一种玉米开花期秆茎抗倒伏力评估方法及系统

本发明涉及评价玉米茎秆抗倒伏，具体为一种玉米开花期秆茎抗倒伏力评估方法及系统。

背景技术：

1、玉米作为全球重要的粮食作物之一，其种植覆盖面积广。然而，玉米植株在生长过程中容易受到自然环境的影响，特别是在开花期，由于茎秆机械强度不足或环境应力过强（如强风），容易发生倒伏现象。玉米倒伏不仅会严重影响作物的正常生长和光合效率，还会导致籽粒灌浆不足、收获困难，从而造成产量的大幅下降和经济损失。因此，如何准确评估玉米茎秆的抗倒伏能力，进而及时采取防护措施，是当前农业生产中的重要技术难题。

2、传统的玉米茎秆抗倒伏能力评估方法大多基于机械测试和物理测量，例如通过测量茎秆的穿刺强度、弹性模量、壁厚比等物理特性，这些方法虽然能在一定程度上反映玉米植株的抗倒伏性能，但存在显著的局限性：首先，机械测试需要对植株进行破坏性测量，不适合大规模、快速评估；其次，这些方法更多依赖外部的几何结构参数，而忽略了玉米茎秆内部的生理化学特性（如木质素含量和纤维素含量），而后者对茎秆的强度和韧性有重要影响。

3、随着高光谱成像技术和人工智能的快速发展，非破坏性检测技术逐渐成为农业研究和生产过程中的重要工具。特别是红外光谱技术，可以通过扫描植物茎秆表面的光谱特征，快速获得植物内部的生理化学信息（如木质素和纤维素含量），在评估植株的机械强度方面展现出巨大潜力。因此，针对玉米开花期植株倒伏评估的传统方法存在的局限性，亟需一种有效结合红外光谱技术和现代机器学习的方法，实现玉米茎秆抗倒伏能力的精准评估。

4、现有技术中的，公开号为cn105699600b公开了一种评价玉米茎秆抗倒伏能力的方法，通过对茎秆穗位以下节间的茎皮穿刺强度进行测定，对穗位节以上节间的倾斜角度进行测定，结合茎皮穿硬度和柔韧性两方面对茎秆抗倒伏能力进行客观的综合评价。该方法根据玉米茎秆抗倒伏鉴定田间操作实际情况，克服了原有的茎秆抗倒伏能力单一评价方法的不足，既考虑了穗位以下茎秆的硬度因素，又结合了穗位以上茎秆韧性因素，可以准确地对茎秆抗倒伏性能进行综合评价，但该方法中茎皮穿刺强度仅反映了茎秆表层皮质的硬度和抗刺能力，但不能完全代表茎秆整体的机械强度，抗倒伏能力还与茎秆的其他结构特征密切相关，如茎秆的壁厚、外径等几何参数，同时该方法对环境与外界因素的影响未充分考虑，倒伏的风险不仅与植株自身特性有关，还受到外部环境（如大风、温度、土壤湿度等环境参数）的显著影响，可能导致在不同气候条件下抗倒伏能力评估的不适应性。因此仅凭植株自身特性进行抗倒伏判断使得评估结果的准确性、有效性降低。

5、在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本发明的目的在于提供一种玉米开花期秆茎抗倒伏力评估方法及系统，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种玉米开花期秆茎抗倒伏力评估方法，具体步骤包括：

4、采集若干已知生理特征参数的开花期玉米植株，对采集的开花期玉米植株的茎秆表面进行红外扫描，获取样本红外光谱图像，将每个样本红外光谱图像与对应的生理特征参数一一映射，生成样本数据集，所述生理特征参数包括木质素含量和纤维素含量；

5、基于样本数据集建立神经网络预测模型，将样本数据集中的样本红外光谱图像作为神经网络预测模型的输入，并将样本数据集中对应的生理特征参数作为标签，对神经网络预测模型进行训练，得到植株生理特征参数预测模型；

6、对待评估的玉米开花期植株的茎秆表面进行红外扫描，获取目标红外光谱图像，将目标红外光谱图像输入完成训练的植株生理特征参数预测模型，模型输出待评估的玉米开花期植株的生理特征参数预测值；

7、根据生理特征参数预测值，结合待评估的玉米开花期植株的几何结构参数，计算生成秆茎结构稳定性指数，并采集待评估的玉米开花期植株的所处环境参数，基于得到的环境参数，计算生成环境适应性指数，所述几何结构参数包括茎秆弹性模量、秆茎平均外径、茎壁平均厚度和植株高度，所述环境参数包括环境平均风速、土壤湿度和平均空气温度；

8、基于得到的环境适应性指数和秆茎结构稳定性指数，计算生成综合抗倒伏力指数，将得到的待评估的玉米开花期植株的综合抗倒伏力指数与抗倒伏力判断阈值相对比，根据得到的对比结果，生成对应的倒伏力评估结果。

9、进一步地，对采集的开花期玉米植株的茎秆表面进行红外扫描，获取样本红外光谱图像的具体步骤包括采集初始光谱数据，对初始光谱数据进行可视化，生成红外光谱图像，对红外光谱图像进行预处理，得到样本红外光谱图像；

10、其中采集初始光谱数据的步骤包括：清理样本茎秆表面，去除灰尘、泥土和其他附着物，将红外光谱仪的探头对准茎秆表面，按下启动键，采集茎秆表面的红外光谱数据，并记录样本编号，便于与生理特征参数一一映射；

11、使用光谱分析软件将处理后的光谱数据绘制成红外光谱图像，对红外光谱图像进行预处理，其中所述预处理包括信号去噪处理和增强处理，最终得到样本红外光谱图像；

12、将若干已知生理特征参数的开花期玉米植株依次进行采集，并将得到的每张样本红外光谱图像根据记录的样本编号与对应的生理特征参数一一对应生成样本数据集。

13、进一步地，基于长短期记忆网络lstm模型建立神经网络预测模型，选取激活函数和优化算法，其中选择tanh函数作为激活函数，选择adam作为lstm模型的优化算法；tanh函数其公式为：

14、；

15、式中，表示tanh函数，自变量表示神经元的输入加权和，即神经元接收到的来自上一层的输入经过加权求和后的结果；

16、同时设定lstm模型的超参数，所述lstm模型的超参数包括：网络层数、迭代次数、学习率、批量数大小、训练次数、批处理数量和隐藏层神经元个数；

17、其中网络层数设置为3层网络结构，迭代次数设定为200，学习率设置为0.001，批量数大小设为32，训练次数设为100，批处理数量设为256，隐藏层神经元个数为32；

18、完成训练的植株生理特征参数预测模型输入为开花期玉米植株茎秆表面的红外光谱图像，输出为生理特征参数预测值，包括木质素含量预测值和纤维素含量预测值。

19、进一步地，根据生理特征参数预测值，结合待评估的玉米开花期植株的几何结构参数，计算生成秆茎结构稳定性指数，其中秆茎结构稳定性指数计算所依据的公式为：

20、；

21、式中，为秆茎结构稳定性指数，为茎秆弹性模量，为秆茎平均外径，为茎壁平均厚度，为植株高度，为生理影响因子；

22、其中生理影响因子基于生理特征参数预测值进行计算，具体所依据的公式为：

23、；

24、式中，为木质素含量预测值，为纤维素含量预测值，和分别为木质素含量预测值和纤维素含量预测值的权重系数，其中且和均大于0。

25、进一步地，基于得到的环境参数，计算生成环境适应性指数，其中环境适应性指数计算所依据的公式为：

26、；

27、式中，为环境适应性指数，为土壤湿度，为土壤标准湿度，为平均空气温度，为标准温度值，为风力作用产生的水平推力，其中风力作用产生的水平推力通过环境平均风速和植株迎风面积计算得到，具体所依据的计算公式为：

28、；

29、式中，为风压，为植株迎风面积，其中风压计算所依据的公式为：

30、；

31、式中，为空气密度，为环境平均风速，为风向与水平面的角度。

32、进一步地，基于得到的环境适应性指数和秆茎结构稳定性指数，计算生成综合抗倒伏力指数，其中综合抗倒伏力指数计算所依据的公式为：

33、；

34、式中，为综合抗倒伏力指数,和分别为秆茎结构稳定性指数和环境适应性指数的权重系数，其中且和均大于0。

35、进一步地，将得到的待评估的玉米开花期植株的综合抗倒伏力指数与抗倒伏力判断阈值相对比，根据得到的对比结果，生成对应的倒伏力评估结果，其中具体的判断逻辑为：

36、当时，判断为低倒伏风险，表示待评估的玉米开花期植株的倒伏风险低，不需采取保护措施；

37、当时，判断为中倒伏风险，将待评估的玉米开花期植株的倒伏风险为中，应采取加固保护措施；

38、当时，判断为高倒伏风险，表示待评估的玉米开花期植株的倒伏风险高，无法满足室外正常的生长需求；

39、其中为抗倒伏力判断阈值，其中抗倒伏力判断阈值通过待评估的玉米开花期植株的高度和环境平均降雨量进行动态调整，具体所依据的公式为：

40、；

41、式中，为设置的抗倒伏力判断阈值初始值，为环境平均降雨量。

42、本发明还提供一种玉米开花期秆茎抗倒伏力评估系统，所述一种玉米开花期秆茎抗倒伏力评估系统用于执行上述的玉米开花期秆茎抗倒伏力评估方法，包括：

43、样本数据处理模块，用于采集若干已知生理特征参数的开花期玉米植株，对采集的开花期玉米植株的茎秆表面进行红外扫描，获取样本红外光谱图像，将每个样本红外光谱图像与对应的生理特征参数一一映射，生成样本数据集，所述生理特征参数包括木质素含量和纤维素含量；

44、神经网络训练模块，用于基于样本数据集建立神经网络预测模型，将样本数据集中的样本红外光谱图像作为神经网络预测模型的输入，并将样本数据集中对应的生理特征参数作为标签，对神经网络预测模型进行训练，得到植株生理特征参数预测模型；

45、生理参数预测模块，用于对待评估的玉米开花期植株的茎秆表面进行红外扫描，获取目标红外光谱图像，将目标红外光谱图像输入完成训练的植株生理特征参数预测模型，模型输出待评估的玉米开花期植株的生理特征参数预测值；

46、相关指数分析模块，用于根据生理特征参数预测值，结合待评估的玉米开花期植株的几何结构参数，计算生成秆茎结构稳定性指数，并采集待评估的玉米开花期植株的所处环境参数，基于得到的环境参数，计算生成环境适应性指数，所述几何结构参数包括茎秆弹性模量、秆茎平均外径、茎壁平均厚度和植株高度，所述环境参数包括环境平均风速、土壤湿度和平均空气温度；

47、综合抗倒伏评估模块，用于基于得到的环境适应性指数和秆茎结构稳定性指数，计算生成综合抗倒伏力指数，将得到的待评估的玉米开花期植株的综合抗倒伏力指数与抗倒伏力判断阈值相对比，根据得到的对比结果，生成对应的倒伏力评估结果。

48、与现有技术相比，本发明的有益效果是：

49、首先，本方案解决了传统评估方法对茎秆内部生理化学特性关注不足的问题。木质素和纤维素是决定茎秆机械强度和韧性的关键成分，通过红外光谱技术对茎秆表面进行扫描，并利用神经网络预测模型对木质素和纤维素含量进行精准预测，有效弥补了传统方法中对植株内部特性测量的缺失。相比于传统的直接化学检测方法，这种方法快捷、无损且适用于大面积田间检测，从而显著提高了评估效率。其次，通过将生理化学特性与几何结构参数相结合，构建了更加全面的秆茎结构稳定性指数，显著提升了对植株抗倒伏性能的评估准确性。弥补了传统模型的片面性，使评估结果更加科学和可靠。此外充分考虑了环境应力对玉米抗倒伏能力的影响，通过采集环境参数如风速、土壤湿度和空气温度，计算生成环境适应性指数，并将其与秆茎结构稳定性指数结合，最终生成综合抗倒伏力指数。从而显著提高了评估的精准性、全面性、精准性和效率。