本发明涉及信息，具体涉及一种青苗种类识别方法及系统。
背景技术：
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，本发明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、物种保护及资源利用具有重要意义，推动农业向自动化、智能化发展，有助于构建智慧农业生态系统，实现资源高效利用和环境友好型农业发展。
2、本发明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、对所述环境参数数据进行清洗和标准化处理，去除无效数据，对数据进行归一化处理，使不同维度的环境参数数据具有可比性，形成标准化的环境参数数据集；
33、将预处理后的所述气味特征数据和标准化的所述环境参数数据按照时间戳进行对齐，构建气味－环境－生长阶段的多维时间序列数据集，作为趋势分析和预测模型的输入；
34、采用自回归积分滑动平均模型对多维时间序列数据进行趋势分析，通过历史数据的自相关性和趋势变化，建立气味特征和环境参数与生长阶段之间的动态预测模型。
35、优选地，所述步骤s6还包括：
36、根据各个植物种类在不同生长阶段的气味样本数据，提取每个样本的气味特征向量，包括关键化合物的种类和含量，并将气味特征向量与对应的植物种类、生长阶段以及采集时间戳关联存储，形成结构化的气味特征数据集；
37、采用数据预处理技术，对气味特征数据进行清洗、去噪和标准化，消除异常值和缺失值的影响，并根据时间戳将气味特征数据与环境参数数据进行对齐和同步，形成完整的时间序列数据集，每个时间点包含气味特征、环境参数和植物种类的多维度信息；
38、采用动态时间规整算法dtw计算不同植物种类气味特征序列间的距离矩阵，然后以距离矩阵为输入，应用k-means聚类算法对气味特征时间序列进行聚类分析，通过轮廓系数指标评估不同聚类数k的聚类质量，选择最优的聚类结果，得到代表不同植物种类生长模式的标准时间序列模板；
39、对每个聚类中的标准时间序列模板，采用多元线性回归的方法，以环境参数为自变量，气味特征为因变量，建立回归方程如下：
40、y＝β0+β1x1+β2x2+…+βpxp
41、其中，y表示气味特征，为因变量；βi(i＝0，1…p)为回归系数，用于反映各个环境参数对气味特征的影响程度和方向；xi(i＝1，2…p)代表第i个环境参数的值，为自变量；
42、通过最小二乘法求解回归系数，并进行显著性检验和模型诊断，确保回归模型的有效性和可解释性，挖掘不同植物种类在不同环境条件下的生长规律和趋势变化，构建植物种类识别模型，以气味特征和环境参数为输入，以植物种类为输出，先对两类特征分别进行特征选择和降维，提取出对种类判别贡献最大的关键特征子集，然后采用机器学习算法，并通过核函数映射或决策树组合实现特征的非线性变换和融合，对于多分类问题，采用“一对多”或“一对一”的策略，将多分类转化为多个二分类问题进行求解，再通过投票或概率合并的方式得到最终的种类标签，最后通过网格搜索和交叉验证优化模型的超参数，并训练得到性能最优的植物种类判别模型；
43、当有新采集的气味样本数据集输入时，首先提取其气味特征向量和环境参数，并按照与训练数据相同的预处理方式进行标准化；
44、将预处理后的特征向量输入到训练好的植物种类识别模型中，通过模型的决策函数计算样本与各个植物种类的相似度得分，选择得分最高的植物种类作为识别结果。
45、优选地，所述步骤s6还包括：
46、结合新样本数据集中新环境参数数据对应的各个植物种类的标准生长趋势，采用最近邻算法匹配对应的植物种类。
47、优选地，所述步骤s7还包括：
48、通过计算机视觉技术获取植物的形态特征数据，采用图像分割、目标检测和特征提取算法，将植物图像转化为结构化的形态特征向量；
49、利用采集植物释放的气味数据，提取气味成分的种类和浓度的特征，形成气味特征向量；
50、对气味特征序列和形态特征序列分别输入到两个长短期记忆网络lstm中，通过隐藏状态的传递和更新，实现特征序列在时间维度上的对齐；
51、在空间维度上，通过插值和映射方法，将不同传感器采集到的特征数据统一到同一坐标系下，构建多模态植物特征数据集；
52、采用re l ief、lasso、主成分分析和线性判别分析的方法，从多角度评估气味特征和形态特征的重要性和相关性，选择出对植物种类判别贡献度最大的特征子集，并实现特征降维；
53、采用多核学习策略，通过定义不同的核函数，分别处理气味特征和形态特征，根据特征的分布特点进行选择；
54、将各个核函数的输出进行加权组合，得到统一的样本相似度度量；
55、核函数的权重通过二范数正则化的最小二乘损失、hinge损失多核学习目标函数进行优化，采用二次规划或梯度下降算法求解，通过交替迭代核函数的参数和组合权重，直到收敛为止，实现气味特征和形态特征的深度融合。
56、本发明还提出一种青苗种类识别系统，采用如上所述的青苗种类识别方法，包括：
57、采集模块，所述采集模块包括气味传感器和环境监测设备，用于收集植物气味样本及环境参数数据；
58、数据分析模块，所述数据分析模块用于收集植物气味样本和环境参数数据；
59、特征分析模块，所述特征分析模块用于识别关键化合物并分类形成气味特征；
60、模型处理模块，所述模型处理模块用于建立并优化生长阶段预测的支持向量机模型；
61、动态分析模块，所述动态分析模块用于预测生长阶段和分析植物生长趋势；
62、融合模块，所述融合模块用于进行植物种类识别并结合视觉数据调整输出。
63、本发明所述的一种青苗种类识别方法及系统，其优点在于：
64、本发明提供的一种青苗种类识别方法，通过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，以及采用高级分析方法，能够对植物生长阶段进行精细划分与预测，提供一种非侵入式的、基于植物生理活动的生长监测手段，这种监测方式有助于了解作物的生长状态，优化种植条件，提前预防病虫害，从而提高农业生产效率和作物品质；利用机器学习和统计建模技术，结合气味特征和环境参数，建立了高度精确的动态预测模型，能够更准确地模拟和预测植物生长阶段的变化，以及在不同环境条件下的生长趋势，为精准农业实践提供了强大的决策支持工具；通过对不同植物种类在不同环境参数下的标准生长趋势分析，能够评估植物对环境变化的适应性，并为特定植物种类推荐最适宜的生长环境参数，有助于在气候变化背景下进行作物品种筛选和种植区域规划，实现农业生产的可持续发展；结合气味特征和计算机视觉数据，不仅能够识别植物的生长阶段，还能进一步识别植物种类，这种综合多源信息的识别模型，提高植物识别的准确性，对于野生植物调查、物种保护、以及植物资源的合理利用具有重要意义，促进农业向自动化和智能化方向发展，减少人工干预和主观判断的不确定性，提高农业管理的效率和科学性，有助于构建智慧农业生态系统，实现资源高效利用和环境友好型农业发展。
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：
