本發明涉及種植管理，具體為一種基于深度學習的山茶種植智慧災害防治系統及方法。

背景技術：

1、山茶有耐蔭、喜濕、喜溫、怕曬、怕凍、怕澇等生長特性，對生長環境要求較為苛刻。種植過程中會遇到病蟲害，包括蚜蟲、介殼蟲、螨蟲、蛀莖蟲、茶黃毒蛾等，導致葉片變形、卷曲，甚至枝條枯死。環境、蟲害等因素都對山茶的生長、開花、結果造成嚴重影響，既影響產量也影響品質。

2、現有的防治技術通常都是通過對病蟲害進行圖像識別和比較判斷病蟲害的類型和條件，然后對病蟲害進行防治，但是這種防治方法往往需要等病蟲害出現明顯特征時才能進行采集和準確判斷，比如公開號為cn117196685a的專利申請中，公開了一種農產品種植智能管理方法及系統，該方案：依次根據氣候數據、特色產業形成原因、特色作物和限制性因子，對農產品進行篩選，得到推薦農產品；在推薦農產品種植的過程中，獲取病蟲害視頻，通過神經網絡識別病蟲害特征，并基于病蟲害特征判斷病蟲害類型；獲取病蟲害圖片，與數據庫的病蟲害圖片進行相似度對比，得到侵害程度；調取病蟲害類型發生的條件，并結合推薦農產品的類型和種植過程中的農事操作，判斷所述病蟲害類型的發生概率和蔓延概率；若發生概率和蔓延概率均超過閾值，則根據病蟲害類型和侵害程度，給出防治方法，該方法存在監測不及時和防治不精準的問題，會導致蟲害和病害擴散，造成山茶減產甚至絕收的問題。

技術實現思路

1、本發明旨在至少在一定程度上解決現有技術中的技術問題之一，通過山茶種植區內的生物數據和環境數據進行采集和分析得到生物狀態數據和環境狀態數據，再進行預測，得到預測數據，最后基于預測數據對山茶種植區進行防治處理，以解決現有的種植防治技術還存在監測不及時和防治不精準的問題，會導致蟲害和病害擴散，造成山茶減產甚至絕收的問題。

2、為實現上述目的，第一方面，本技術提供一種基于深度學習的山茶種植智慧災害防治系統，包括防治采集模塊、防治分析模塊、預測模塊和預警處置模塊；

3、所述防治采集模塊用于采集山茶種植區內的生物數據和環境數據；

4、所述防治分析模塊用于對生物數據和環境數據進行分析得到生物狀態數據和環境狀態數據；

5、所述預測模塊基于生物狀態數據和環境狀態數據進行預測，得到預測數據；

6、所述預警處置模塊基于預測數據對山茶種植區進行防治處理。

7、進一步地，所述防治采集模塊包括生物采集單元，所述生物采集單元配置有生物采集策略，所述生物采集策略包括在山茶種植區域內設置自動蟲情燈，在自動蟲情燈設置有內置傳感器，所述內置傳感器用于對進入自動蟲情燈的昆蟲進行計數，每間隔第一時長獲取一次進入自動蟲情燈的昆蟲數量，設置為區域昆蟲數據；

8、在山茶種植區域內設置孢子捕捉器，每間隔第一時長從孢子捕捉器中獲取一次的區域內的孢子密度，設置為區域孢子數據；

9、在山茶種植區域內設置若干攝像設備，所述攝像設備用于采集不同方向的山茶圖像，每間隔第二時長獲取一次區域內的山茶圖像，設置為山茶圖像數據；

10、所述區域昆蟲數據、區域孢子數據和山茶圖像數據統稱為生物數據。

11、進一步地，所述防治采集模塊還包括環境采集單元，所述環境采集單元配置有環境采集策略，所述環境采集策略包括在山茶種植區內設置土壤傳感器，所述土壤傳感器用于監測土壤中的土壤水分含量和土壤溫度并實時傳輸數據，并記錄為實時土壤數據；

12、在山茶種植區內設置智能氣象儀，所述智能氣象儀用于實時監測區域溫度和區域濕度，并記錄為實時氣象數據；

13、所述實時土壤數據和實時氣象數據統稱為環境數據。

14、進一步地，所述防治分析模塊包括蟲害分析單元，所述蟲害分析單元配置有蟲害分析策略，所述蟲害分析策略包括獲取連續時長內的區域昆蟲數據和區域孢子數據繪制蟲害數據變化曲線圖，從蟲害數據變化曲線圖中獲取蟲害數據變化速率圖；

15、從歷史數據中獲取蟲害暴發前第三時長內的蟲害數據變化速率圖，設置為臨界點變化速率圖，對臨界點變化速率圖進行特征提取，獲取臨界點變化速率圖的平均速率，設置為臨界值；

16、每間隔第三時長獲取一次蟲害數據變化速率圖的平均速率，設置為蟲害變化特征值。

17、進一步地，所述防治分析模塊還包括圖像分析單元，所述圖像分析單元配置有圖像分析策略，所述圖像分析策略包括對山茶圖像數據進行輪廓提取，得到若干山茶樹葉輪廓，對于每個山茶樹葉輪廓內圖像進行特征提取，所述特征提取包括使用rgb通道對山茶樹葉輪廓內圖像的每個像素點進行表示，得到樹葉顏色分布圖；

18、使用rgb通道對正常山茶樹葉圖像的每個像素點進行表示，得到標準顏色分布圖，從標準顏色分布圖上獲取rgb通道最小的像素點和rgb通道最大的像素點，設置為標準通道區間；

19、將樹葉顏色分布圖中像素值不處于標準通道區間的像素點，記為特殊像素點，將特殊像素點的數量和rgb通道設置為顏色特征；

20、建立病狀特征數據庫，所述病狀特征數據庫用于存儲不同病狀山茶葉對應的顏色特征。

21、進一步地，所述防治分析模塊還包括環境分析單元，所述環境分析單元配置有環境分析策略，所述環境分析策略包括獲取土壤水分含量和區域濕度，代入區域濕度影響公式中，計算得到區域濕度影響值，其中，a1為區域濕度影響值，h0為土壤水分含量，s0為區域濕度；

22、獲取土壤溫度和區域溫度，代入區域溫度影響公式中，計算得到區域溫度影響值，其中，a2為區域溫度影響值，tt為土壤溫度，tq為區域溫度；

23、實時獲取區域溫度影響值和區域濕度影響值，繪制區域影響曲線圖；

24、對區域影響曲線圖進行分段，得到時段類型，將溫度影響值和濕度影響值均大于1的區段設置為高溫潮濕時段，

25、將溫度影響值和濕度影響值均小于1的區段設置為低溫干燥時段，

26、將溫度影響值小于1，且濕度影響值大于等于1的區段設置為低溫潮濕時段，

27、將溫度影響值大于1，且濕度影響值小于等于1的區段設置為高溫干燥時段。

28、進一步地，所述預測模塊配置有預測策略，所述預測策略包括對蟲害變化特征值進行監測，當蟲害變化特征值到達臨界點前，從病狀特征數據庫中獲取山茶樹葉的顏色特征對應的病狀，獲取該病狀的適宜時段類型；

29、當此時的時段類型為該病狀的適宜時段類型時，獲取此時的時段類型平均持續時長，設置為預測高發時長。

30、進一步地，所述預警處置模塊配置有預警處置策略，所述預警處置策略包括當獲取到任意一個病狀的預測高發時長時，從數據庫中獲取該病狀的預設應對方式并激活。

31、第二方面，本發明提供一種基于深度學習的山茶種植智慧災害防治方法，包括如下步驟：

32、采集山茶種植區內的生物數據和環境數據；

33、對生物數據和環境數據進行分析得到生物狀態數據和環境狀態數據；

34、基于生物狀態數據和環境狀態數據進行預測，得到預測數據；

35、基于預測數據對山茶種植區進行防治處理。

36、本發明的有益效果：本發明通過使用多種傳感器對山茶種植區域進行采集，得到山茶種植區內的生物數據和環境數據，能夠進行多維度的數據分析和地理信息處理，為精準農業提供數據支撐；

37、本發明通過對生物數據和環境數據進行分析得到生物狀態數據和環境狀態數據，利用深度學習模型，基于歷史數據和實時數據進行高效訓練與分析，再基于生物狀態數據和環境狀態數據進行預測，得到預測數據，能夠提前預警可能發生的災害，并不斷優化防治策略，提升防災減災的準確性。