【技术实现步骤摘要】
本专利技术涉及信息，具体涉及一种青苗种类识别方法及系统。
技术介绍
1、随着现代农业技术的快速发展，精准农业逐渐成为提高作物产量和质量的关键手段。尤其是利用高灵敏度气味传感器和环境监测设备定期采集的青苗生长数据，可以实时监控作物生长状况，并通过分析气味样本中的化学物质，预测作物的生长阶段和健康状态。虽然高灵敏度气味传感器能够精确捕捉到植物气味的微妙变化，但在不同环境条件下(如温度、湿度变化显著的室外环境)，传感器的稳定性和准确性可能受到影响，这导致数据质量的不一致，从而影响后续的数据分析和模型训练的准确性。在使用高效液相色谱与质谱联用技术进行化学物质分析时，如何有效地从复杂的植物气味样本中分离出关键的生长阶段指示化合物，是一个技术挑战。这些技术矛盾反映了在实际应用中可能遇到的问题，如传感器在复杂环境下的数据一致性问题、关键化合物的有效提取问题以及模型泛化能力的不足，解决这些问题对于提高植物生长监控的准确性和实用性至关重要。
技术实现思路
1、为了解决上述现有技术存在的问题，本专利技术目的在于提供一种青苗种类识别方法及系统。青苗种类识别方法通过采集青苗的气味样本和环境参数数据，利用多点同步采集方法和高级分析方法，实现植物生长阶段的非侵入式精细划分与预测；结合机器学习和统计建模技术，建立了动态预测模型，能准确模拟和预测植物生长变化，为精准农业提供决策支持；还能评估植物的环境适应性，推荐最适生长参数，促进农业可持续发展；结合气味特征和计算机视觉数据，提高了植物识别的准确性，对野生植物调查
2、本专利技术所述的一种青苗种类识别方法，包括：
3、s1、采集不同植物种类的青苗不同生长阶段对应的气味样本和环境参数数据，并通过多点同步采集方式集成数据流，形成带有时间戳的样本数据集；
4、s2、对采集的气味样本进行分离，分析各个分离样本中的成分，以生成对应的数据流，并使用同位素标记法进行定性鉴定；
5、s3、提取植物各个生长阶段的关键化合物的标志特征，并采用k-means聚类算法对识别到的化合物进行分类，形成各生长阶段对应的气味特征；
6、s4、结合气味特征对应的生长阶段以及环境参数数据，建立动态预测模型并进行训练，并通过贝叶斯优化模型参数；
7、s5、将气味特征、生长阶段以及对应时间戳的环境参数数据进行趋势分析，建立动态预测模型；
8、s6、结合各个植物种类在各生长阶段对应的气味特征以及对应时间戳的环境参数数据，分析各个植物种类在不同环境参数数据下的标准生长趋势，建立植物种类识别模型并进行训练，并对不包含植物种类关联的新样本数据集进行植物种类识别；
9、s7、结合计算机视觉数据对植物形态特征进行分析，将气味特征与计算机视觉数据融合，对植物种类识别模型的输出结果进行调整。
10、优选地，所述步骤s1还包括：
11、所述气味样本和所述环境参数数据的采集内容包括温度、湿度、光照强度和风速；
12、所述样本数据集的形成包括以下步骤：
13、根据不同植物种类的青苗生长阶段，确定采集所述气味样本和所述环境参数数据的时间点，并通过多点同步采集方式集成所述气味样本和所述环境参数数据，获得带有时间戳的数据流；
14、采用数据预处理技术，对采集到的所述气味样本和所述环境参数数据进行清洗、去噪和标准化，利用时间戳信息按照时间顺序对数据进行排列，构建时间序列数据集，并根据时间戳计算采样间隔，进行数据插值操作，得到处理后的所述样本数据集。
15、优选地，所述步骤s2还包括：
16、根据植物种类的特点，将采集植物释放的气味样本，通过高效液相色谱与质谱联用技术对气味样本进行分离和成分分析，得到对应的数据流；
17、采用高效液相色谱柱对气味样本中的化合物进行分离，通过正交试验设计优化流动相组成、ph值、柱温的条件，并采用溶剂梯度洗脱的方式，根据化合物的极性和疏水性差异实现分离；
18、将分离后的样本导入质谱仪中，通过电子轰击电离源将化合物电离，并在四极杆质量分析器中进行质荷比测量，获得化合物的质谱图，根据质谱图中的碎片离子峰和分子离子峰，结合化合物数据库中的标准质谱图，采用同位素标记法对化合物进行定性鉴定。
19、优选地，所述步骤s3还包括：
20、通过高效液相色谱-质谱联用技术获取植物不同生长阶段的气味样本的质谱识别数据，利用主成分分析方法对质谱数据进行降维处理，通过正交变换将原始高维数据映射到一组线性无关的新特征空间，提取样本的主要变异信息，新特征按照方差大小排序，方差最大的前几个主成分能够解释原始数据的大部分变异，形成低维度的特征矩阵；
21、采用线性判别分析方法对主成分特征进行进一步优化，通过线性变换将数据投影到一个低维空间，使得投影后不同生长阶段的样本尽可能分开，而同一生长阶段内的样本尽可能聚集，最大化不同生长阶段样本之间的类间差异，同时最小化同一生长阶段内样本的类内差异，得到判别力最强的特征组合；
22、结合递归特征消除方法，通过迭代地去除对判别结果贡献较小的特征，筛选出与植物生长阶段高度相关的关键化合物标志特征，构建最优特征子集；
23、根据筛选出的关键化合物标志特征，采用k-means聚类算法对不同生长阶段的气味样本进行无监督分类，首先随机选择k个样本作为初始聚类中心，然后计算每个样本到各个聚类中心的距离，将样本划分到距离最近的类别，接着重新计算每个类别的质心，作为新的聚类中心，重复上述过程，直到聚类中心不再发生变化或达到最大迭代次数，通过优化聚类中心和样本分配，将具有相似气味特征的样本划分为同一类别，形成代表植物各生长阶段的气味特征聚类结果。
24、优选地，所述步骤s4还包括：
25、优化模型参数包括惩罚系数和核函数参数，以让支持向量机模型对样本数据集与对应的生长阶段进行关联，并对不包含生长阶段关联的新样本数据集进行关于生长阶段的分类；
26、根据所述步骤s3得到的气味特征与生长阶段的对应关系，结合所述环境参数数据，构建一个多维度的所述样本数据集，作为动态预测模型的训练输入；
27、采用支持向量机模型作为动态预测模型的基础，通过核函数将样本数据映射到高维空间，在高维空间中寻找最优分类超平面，实现气味特征与生长阶段的非线性关联；
28、利用贝叶斯优化方法对支持向量机模型的关键参数进行自动优化。
29、优选地，所述步骤s5还包括：
30、动态预测模型包括自回归积分滑动平均模型或长短期记忆神经网络，以预测未来时间点对应的生长阶段；
31、对采集到的气味特征数据进行预处理，去除异常值和噪声数据，提取气味特征的关键参数，得到规范化的气味特征数据集；
32、对所述环境参本文档来自技高网...
【技术保护点】
1.一种青苗种类识别方法，其特征在于，包括：
2.根据权利要求1所述青苗种类识别方法，其特征在于，所述步骤S1还包括：
3.根据权利要求1所述青苗种类识别方法，其特征在于，所述步骤S2还包括：
4.根据权利要求1所述青苗种类识别方法，其特征在于，所述步骤S3还包括：
5.根据权利要求1所述青苗种类识别方法，其特征在于，所述步骤S4还包括：
6.根据权利要求1所述青苗种类识别方法，其特征在于，所述步骤S5还包括：
7.根据权利要求1所述青苗种类识别方法，其特征在于，所述步骤S6还包括：
8.根据权利要求7所述青苗种类识别方法，其特征在于，所述步骤S6还包括：
9.根据权利要求1所述青苗种类识别方法，其特征在于，所述步骤S7还包括：
10.一种青苗种类识别系统，采用如权利要求1-9所述的青苗种类识别方法，其特征在于，包括：
【技术特征摘要】
1.一种青苗种类识别方法，其特征在于，包括：
2.根据权利要求1所述青苗种类识别方法，其特征在于，所述步骤s1还包括：
3.根据权利要求1所述青苗种类识别方法，其特征在于，所述步骤s2还包括：
4.根据权利要求1所述青苗种类识别方法，其特征在于，所述步骤s3还包括：
5.根据权利要求1所述青苗种类识别方法，其特征在于，所述步骤s4还包括：
6.根据权利要求...
【专利技术属性】
技术研发人员：唐心高，陈合修，陈祖庆，陈明，王英聪，钟平，
申请(专利权)人：海南电网设计有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。