仪价格较高，限制了其使用范围。虽然土壤水分、氧化铁、质地等对土壤光谱测定结果有影响，但是利用光谱法快速便捷的优点，对于比较同一农田区有机质含量高低，可以做到快速得出结果，省时省力，效率高等特点。

综上所述，有机质测定方法中CO₂测定法一般作为校核用，受碳酸干扰。化学氧化法虽受还原物质影响，然而由于其方便、操作简单等特点，被实验室广泛使用；灼烧法测定方便，适合对大量样品的测定，但结果受结合水烧失的影响；土壤光谱法是较新的方法，能快速测定有机质含量，对于其影响因素，还需进一步研究。因此对于实验室测定有机质的繁琐和局限性，在实际应用中，应充分使用土壤光谱特点，研究通过土壤的各种理化特点，提高预测精度，减少测定工作量，是将来土壤有机质测定发展的趋势。

进一步地，在数字化和精准农业发展背景下，快速获取大量土壤信息，是当今农业发展所面临的具大问题。传统测定有机质，通过田间采样，实验室化学分析，费时，费力，效率低，不能满足现今精准农业的需求。虽然利用土壤光谱分析，来估测有机质含量，操作方便、简单、无损，但由于土壤组成复杂，其光谱曲线是多种因素(水、有机质、质地、氧化铁等)共同作用的结果。而简单对土样风干和磨碎，虽然可以减少水分、质地对光谱反射率的影响，但由于土壤光谱测定的标准并不统一，而且参数条件设置太理想化，并受多种环境因素影响，因而测定结果的准确度难以保证，而且光谱仪价格昂贵，也限制了土壤光谱测定法的运用。

更进一步地，不管是实验室有机质直接测定法，还是有机质光谱测定法，从现今研究来看，都是土壤异位测定。异位测定，不仅加重工作量，降低测定效率，而且样品在采集回实验室的过程中会受其它因素的干扰，影响测定结果。原位测定，不仅不需破坏土壤，而且测定效率高。因而为了快速获取土壤信息，研发携带便利、价格合理和操作方便的原位有机质测定工具显得非常重要。不仅节省耗费，提高工作效率，而且对长期定位实验中，通过非破坏采样，解决土样长期采集，而不能重复取样的问题。

技术实现要素：

鉴于此，有必要针对传统技术存在的问题，提供了一种土壤有机质的测定方法和装置。通过土壤有机质含量与土壤RGB值之间的关系分析，明确土壤颗粒大小对土壤RGB值影响程度，构建基于数字技术的土壤有机质含量的快速测定方法，并且具有测定的准确性、高效性与易用性。

为达到发明目的，提供一种土壤有机质的测定方法，所述方法包括：获取土壤的土样表面的图像，并对所述土样表面的图像背景执行校正；通过预设软件选取AOI区域，并从所述AOI区域提取RGB三个波段的图像数值，且对所述RGB三个波段的所述图像数值执行统计分析，获取最佳取样面积；基于所述最佳取样面积选取最佳RGB取值，并将RGB颜色模型通过预设换算公式分别转换为三种颜色模型；转换后的所述三种颜色模型通过共同作用，并通过多元逐步回归法执行所述土壤有机质的预设模型的建立与测定；其中，预设模型中包括数据集，所述数据集由建模集与检验集两部分组成，通过对所述数据集的检验操作，执行验证所述预设模型的预测精度的操作。

在其中一个实施例中，所述获取土壤的土样表面图像包括：通过固定装置对取像装置执行固定操作，使所述取像装置的取像部件被设置为朝下状态，并控制所述取像部件与所述土样表面的距离在0.5m；通过所述取像装置获取所述土样表面的图像；其中，所述固定装置为三脚架，所述取像装置为数码相机，所述取像部件的前端设置环形光源。

在其中一个实施例中，所述通过所述取像装置获取所述土样表面的图像包括：通过数字光度计实时记录在所述环形光源达到稳定状态下的光强；在所述环形光源达到稳定状态下，通过灰卡执行设置手动白平衡操作。

在其中一个实施例中，所述通过数字光度计实时记录在所述环形光源达到稳定状态下的光强包括：将预设多个X-Rite标准黑白卡放置于所述土样表面的预设范围；通过预设软件对光强执行校正，以实现对土样灰度值的获取。

在其中一个实施例中，所述土样灰度值通过预设公式进行计算；其中，预设公式为：Gs＝255/(Gw-Gb)×(Gm-Gb)；其中，Gs为土壤表面灰度校正值；Gw为白色标卡灰度实测值；Gb为黑色标卡灰度实测值；Gm为土壤表面灰度实测值。

在其中一个实施例中，所述对所述土样表面的图像背景执行校正包括：获取土壤的所述土样表面的图像的过程中，将取像装置的分辨率设置为最大值；在每次获取土壤的所述土样表面的图像前，针对所述土样表面的背景环境单独执行拍摄获取操作，并将获取的图像作为后期土样样品背景执行校正使用。

在其中一个实施例中，所述通过预设软件选取AOI区域包括：通过预设软件从50×50pixels到1350×1350pixels选取所述AOI区域。

在其中一个实施例中，所述基于所述最佳取样面积选取最佳RGB取值包括：对所述土样表面的图像进行灰度直方图统计分析，选取频率最大值作为最佳RGB取值。

在其中一个实施例中，所述将RGB颜色模型通过预设换算公式分别转换为三种颜色模型包括：通过Easy RGB-PCTM的换算公式，将RGB颜色模型分别转换为La*b*、Lc*h*和Lu*v*三种颜色模型。

基于同一发明构思的一种土壤有机质的测定装置，所述装置包括：获取与校正模块，用于获取土壤的土样表面的图像，并对所述土样表面的图像背景执行校正；提取与取样模块，用于通过预设软件选取AOI区域，并从所述AOI区域提取RGB三个波段的图像数值，且对所述RGB三个波段的所述图像数值执行统计分析，获取最佳取样面积；选取与转换模块，用于基于所述最佳取样面积选取最佳RGB取值，并将RGB颜色模型通过预设换算公式分别转换为三种颜色模型；模型建立与测定模块，用于转换后的所述三种颜色模型通过共同作用，并通过多元逐步回归法执行所述土壤有机质的预设模型的建立与测定；其中，预设模型中包括数据集，所述数据集由建模集与检验集两部分组成，通过对所述数据集的检验操作，执行验证所述预设模型的预测精度的操作。

本发明提供的一种土壤有机质的测定方法和装置。获取土壤的土样表面的图像，并对土样表面的图像背景执行校正；通过预设软件选取AOI区域，并从AOI区域提取RGB三个波段的图像数值，且对RGB三个波段的图像数值执行统计分析，获取最佳取样面积；基于最佳取样面积选取最佳RGB取值，并将RGB颜色模型通过预设换算公式分别转换为三种颜色模型；转换后的三种颜色模型通过共同作用，并通过多元逐步回归法执行土壤有机质的预设模型的建立与测定；其中，预设模型中包括数据集，数据集由建模集与检验集两部分组成，通过对数据集的检验操作，执行验证预设模型的预测精度的操作。该方法是在现今数字化技术快速发展背景下，在分析以往测定有机质方法的基础上，针对其测定有机质含量的特点，提出以土壤RGB值变化来快速测定土壤有机质含量的方法，通过土壤有机质含量与土壤RGB值之间的关系分析，明确土壤颗粒大小对土壤RGB值影响程度，构建基于数字技术的土壤有机质含量的快速测定方法，并且具有测定的准确性、高效性与易用性。

附图说明

图1为本发明一个实施例中的土壤有机质的测定方法的步骤流程图；以及

图2为本发明一个实施例中的土壤有机质的测定装置的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明土壤有机质的测定方法和装置进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

需要说明的是，土壤颜色是土壤的基本属性之一，是肉眼对土壤信息的最初判定。土壤颜色的形成主要与土壤中具有染色作用的有机质和铁、锰等化合物有关。有机质不仅是衡量土壤肥力的重要指标，也是导致土壤变暗的最主要因素。研究发现土壤门赛尔色系的亮度与有机质或有机碳的含量呈线性相关，相关系数随不同地区的土壤类型而变化，最高可高达0.9以上。先前土壤颜色的定量化是采用芒塞尔色系的色调、饱和度和亮度三个值来量化。然而使用芒塞尔色系去量化土壤颜色，由于色卡数量有限，不能连续去表达土壤颜色变化，而且还受很多主观和客观因素影响，如不同光照条件和不同的人对颜色的感知会有所差别，从而对于同一土壤会产生不同的颜色类别，因而在实际应用中，芒塞尔色系存在严重缺陷。

现今数字技术的发展，为土壤颜色的定量化提供了新的机遇。相机随着时间的发展，从先前简单的黑白胶片相机，发展到现今高分辨率彩色相机，都反应了相机的可用性、便携性和分辨率的不断提高。因而在数字化技术高速发展时期，利用数码相机易操作性和高分辨率等特点，通过非接触方式，获取土壤表面的颜色信息，可实现土壤颜色的定量化研究。

土壤颜色的定量化，为对土壤颜色有影响作用的有机质测定提供了新的研究手段。随着对土壤信息的大量需求，有机质含量的测定，通过传统的田间取样，实验室的化学分析，不仅费时，费力，还效率低，完全不能满足现今精准农业对信息的大量需求。虽然通过光谱仪测定土壤反射率建立有机质估测模型，能够快速便捷的测定有机质含量，但光谱测定时没有统一的标准，不同的处理会产生不同的结果，同时光谱仪价格较高也限制了其广泛运用。而对于仅仅只能获得3个波段(RGB)的数码相机，相比光谱仪，价格便宜，操作简单，无需严格的测定环境，也不用进行复杂的光谱数据处理和BRDF(Bidirectional Reflectance Distribution Function)等因素的考虑，其获取的土壤表面颜色信息是否能进行土壤有机质的快速预测，不管是从实用性还是经济性角度，都值得去探索研究

如图1所示，为一个实施例中的一种土壤有机质的测定方法的步骤流程图。具体包括以下步骤：

步骤101，获取土壤的土样表面的图像，并对土样表面的图像背景执行校正。

本实施例中，获取土壤的土样表面图像包括：通过固定装置对取像装置执行固定操作，使取像装置的取像部件被设置为朝下状态，并控制取像部件与土样表面的距离在0.5m；通过取像装置获取土样表面的图像。其中，固定装置为三脚架，取像装置为数码相机，取像部件的前端设置环形光源。

进一步地，通过取像装置获取土样表面的图像包括：通过数字光度计实时记录在环形光源达到稳定状态下的光强；在环形光源达到稳定状态下，通过灰卡执行设置手动白平衡操作。

更进一步地，通过数字光度计实时记录在环形光源达到稳定状态下的光强包括：将预设多个X-Rite标准黑白卡放置于土样表面的预设范围；通过预设软件对光强执行校正，以实现对土样灰度值的获取。

需要说明的是，土样灰度值通过预设公式进行计算；其中，预设公式为：Gs＝255/(Gw-Gb)×(Gm-Gb)；其中，Gs为土壤表面灰度校正值；Gw为白色标卡灰度实测值；Gb为黑色标卡灰度实测值；Gm为土壤表面灰度实测值。

另外，对土样表面的图像背景执行校正包括：获取土壤的土样表面的图像的过程中，将取像装置的分辨率设置为最大值；在每次获取土壤的土样表面的图像前，针对土样表面的背景环境单独执行拍摄获取操作，并将获取的图像作为后期土样样品背景执行校正使用。

步骤102，通过预设软件选取AOI区域，并从AOI区域提取RGB三个波段的图像数值，且对RGB三个波段的图像数值执行统计分析，获取最佳取样面积。

本实施例中，通过预设软件选取AOI区域包括：通过预设软件从50×50pixels到1350×1350pixels选取AOI区域。即通过对50×50pixels到1350×1350pixels面积的统计分析，对比各面积变异系数的变化，才能获取最佳取样面积。

步骤103，基于最佳取样面积选取最佳RGB取值，并将RGB颜色模型通过预设换算公式分别转换为三种颜色模型。其中，基于最佳取样面积的基础上，才能对图像表面RGB值进行灰度直方图统计分析，选取频率最大值作为最佳RGB取值。

本实施例中，将RGB颜色模型通过预设换算公式分别转换为三种颜色模型包括：通过Easy RGB-PCTM的换算公式，将RGB颜色模型分别转换为La*b*、Lc*h*和Lu*v*三种颜色模型。

步骤104，转换后的三种颜色模型通过共同作用，并通过多元逐步回归法执行土壤有机质的预设模型的建立与测定。其中，预设模型中包括数据集，数据集由建模集与检验集两部分组成，通过对数据集的检验操作，执行验证预设模型的预测精度的操作。

本发明提供的一种土壤有机质的测定方法。获取土壤的土样表面的图像，并对土样表面的图像背景执行校正；通过预设软件选取AOI区域，并从AOI区域提取RGB三个波段的图像数值，且对RGB三个波段的图像数值执行统计分析，获取最佳取样面积；基于最佳取样面积选取最佳RGB取值，并将RGB颜色模型通过预设换算公式分别转换为三种颜色模型；转换后的三种颜色模型通过共同作用，并通过多元逐步回归法执行土壤有机质的预设模型的建立与测定；其中，预设模型中包括数据集，数据集由建模集与检验集两部分组成，通过对数据集的检验操作，执行验证预设模型的预测精度的操作。该方法是在现今数字化技术快速发展背景下，在分析以往测定有机质方法的基础上，针对其测定有机质含量的特点，提出以土壤RGB值变化来快速测定土壤有机质含量的方法，通过土壤有机质含量与土壤RGB值之间的关系分析，明确土壤颗粒大小对土壤RGB值影响程度，构建基于数字技术的土壤有机质含量的快速测定方法，并且具有测定的准确性、高效性与易用性。

为了更好地理解与应用本发明提出的一种土壤有机质的测定方法，进行以下示例。需要说明的是，本发明所保护的范围不限于以下示例。

具体的，首先预先建立获取土壤表面RGB信息的实验系统。该系统使用数码相机获取土样表面图像。通过三角架固定数码相机，使其镜头垂直向下，保持与土样表面的距离在0.5m。由于数码相机不同于人眼，即人眼在任何光强下都能正确分辨其色彩，对于同一物体，数码相机在不同的光强下，会拍出不同的颜色。因而为了保证光源的均匀性和稳定性，本实施例在数码相机境头前，安装了环形光源，使之土样表面各点所受到的光照强度相同，并且在光源达到稳定的情况下，通过数字光度计记录其稳定时的光强。在稳定光源环境下，通过灰卡，即灰卡能将复杂光线的场景一律平衡为18％的中性灰，设置手动白平衡，保证土样图像的拍摄都在同一参数环境下。对于获取的土样数字图像，为了能在后期处理时，有相同参照标准，在实验过程中，放置X-Rite标准黑白卡于土样周围，并通过IPP(Image Pro Plus)软件对光强度校正后，实现对土样灰度值的获取。其值等于：Gs＝255/(Gw-Gb)×(Gm-Gb)。

其中，Gs为土壤表面灰度校正值；Gw为白色标卡灰度实测值；Gb为黑色标卡灰度实测值；Gm为土壤表面灰度实测值。

需要说明的是，在拍摄过程中，设置数码相机最大分辨率，在每次样品拍摄前，对背景环境单独拍摄，作为后期样品背景校正使用。

进一步地，数码相机在拍摄过程中，由于内部组成部分的凸透镜对光具有集聚作用，使感光器接受到中央部位的光辐射能量最强，且沿四周递减。因而对于所拍图像会有中间亮，边缘逐渐变暗的现象。虽然在拍摄时，使土样尽量处于拍摄的中央，可以较好减小拍摄光源不均匀的问题，但是仍然会存在拍摄图像中央过亮的缺点。因而为了更好消除因设备原因，造成图像背景光强不均匀的问题，在图像获取后期，通过IPP(Image Pro Plus 7.2)的背景校正功能，实现拍摄物体表面光源均匀化，减小因设备原因造成对取样数据的影响。通过数码相机，获取土样表面图像信息后，运用IPP软件(Image Pro Plus)，从50×50pixels到1350×1350pixels选取AOI区域，并通过测量工具对AOI区域提取红、绿、蓝(RGB)三波段的图像数值。在获取到不同AOI区域的RGB数值后，对三波段数值作统计分析，通过各面积变异系数的变化，确定最佳取样面积。

此外，土样颗粒的不均一性，使土壤表面存在较多的微地形，造成大颗粒表面存在中间亮边缘暗等现象，从而造成边缘像素RGB值偏小。而较小的土壤颗粒，由于表面积大，反射光线能力更强，在肉眼上表现的更加偏亮，因而过多的小颗粒，会造成土样表面实际RGB值偏大。为了能最真实的反映土壤表面的实际RGB值，减少非土壤物质和微地形对取值的影响，对图像表面RGB值进行灰度直方图统计分析，研究其分布特点，选取频率最大值作为最佳RGB取值。

需要说明的是，常用的RGB颜色模型，采用三基色来表示所有颜色，由于其显示特征还需依赖设备的类型，因而同样的颜色在不同的设备之间，可能会产生不同的颜色。同时，RGB颜色模型，还是一种非均匀的颜色模型，两色点之间的差异，并不能用颜色坐标系统中两点之间的距离表示。为了解决颜色模型的依赖性和不均匀性，CIE(国际照明委员会)用数学的方法，从物理的三基色，运用假想三原色的方式，制定出了均匀和独立于设备的颜色模型，其中比较常用的模型有La*b*、Lc*h*和Lu*v*等模型。为了研究不同颜色模型对有机质含量预测效果的差异，确定最佳显示模型，通过Easy RGB-PCTM的换算公式，将RGB颜色模型分别转换为La*b*、Lc*h*和Lu*v*三种颜色模型。

可以理解的是，土壤的颜色是不同颜色模型中所包括的三个参数共同作用的结果。在建立有机质预测模型时，对数据集随机分成建模集与检验集二部分，通过多元逐步回归法，建立有机质预测模型并利用检验数据集，验证模型的预测精度。

本示例提供的一种土壤有机质的测定方法，采集吉林省土壤区土样158个，剔除采样位置不佳和样点重复区域，保留124个土样作为RGB有机质测定使用。为了检验此发明预测精度的大小，采用决定系数R²和均方根误差RMSE来进行评价。R²越大，模型越稳定，可靠性越高；RSME的值越小，表示预测结果越准确。

数码相机获取的RGB值，表现出了与土壤有机质的高相关性，其中红波段与有机质的相关性最大，相关系数为-0.7432。而在图像获取中，由于土壤颗粒大小的不均一性和非土壤物质的存在，会使土壤表面RGB灰度值偏大或偏小，从而影响RGB真实值的提取，造成预测结果的不稳定性。通过灰度直方图统计来获取图像最大值的方式可以很好的消除因主观因素和非土壤物质对图像RGB值的影响，可以显著提高与有机质的相关性，增加模型的预测精度。需要说明的是，通过数码相机易于操作的特点，可以方便获取土壤表面RGB信息，能在短时间内获取大量有机质信息。从而减少了，实验室化学测定过程的繁琐性以及实验时对环境所造成的污染。

通过对相关性高的波段进行回归分析，建立有机质预测模型，其中0.088mm颗粒的倒数预测模型效果最好，其R²＝0.7546，RMSE＝0.3751，检验结果为R²_val＝0.815，RMSE_val＝0.2238，能很好反应土壤有机质变异特点。

综上所述，本发明提出的一种土壤有机质的测定方法，通过灰度直方图统计来获取图像最大值的方式，可以很好的消除因主观因素和非土壤物质对图像RGB值的影响，可以显著提高与有机质的相关性；同时，土壤样品最佳制样标准，且通过RGB三波段，建立有机质预测模型，实现有机质的快速测定。

基于同一发明构思，还提供了一种土壤有机质的测定装置，由于此装置解决问题的原理与前述一种土壤有机质的测定方法相似，因此，该装置的实施可以按照前述方法的具体步骤实现，重复之处不再赘述。

如图2所示，为一个实施例中的一种土壤有机质的测定装置的结构示意图。该土壤有机质的测定装置10包括：获取与校正模块100、提取与取样模块200、选取与转换模块300和模型建立与测定模块400。

其中，获取与校正模块100用于获取土壤的土样表面的图像，并对土样表面的图像背景执行校正；提取与取样模块200用于通过预设软件选取AOI区域，并从AOI区域提取RGB三个波段的图像数值，且对RGB三个波段的图像数值执行统计分析，获取最佳取样面积；选取与转换模块300用于基于最佳取样面积选取最佳RGB取值，并将RGB颜色模型通过预设换算公式分别转换为三种颜色模型；模型建立与测定模块400用于转换后的三种颜色模型通过共同作用，并通过多元逐步回归法执行土壤有机质的预设模型的建立与测定；其中，预设模型中包括数据集，数据集由建模集与检验集两部分组成，通过对数据集的检验操作，执行验证预设模型的预测精度的操作。

本发明提供的一种土壤有机质的测定装置。通过获取与校正模块100获取土壤的土样表面的图像，并对土样表面的图像背景执行校正；再通过提取与取样模块200通过预设软件选取AOI区域，并从AOI区域提取RGB三个波段的图像数值，且对RGB三个波段的图像数值执行统计分析，获取最佳取样面积；再通过选取与转换模块300基于最佳取样面积选取最佳RGB取值，并将RGB颜色模型通过预设换算公式分别转换为三种颜色模型；最终通过模型建立与测定模块400转换后的三种颜色模型通过共同作用，并通过多元逐步回归法执行土壤有机质的预设模型的建立与测定。该装置是在现今数字化技术快速发展背景下，在分析以往测定有机质方法的基础上，针对其测定有机质含量的特点，提出以土壤RGB值变化来快速测定土壤有机质含量的方法，通过土壤有机质含量与土壤RGB值之间的关系分析，明确土壤颗粒大小对土壤RGB值影响程度，构建基于数字技术的土壤有机质含量的快速测定方法，并且具有测定的准确性、高效性与易用性。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccess Memory，RAM)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。