小麥莖稈生物力學特性無損檢測技術

張希來

(臨沂市沂水縣四十里堡鎮農業綜合服務中心，山東 沂水 246708)

0 引言

作為全球小麥主產國之一，小麥育種技術一直是我國現代化農業的重點關注領域。現今農業增產難度增大，如何選育優良品種、提高小麥產量和質量，是農業科技得以突破的關鍵之一。有研究表明，生物量與作物植株的抗病性、抗逆性及抗旱能力密切相關，它是表征作物生長狀況的重要指標[1]。傳統作物生物量是通過作物干質量進行表示，這種方法雖然精度高，但具有破壞性。當前的研究聚焦為用鮮質量表示生物量，這在小麥育種中具有可行性。對于生物量的測量，國內外學者提出了諸多預測方法，當前新興的機器視覺、光學成像等技術獲得了初步的研究成果[2-3]。本研究是以小麥育種檢測為目的，采用生物力學方法構建生物量預測模型，以期能提出一種快速無損檢測的高效技術。

1 關鍵技術

作物莖稈的生物力學性能有拉伸強度、彈性模量和抗彎折性能等，它們反映了作物的生長狀態，是優種篩選的重要依據。將工程物理方法與農業科技相結合，是現代化農業發展的新思路之一，這次研究將采用力學傳感器技術對小麥莖稈的生物力學特性進行分析，并以此對小麥生物量的無損檢測進行深入研究。當小麥莖稈受到外界推力時，會產生一定程度的變形。相關研究顯示，其變形程度與小麥莖稈的機械強度和種植密度有關[4]。小麥生物力學特性無損檢測的關鍵技術如圖1所示。

圖1 小麥生物力學特性無損檢測關鍵技術Fig.1 Key techniques for nondestructive testing of biomechanical properties of wheat

在圖1a中，當觸桿勻速緩慢地掃過小麥莖稈時，其莖稈側面受到推力作用，并產生反作用力F；將反作用力沿水平和垂直方向進行分解，可以得到圖中所示的F′和F″，觸桿在F′的作用下產生扭矩M′。對于小麥地而言，其地上鮮生物量取決于小麥的莖粗、高度和種植密度；不同區域的小麥產生的反作用力不同，進而得到不同大小的分力F′和扭矩M′。在圖1b中，生物量無損檢測系統由壓力傳感器、觸桿、數據采集系統和平板計算機(PDA)等部分組成；壓力傳感器測得分力F′或扭矩M′，則可以間接得到區域小麥生物量，這是快速無損檢測技術的關鍵。

傳感器的輸出電壓與受力大小呈線性關系。這次研究所選擇的小麥育種試驗區為0.8 m×3.0 m，因此選擇傳感器承載面大小為0.2 m×0.2 m，觸桿長度0.9 m，單點式壓力傳感器靈敏度為0.85～1.15 mV/V，工作電壓為5～12 V DC。數據采集系統接收到來自傳感器的輸出模擬信號，對信號進行采集和調理，經過A/D功能轉換和MCU；系統的信號輸出形式為RS485，將其轉USB串口，并傳送至平板計算機系統中。本次研究的軟件系統在LabVIEW環境中開發，數據實時顯示及存儲系統流程如圖2所示。

圖2 數據實時顯示及存儲系統流程Fig.2 System flow of real time data display and storage

平板計算機得到的力學信號是字符串信息，需要通過一系列轉換函數將信息中的有用部分轉換為電壓值，并以波形函數的形式顯示出來[5]。數據的深入分析是建立在數據保存基礎上的，依據時間函數，數據保存模塊將采集數據的獲取日期和時間轉換為對應字符串，以此進行數據存儲。

2 小麥生物量預測模型構建

此次研究的試驗區為暖溫帶大陸性季風氣候，春秋時間短，夏季高溫多雨，冬季低溫干燥，年降雨量約600 mm，年均氣溫10～12 ℃。區域為大田管理，小麥行距15 cm，長勢均勻，正常肥水種植，無特殊處理。在測量小麥生物力學特性時，對區域外小麥進行割除處理，保證數據精度。數據采集分別在小麥抽穗期、開花期和灌漿期進行，并避免風雨等天氣影響。

由于測量過程中存在諸多變量因素，因此在建立預測模型前，需要確定影響小麥莖稈力學信號的相關因素[6]。首先確定品種和測量高度對小麥力學特性的影響。選擇小麥品種A、B、C分別進行測量，以相對勻速狀態在距地面45 cm位置掃過其莖稈，保證其余參數一致。由于第一排小麥和最后一排小麥的密度減小，檢測到的力學信號值不穩定，因此僅選擇取中間平穩數據。品種和測量高度對小麥莖稈力學信號的影響如圖3所示，在同一測量高度下，品種對小麥莖稈的力學信號存在顯著影響，對于同一品種而言，測量高度越高，其力學信號越小。由此可見，在測量小麥生物力學特性時，需要將測量高度考慮在內，并構建具有品種針對性的預測模型。

圖3 品種和測量高度對小麥莖稈力學信號的影響Fig.3 Effect of variety and measurement height on mechanical signal of wheat stem

有研究顯示，小麥生物量與小麥生物力學特性之間存在一定關聯[7]。小麥生物力學特性-地上鮮生物量相關性分析如圖4所示，在不同測量高度下，小麥力學信號與地上鮮生物量均呈現出較好的相關性，距離地面越近，兩者之間的相關性越好，反之則相關性逐漸降低。

圖4 小麥生物力學特性-地上鮮生物量相關性分析Fig.4 Correlation analysis of wheat biomechanical characteristics and aboveground fresh biomass

除此之外，有學者表示，小麥產量受株高影響，且兩者之間存在重要關聯性。這次研究采用多元回歸法構建生物量預測模型，當小麥品種固定時，將測量高度和株高作為變量，并得到融合特征參數。第1步，針對在40、45和50 cm測量高度下得到的莖稈力學信號，采用一元回歸分析法進行擬合分析，并得到擬合方程。第2步，將3種測量高度融合，作為“融合變量1”，并利用多元回歸分析的方法建立小麥地上鮮生物量的預測模型M1。第3步，加入株高這一變量，作為“融合變量2”，并進行多元回歸分析，建立預測模型M2。

本次研究在C品種小麥中采集生物力學特性數據，抽穗期、開花期和灌漿期的樣本數據分別有40、40和39個。以測量高度40、45和50 cm為輸入變量，分別進行一元回歸分析，生物力學信號-生物量的擬合結果如表1所示。從擬合結果來看，不同時期及測量高度下，得到的擬合方程有所差別。

表1 不同時期、測量高度下莖稈力學信號-生物量擬合方程Tab.1 Fitting equation of stem mechanical signal biomass under different period and measured height

在上述數據擬合的基礎上，融合特征參量，即3種測量高度、株高，并建立對應的小麥生物量預測模型。預測模型M1和M2的表達式為

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——測量高度40、45和50 cm下所測的力學信號

x4——對應植株株高

y——小麥地上鮮生物量

采用決定系數R2和均方根誤差RMSE對預測模型進行統計學評價。決定系數R2通常用來反映自變量和因變量之間的相關程度，R2越接近1，表征預測模型的預測效果越好。

(2)

式中yi——生物量的實測值

n——樣本個數

均方根誤差的計算如式(3)所示，它能靈敏地反映出數據集的特小或特大誤差，并表征測量值的精確程度。在這次研究中，RMSE值越小，說明預測模型的效果越好。

(3)

3 基于多元回歸分析的小麥地上鮮生物量預測

3.1 單生育期小麥生物量預測結果及分析

根據所構建的小麥生物量預測模型M1、M2及表1中的擬合方程，將采集數據分為訓練集和測試集，對小麥莖稈無損檢測的建模效果進行評價。在每個生育期中選擇13個數據作為測試集，剩余數據作為訓練集，單生育期小麥生物量預測模型效果評價如圖5所示。

根據圖5中的數據結果，對不同時期的模型預測效果進行評價。就抽穗期而言，當訓練集輸入變量40 cm或測試集輸入變量45 cm時，其R2值最大，預測效果較好；當訓練集輸入變量為融合變量2或測試集輸入變量45 cm時，其值最小，預測效果較好。但整體來看，當輸入變量45 cm時，預測模型在訓練集和測試集上的一致性更高，其預測效果最好。

圖5 單生育期小麥生物量預測模型效果評價Fig.5 Effect evaluation of wheat biomass prediction model in single growth period

就開花期而言，當訓練集輸入變量40 cm或測試集輸入變量50 cm時，其R2值最大，預測效果較好；當訓練集輸入變量40 cm或測試集輸入變量50 cm時，其RMSE值最小，預測效果較好。但整體來看，當輸入變量50 cm時，預測模型在訓練集和測試集上的一致性更高，其預測效果最好。

就灌漿期而言，當訓練集輸入變量為融合變量2或測試集輸入變量40 cm時，其R2值最大，預測效果較好；當訓練集輸入變量為融合變量2或測試集輸入變量40 cm時，其RMSE值最小，預測效果較好。但整體來看，當輸入變量為融合變量2時，預測模型在測試集的預測效果較差，且與訓練集的預測效果存在較大差異；當輸入變量40 cm時，預測模型在訓練集和測試集上的一致性更高，其預測效果最好。

將單生育期的最佳預測結果與實測結果進行相關性對比，如圖6所示。各個點表示預測結果和實測結果之間的相關性，直線為相關性的線性擬合結果。從對比結果可以看出，預測模型在抽穗期的預測相關性最好，在開花期和灌漿期的預測相關性均是差強人意。結合圖5進行分析，從單生育期的預測效果來看，株高這一特征參量在訓練集提高了模型的預測效果，但其在測試集的預測效果并不好。

圖6 預測模型在不同時期的預測相關性對比Fig.6 Correlation comparison of prediction models in different periods

3.2 多生育期小麥生物量預測結果及分析

在119個抽穗期數據中，隨機選擇80個數據對預測模型進行訓練，并以剩余數據對預測模型進行測試，預測模型在抽穗-灌漿期的預測效果及相關性分析如圖7所示。

圖7 預測模型在抽穗-灌漿期的預測效果及相關性分析Fig.7 Prediction effect and correlation analysis of prediction model in heading filling stage

從圖7a可以看出，隨著測量高度的增加，預測模型在訓練集和測試集中的結果相關性和預測效果逐漸降低；融合特征參量后，預測模型的預測效果有所提升，特別是融合株高特性后；但整體來看，當輸入變量為融合變量1時，其預測效果最好。在圖7b中，將輸入變量為融合變量1的預測結果進行相關性分析。相關性分析結果顯示，對全時期小麥進行地上鮮生物量預測時，利用40、45和50 cm高度處的采集數據構建預測模型，具有較高的準確性。為了更直觀地觀察不同生育期的無損檢測效果，將各個生育期的最佳預測結果進行對比，如圖8所示。

圖8 預測模型在不同生育期的預測效果對比Fig.8 Comparison of prediction effects of prediction models in different growth stages

從圖8可以明顯看出，抽穗期的模型預測效果最好，一方面是其R2值、RMSE值最小，另一方面是其訓練集和測試集的預測效果基本一致。隨著小麥生育期的發展，預測模型的預測效果顯著降低，且訓練集和測試集的結果一致性明顯降低。

4 結論

小麥地上鮮生物量檢測是把握小麥生長狀況的關鍵途徑之一，但現今的檢測技術在復雜的田間環境中并不能達到較好的檢測效果。本研究提出采用力學傳感技術和多元回歸分析的方法對小麥地上鮮生物量進行預測，并得到了以下結論。對于利用小麥生物力學特性所構建的預測模型，一方面是其預測效果與測量高度呈反比，在測量高度40 cm時，其預測效果最好；另一方面，其預測效果與小麥所處生育期有關，抽穗期的預測效果最好。這是由于在生育期后期，小麥莖稈所受麥穗的作用力增大，從而影響了模型的預測效果。除此之外，融合特征參數并不能顯著提高模型的預測效果，甚至模型在訓練集和測試集的結果一致性明顯降低。因此利用小麥生物力學特性所構建的生物量預測模型僅適用于抽穗期，后期還需要繼續探索多融合技術的預測模型。