一种基于人工智能的农作物长势分析方法及系统与流程

本发明涉及农作物监控，尤其涉及一种基于人工智能的农作物长势分析方法及系统。

背景技术：

1、目前，人工智能在农作物长势分析领域的应用已取得一定进展，但现有技术在数据采集、特征处理及胁迫诊断等核心环节仍存在明显局限性，难以满足精准农业对早期、全面、动态监测的需求，具体缺点如下：

2、第一，多依赖单一类型的成像数据开展分析，这种单一模态的数据采集方式，无法同步获取农作物生理状态的多维度信息，导致数据所反映的农作物生理状态存在信息缺口，难以构建全面的生理特征画像；

3、第二，仅基于离散时间点的特征数据判断长势，无法捕捉农作物生理状态随生长周期的动态变化规律，导致对缓慢发生的早期胁迫的识别灵敏度极低；

4、第三，模型多针对单一胁迫类型进行训练，仅能输出“是否存在胁迫”的判断，难以精准量化胁迫程度；而面对“复合胁迫”场景，缺乏对多胁迫成分的区分能力，常出现误判或漏判，无法为农作物生长监控管理提供精准的决策依据。

技术实现思路

1、为了解决上述提出的至少一个技术问题，本发明提供一种基于人工智能的农作物长势分析方法及系统。

2、第一方面，本发明提供了一种基于人工智能的农作物长势分析方法，所述方法包括：

3、在农作物的同一生长区域，同步采集高光谱成像数据、叶绿素荧光成像数据和热成像数据，构建时间序列上的多模态数据；

4、对于每个成像时间点，从多模态数据中提取高光谱、叶绿素荧光和热成像三个模态下的多模态特征，将多模态特征融合生成时间序列上的多维特征矢量；所述多模态特征至少包括反映光合作用效率、水分状况、色素含量及能量耗散的特征指标；

5、将时间序列上连续的多维特征矢量进行连接与建模，生成在多维特征空间中表征农作物生理状态动态变化的矢量轨迹，作为农作物的胁迫生物指纹图谱；

6、将待测农作物的胁迫生物指纹图谱输入至预训练的深度学习模型中，输出与矢量轨迹模式对应的早期胁迫类型、胁迫程度及复合胁迫成分，以对农作物长势进行分析。

7、优选地，所述从多模态数据中提取高光谱、叶绿素荧光和热成像三个模态下的多模态特征，包括：

8、从高光谱成像数据中提取特定波段的植被指数、光谱吸收深度特征及红边位置参数；

9、从叶绿素荧光成像数据中提取最大荧光产量、稳态荧光产量、光化学淬灭系数及非光化学淬灭系数；

10、从热成像数据中提取冠层温度、冠层温度与气温的温差、冠层温度的时空分布方差。

11、优选地，所述将时间序列上连续的多维特征矢量进行连接与建模，生成在多维特征空间中表征农作物生理状态动态变化的矢量轨迹，包括：

12、将时间序列上连续的多维特征矢量按时间顺序连接，生成初始轨迹；

13、利用动态时间规整算法对齐初始轨迹中不同生长周期下的轨迹长度差异，并通过主成分分析进行降维与特征增强；

14、将处理后的轨迹映射到低维特征空间，得到平滑后的目标轨迹，所述目标轨迹通过动态曲率变化表征胁迫响应的临界点与过渡状态，并作为生物指纹图谱。

15、优选地，所述将时间序列上连续的多维特征矢量进行连接与建模，生成在多维特征空间中表征农作物生理状态动态变化的矢量轨迹，包括：

16、将时间序列上连续的多维特征矢量输入至时序卷积网络，学习特征间的时序依赖关系；

17、提取时序卷积网络隐藏层的状态序列，构成表征农作物生理状态动态演化的矢量轨迹；

18、对矢量轨迹进行微分动态分析，计算轨迹曲率变化率与加速度特征，以标识胁迫响应的启动时刻、持续阶段与恢复节点，形成具有时序敏感性的生物指纹图谱。

19、优选地，所述将待测农作物的胁迫生物指纹图谱输入至预训练的深度学习模型中，输出与矢量轨迹模式对应的早期胁迫类型、胁迫程度及复合胁迫成分，包括：

20、将胁迫生物指纹图谱输入至预训练的基于注意力机制的transformer时序模型中；通过模型的多头自注意力层计算轨迹中不同时间点特征向量的关联权重，捕捉长程依赖关系；

21、利用前馈神经网络解码胁迫响应的全局模式与局部突变特征；

22、通过输出层生成胁迫类型的分类概率、胁迫程度的回归值及复合胁迫成分的混合权重向量，进行联合输出。

23、优选地，在所述输出与矢量轨迹模式对应的早期胁迫类型、胁迫程度及复合胁迫成分之后，还包括：

24、根据输出的早期胁迫类型、胁迫程度及复合胁迫成分，以及农作物生长模型和环境数据，通过强化学习算法生成农艺调控方案；

25、所述农艺调控方案包括变量灌溉、精准施肥、光环境调节的时序控制参数，并以可视化决策图谱的形式输出。

26、第二方面，本发明还提供了一种基于人工智能的农作物长势分析系统，所述系统包括：

27、数据采集单元，用于在农作物的同一生长区域，同步采集高光谱成像数据、叶绿素荧光成像数据和热成像数据，构建时间序列上的多模态数据；

28、特征提取单元，用于对于每个成像时间点，从多模态数据中提取高光谱、叶绿素荧光和热成像三个模态下的多模态特征，将多模态特征融合生成时间序列上的多维特征矢量；所述多模态特征至少包括反映光合作用效率、水分状况、色素含量及能量耗散的特征指标；

29、指纹生成单元，用于将时间序列上连续的多维特征矢量进行连接与建模，生成在多维特征空间中表征农作物生理状态动态变化的矢量轨迹，作为农作物的胁迫生物指纹图谱；

30、长势分析单元，用于将待测农作物的胁迫生物指纹图谱输入至预训练的深度学习模型中，输出与矢量轨迹模式对应的早期胁迫类型、胁迫程度及复合胁迫成分，以对农作物长势进行分析。

31、第三方面，本发明还提供了一种电子设备，包括处理器和存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器执行所述计算机指令时，所述电子设备执行如上述第一方面及其任意一种可能实现的方式的方法。

32、第四方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被电子设备的处理器执行时，使所述处理器执行如上述第一方面及其任意一种可能实现的方式的方法。

33、与现有技术相比，本发明的有益效果在于：

34、1）在同一生长区域同步采集高光谱成像数据、叶绿素荧光成像数据和热成像数据，构建时间序列多模态数据，且提取的多模态特征覆盖 “光合作用效率、水分状况、色素含量及能量耗散” 核心指标。三种模态数据分别对应农作物不同关键生理过程，高光谱数据反映色素含量与养分状况，叶绿素荧光数据直接关联光合作用效率，热成像数据表征水分蒸腾与能量平衡；通过同步采集与多指标特征提取，填补了现有技术单一数据的“信息缺口”，能够构建覆盖农作物“物质合成-能量转换-水分代谢” 全维度的生理特征画像，为后续长势分析提供更全面、更精准的数据基础。

35、2）将多模态特征融合生成时间序列多维特征矢量，再通过连续矢量连接与建模生成“胁迫生物指纹图谱”，表征生理状态动态变化的矢量轨迹，相较于现有技术的离散时间点特征分析，本方案的“时间序列建模 + 生物指纹图谱”创新，能够捕捉农作物生理状态随生长周期的细微动态变化，例如，早期胁迫如轻度病虫害会导致光合作用效率随时间缓慢下降、水分蒸腾速率出现异常波动，这些细微变化会在矢量轨迹上形成独特的“指纹特征”；通过对该“指纹图谱”分析，可将胁迫识别窗口期前移至“生理状态开始出现异常但未表现出明显外观症状”的早期阶段，大幅提升胁迫识别灵敏度，为田间干预争取宝贵时间，降低种植损失。

36、3）将待测指纹图谱输入预训练深度学习模型，输出“早期胁迫类型、胁迫程度及复合胁迫成分”。模型通过“指纹图谱”的独特轨迹模式，如干旱胁迫表现为热成像特征持续升高、叶绿素荧光特征缓慢下降，病虫害胁迫表现为色素含量骤降、能量耗散异常升高，可精准区分不同胁迫类型；矢量轨迹与正常生长轨迹的“偏离距离”可直接作为胁迫程度的量化指标，实现从“定性判断”到“定量评估”的升级；不同胁迫类型在多模态特征上的“贡献权重”不同，模型可通过解析指纹图谱的多模态特征贡献度，精准拆分复合胁迫的具体成分；从而提升农业生产的精细化管理水平，减少资源浪费，降低生产成本与环境压力。

37、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。