本發明涉及深度學習領域，具體而言，涉及一種基于深度學習的作物全生長周期識別方法及系統。
背景技術：
1、在現代農業中，作物生長周期的智能識別是精準農業管理的核心環節，廣泛應用于作物健康監測、生長階段判定及環境調控決策。現有技術通常通過部署圖像采集設備獲取作物可見光圖像，并基于卷積神經網絡提取圖像特征，結合分類模型輸出作物的生長階段標簽。例如，利用rgb圖像中的顏色與形態特征訓練支持向量機模型，將作物劃分為萌芽期、生長期、成熟期等階段；或通過預訓練的深度學習模型對葉片面積、莖稈高度等表型參數進行回歸分析，間接推斷作物生長狀態。
2、然而，上述方法在實際應用中存在顯著局限性：首先，傳統方法依賴單一可見光波段的圖像數據，難以捕捉作物在多光譜通道下的生理狀態變化（如葉綠素含量、水分脅迫響應），導致模型對生長階段的判別受限于表觀形態特征，無法關聯環境適應能力等深層指標。其次，作物生長環境的光照條件復雜多變，現有技術通常采用全局直方圖均衡化或固定參數校正處理圖像，無法區分過曝光與欠曝光區域，導致局部細節丟失，模型在強光或陰影干擾下誤判率升高。此外，傳統模型僅輸出生長階段分類結果，缺乏對作物健康狀態（如營養吸收效率、病蟲害抗性）的量化評估，難以指導精準的灌溉、施肥等農事操作，造成資源浪費或管理滯后。此外，現有技術中各模態特征（如形態、紋理、光譜）的處理相互孤立，未建立跨模態的時序關聯機制。例如，僅通過形態特征判斷生長階段時，可能因環境脅迫導致的葉片卷曲與正常生長階段的形態變化混淆；而單一依賴光譜特征評估健康狀態時，易受光照波動引起的反射率偏差干擾。此類特征割裂問題進一步限制了模型對作物全生長周期復雜表型演變的解析能力。因此，亟需一種方法，提升識別精度與農業管理效率。
技術實現思路
1、本發明的目的在于提供一種基于深度學習的作物全生長周期識別方法及系統，本發明實施例是這樣實現的：
2、第一方面，本發明實施例提供了一種基于深度學習的作物全生長周期識別方法，所述方法包括：通過圖像采集設備獲取目標作物在連續時間段內的多光譜圖像序列，并對所述多光譜圖像序列中的每個圖像幀執行標準化光照調整處理，得到與所述多光譜圖像序列對應的標準光照圖像集；對所述標準光照圖像集中的每個圖像進行作物區域分割處理，提取與目標作物相關的局部特征區域，生成包含所述局部特征區域的標準化作物圖像集；將所述標準化作物圖像集中的每個圖像輸入至預先訓練的多任務深度學習模型中，通過所述多任務深度學習模型中的并行卷積分支分別提取所述標準化作物圖像中的形態特征向量、紋理分布向量以及光譜響應向量；根據所述形態特征向量、紋理分布向量以及光譜響應向量的組合特征，在所述多任務深度學習模型的全連接層中執行跨階段關聯分析，輸出對應于目標作物生長周期的多任務分類結果；所述多任務分類結果包括生長階段類別標簽、生長健康狀態評分以及環境適應能力指數；根據所述多任務分類結果中的生長階段類別標簽，生成與目標作物全生長周期對應的階段識別報告，并將所述生長健康狀態評分與環境適應能力指數關聯存儲至作物管理數據庫。
3、第二方面，本發明實施例提供了一種計算機系統，包括：一個或多個處理器；存儲器；一個或多個計算機程序；其中所述一個或多個計算機程序被存儲在所述存儲器中并被配置為由所述一個或多個處理器執行，所述一個或多個計算機程序被所述處理器執行時，實現如上所述的方法。
4、本發明至少包含的有益效果：
5、本發明提供的基于深度學習的作物全生長周期識別方法，通過獲取目標作物在連續時間段內的多光譜圖像序列，并對所述多光譜圖像序列執行標準化光照調整處理，生成標準光照圖像集；對所述標準光照圖像集中的圖像進行作物區域分割處理，提取目標作物的局部特征區域，生成標準化作物圖像集；將所述標準化作物圖像輸入多任務深度學習模型中，通過并行卷積分支提取形態特征向量、紋理分布向量及光譜響應向量；基于跨階段關聯分析輸出包含生長階段類別標簽、健康狀態評分及環境適應能力指數的多任務分類結果；最終生成階段識別報告并關聯存儲至作物管理數據庫。這樣，多光譜圖像序列能夠全面捕捉作物在不同光譜通道下的表型特征，標準化光照調整處理有效消除環境光照差異對圖像質量的干擾，保障后續特征提取的魯棒性；形態特征向量通過多尺度卷積捕獲作物莖干與葉片的結構演變規律，紋理分布向量量化葉片表面紋理隨生長階段的退化或健康恢復模式，光譜響應向量則融合多光譜通道的生理狀態敏感信息，三者協同增強模型對作物生長狀態的多維度解析能力。同時，跨階段關聯分析結合時間序列建模，將連續時間段內的生長趨勢變化與實時分類結果關聯，提升生長階段判別的時序一致性。生長健康狀態評分與環境適應能力指數的引入，不僅提供作物生理狀態的量化評估指標，還通過與環境參數、標準生長范圍的對比分析，直接映射至灌溉、施肥等農事操作的動態調控策略，形成從數據采集、智能識別到精準控制的閉環管理鏈路。最終，階段識別報告與作物管理數據庫的關聯存儲，為歷史數據回溯、生長趨勢預測及策略效果驗證提供數據基礎，顯著提升作物全生命周期管理的自動化水平與決策可靠性。
1.一種基于深度學習的作物全生長周期識別方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述對所述多光譜圖像序列中的每個圖像幀執行標準化光照調整處理，得到與所述多光譜圖像序列對應的標準光照圖像集，包括：
3.根據權利要求2所述的方法，其特征在于，所述通過所述多任務深度學習模型中的并行卷積分支分別提取所述標準化作物圖像中的形態特征向量、紋理分布向量以及光譜響應向量，包括：
4.根據權利要求3所述的方法，其特征在于，所述在所述多任務深度學習模型的全連接層中執行跨階段關聯分析，輸出對應于目標作物生長周期的多任務分類結果，包括：
5.根據權利要求4所述的方法，其特征在于，所述方法還包括訓練所述多任務深度學習模型的過程，包括：
6.根據權利要求5所述的方法，其特征在于，所述通過聯合損失函數對模型參數進行優化，包括：
7.根據權利要求6所述的方法，其特征在于，所述動態調整各損失項的權重系數，包括：
8.根據權利要求5所述的方法，其特征在于，所述方法還包括對所述訓練用標準化作物圖像集執行數據增強處理的過程，包括：
9.根據權利要求8所述的方法，其特征在于，所述動態調整批次采樣權重，包括：
10.一種計算機系統，其特征在于，包括：