小麦茎秆生物力学特性无损检测技术

张希来

(临沂市沂水县四十里堡镇农业综合服务中心，山东 沂水 246708)

0 引言

作为全球小麦主产国之一，小麦育种技术一直是我国现代化农业的重点关注领域。现今农业增产难度增大，如何选育优良品种、提高小麦产量和质量，是农业科技得以突破的关键之一。有研究表明，生物量与作物植株的抗病性、抗逆性及抗旱能力密切相关，它是表征作物生长状况的重要指标[1]。传统作物生物量是通过作物干质量进行表示，这种方法虽然精度高，但具有破坏性。当前的研究聚焦为用鲜质量表示生物量，这在小麦育种中具有可行性。对于生物量的测量，国内外学者提出了诸多预测方法，当前新兴的机器视觉、光学成像等技术获得了初步的研究成果[2-3]。本研究是以小麦育种检测为目的，采用生物力学方法构建生物量预测模型，以期能提出一种快速无损检测的高效技术。

1 关键技术

作物茎秆的生物力学性能有拉伸强度、弹性模量和抗弯折性能等，它们反映了作物的生长状态，是优种筛选的重要依据。将工程物理方法与农业科技相结合，是现代化农业发展的新思路之一，这次研究将采用力学传感器技术对小麦茎秆的生物力学特性进行分析，并以此对小麦生物量的无损检测进行深入研究。当小麦茎秆受到外界推力时，会产生一定程度的变形。相关研究显示，其变形程度与小麦茎秆的机械强度和种植密度有关[4]。小麦生物力学特性无损检测的关键技术如图1所示。

图1 小麦生物力学特性无损检测关键技术Fig.1 Key techniques for nondestructive testing of biomechanical properties of wheat

在图1a中，当触杆匀速缓慢地扫过小麦茎秆时，其茎秆侧面受到推力作用，并产生反作用力F；将反作用力沿水平和垂直方向进行分解，可以得到图中所示的F′和F″，触杆在F′的作用下产生扭矩M′。对于小麦地而言，其地上鲜生物量取决于小麦的茎粗、高度和种植密度；不同区域的小麦产生的反作用力不同，进而得到不同大小的分力F′和扭矩M′。在图1b中，生物量无损检测系统由压力传感器、触杆、数据采集系统和平板计算机(PDA)等部分组成；压力传感器测得分力F′或扭矩M′，则可以间接得到区域小麦生物量，这是快速无损检测技术的关键。

传感器的输出电压与受力大小呈线性关系。这次研究所选择的小麦育种试验区为0.8 m×3.0 m，因此选择传感器承载面大小为0.2 m×0.2 m，触杆长度0.9 m，单点式压力传感器灵敏度为0.85～1.15 mV/V，工作电压为5～12 V DC。数据采集系统接收到来自传感器的输出模拟信号，对信号进行采集和调理，经过A/D功能转换和MCU；系统的信号输出形式为RS485，将其转USB串口，并传送至平板计算机系统中。本次研究的软件系统在LabVIEW环境中开发，数据实时显示及存储系统流程如图2所示。

图2 数据实时显示及存储系统流程Fig.2 System flow of real time data display and storage

平板计算机得到的力学信号是字符串信息，需要通过一系列转换函数将信息中的有用部分转换为电压值，并以波形函数的形式显示出来[5]。数据的深入分析是建立在数据保存基础上的，依据时间函数，数据保存模块将采集数据的获取日期和时间转换为对应字符串，以此进行数据存储。

2 小麦生物量预测模型构建

此次研究的试验区为暖温带大陆性季风气候，春秋时间短，夏季高温多雨，冬季低温干燥，年降雨量约600 mm，年均气温10～12 ℃。区域为大田管理，小麦行距15 cm，长势均匀，正常肥水种植，无特殊处理。在测量小麦生物力学特性时，对区域外小麦进行割除处理，保证数据精度。数据采集分别在小麦抽穗期、开花期和灌浆期进行，并避免风雨等天气影响。

由于测量过程中存在诸多变量因素，因此在建立预测模型前，需要确定影响小麦茎秆力学信号的相关因素[6]。首先确定品种和测量高度对小麦力学特性的影响。选择小麦品种A、B、C分别进行测量，以相对匀速状态在距地面45 cm位置扫过其茎秆，保证其余参数一致。由于第一排小麦和最后一排小麦的密度减小，检测到的力学信号值不稳定，因此仅选择取中间平稳数据。品种和测量高度对小麦茎秆力学信号的影响如图3所示，在同一测量高度下，品种对小麦茎秆的力学信号存在显著影响，对于同一品种而言，测量高度越高，其力学信号越小。由此可见，在测量小麦生物力学特性时，需要将测量高度考虑在内，并构建具有品种针对性的预测模型。

图3 品种和测量高度对小麦茎秆力学信号的影响Fig.3 Effect of variety and measurement height on mechanical signal of wheat stem

有研究显示，小麦生物量与小麦生物力学特性之间存在一定关联[7]。小麦生物力学特性-地上鲜生物量相关性分析如图4所示，在不同测量高度下，小麦力学信号与地上鲜生物量均呈现出较好的相关性，距离地面越近，两者之间的相关性越好，反之则相关性逐渐降低。

图4 小麦生物力学特性-地上鲜生物量相关性分析Fig.4 Correlation analysis of wheat biomechanical characteristics and aboveground fresh biomass

除此之外，有学者表示，小麦产量受株高影响，且两者之间存在重要关联性。这次研究采用多元回归法构建生物量预测模型，当小麦品种固定时，将测量高度和株高作为变量，并得到融合特征参数。第1步，针对在40、45和50 cm测量高度下得到的茎秆力学信号，采用一元回归分析法进行拟合分析，并得到拟合方程。第2步，将3种测量高度融合，作为“融合变量1”，并利用多元回归分析的方法建立小麦地上鲜生物量的预测模型M1。第3步，加入株高这一变量，作为“融合变量2”，并进行多元回归分析，建立预测模型M2。

本次研究在C品种小麦中采集生物力学特性数据，抽穗期、开花期和灌浆期的样本数据分别有40、40和39个。以测量高度40、45和50 cm为输入变量，分别进行一元回归分析，生物力学信号-生物量的拟合结果如表1所示。从拟合结果来看，不同时期及测量高度下，得到的拟合方程有所差别。

表1 不同时期、测量高度下茎秆力学信号-生物量拟合方程Tab.1 Fitting equation of stem mechanical signal biomass under different period and measured height

在上述数据拟合的基础上，融合特征参量，即3种测量高度、株高，并建立对应的小麦生物量预测模型。预测模型M1和M2的表达式为

M1：y=0.578+0.363x1-0.233x2+0.337x3
M2：y=0.480+0.334x1-0.423x2+
0.228x3+1.827x4

(1)

式中x1，x2，x3——测量高度40、45和50 cm下所测的力学信号

x4——对应植株株高

y——小麦地上鲜生物量

采用决定系数R2和均方根误差RMSE对预测模型进行统计学评价。决定系数R2通常用来反映自变量和因变量之间的相关程度，R2越接近1，表征预测模型的预测效果越好。

(2)

式中yi——生物量的实测值

n——样本个数

均方根误差的计算如式(3)所示，它能灵敏地反映出数据集的特小或特大误差，并表征测量值的精确程度。在这次研究中，RMSE值越小，说明预测模型的效果越好。

(3)

3 基于多元回归分析的小麦地上鲜生物量预测

3.1 单生育期小麦生物量预测结果及分析

根据所构建的小麦生物量预测模型M1、M2及表1中的拟合方程，将采集数据分为训练集和测试集，对小麦茎秆无损检测的建模效果进行评价。在每个生育期中选择13个数据作为测试集，剩余数据作为训练集，单生育期小麦生物量预测模型效果评价如图5所示。

根据图5中的数据结果，对不同时期的模型预测效果进行评价。就抽穗期而言，当训练集输入变量40 cm或测试集输入变量45 cm时，其R2值最大，预测效果较好；当训练集输入变量为融合变量2或测试集输入变量45 cm时，其值最小，预测效果较好。但整体来看，当输入变量45 cm时，预测模型在训练集和测试集上的一致性更高，其预测效果最好。

图5 单生育期小麦生物量预测模型效果评价Fig.5 Effect evaluation of wheat biomass prediction model in single growth period

就开花期而言，当训练集输入变量40 cm或测试集输入变量50 cm时，其R2值最大，预测效果较好；当训练集输入变量40 cm或测试集输入变量50 cm时，其RMSE值最小，预测效果较好。但整体来看，当输入变量50 cm时，预测模型在训练集和测试集上的一致性更高，其预测效果最好。

就灌浆期而言，当训练集输入变量为融合变量2或测试集输入变量40 cm时，其R2值最大，预测效果较好；当训练集输入变量为融合变量2或测试集输入变量40 cm时，其RMSE值最小，预测效果较好。但整体来看，当输入变量为融合变量2时，预测模型在测试集的预测效果较差，且与训练集的预测效果存在较大差异；当输入变量40 cm时，预测模型在训练集和测试集上的一致性更高，其预测效果最好。

将单生育期的最佳预测结果与实测结果进行相关性对比，如图6所示。各个点表示预测结果和实测结果之间的相关性，直线为相关性的线性拟合结果。从对比结果可以看出，预测模型在抽穗期的预测相关性最好，在开花期和灌浆期的预测相关性均是差强人意。结合图5进行分析，从单生育期的预测效果来看，株高这一特征参量在训练集提高了模型的预测效果，但其在测试集的预测效果并不好。

图6 预测模型在不同时期的预测相关性对比Fig.6 Correlation comparison of prediction models in different periods

3.2 多生育期小麦生物量预测结果及分析

在119个抽穗期数据中，随机选择80个数据对预测模型进行训练，并以剩余数据对预测模型进行测试，预测模型在抽穗-灌浆期的预测效果及相关性分析如图7所示。

图7 预测模型在抽穗-灌浆期的预测效果及相关性分析Fig.7 Prediction effect and correlation analysis of prediction model in heading filling stage

从图7a可以看出，随着测量高度的增加，预测模型在训练集和测试集中的结果相关性和预测效果逐渐降低；融合特征参量后，预测模型的预测效果有所提升，特别是融合株高特性后；但整体来看，当输入变量为融合变量1时，其预测效果最好。在图7b中，将输入变量为融合变量1的预测结果进行相关性分析。相关性分析结果显示，对全时期小麦进行地上鲜生物量预测时，利用40、45和50 cm高度处的采集数据构建预测模型，具有较高的准确性。为了更直观地观察不同生育期的无损检测效果，将各个生育期的最佳预测结果进行对比，如图8所示。

图8 预测模型在不同生育期的预测效果对比Fig.8 Comparison of prediction effects of prediction models in different growth stages

从图8可以明显看出，抽穗期的模型预测效果最好，一方面是其R2值、RMSE值最小，另一方面是其训练集和测试集的预测效果基本一致。随着小麦生育期的发展，预测模型的预测效果显著降低，且训练集和测试集的结果一致性明显降低。

4 结论

小麦地上鲜生物量检测是把握小麦生长状况的关键途径之一，但现今的检测技术在复杂的田间环境中并不能达到较好的检测效果。本研究提出采用力学传感技术和多元回归分析的方法对小麦地上鲜生物量进行预测，并得到了以下结论。对于利用小麦生物力学特性所构建的预测模型，一方面是其预测效果与测量高度呈反比，在测量高度40 cm时，其预测效果最好；另一方面，其预测效果与小麦所处生育期有关，抽穗期的预测效果最好。这是由于在生育期后期，小麦茎秆所受麦穗的作用力增大，从而影响了模型的预测效果。除此之外，融合特征参数并不能显著提高模型的预测效果，甚至模型在训练集和测试集的结果一致性明显降低。因此利用小麦生物力学特性所构建的生物量预测模型仅适用于抽穗期，后期还需要继续探索多融合技术的预测模型。