本發明屬于智能農業監測，特別是涉及基于深度學習的農田病蟲害監測與防治方法、系統及裝置。

背景技術：

1、農田病蟲害監測與防治是農業生產中的重要技術領域，通過精準監測病蟲害的發生與擴散情況，結合科學防治措施，保障農作物健康生長與農業生態環境的可持續發展。近年來，隨著遙感技術、無人機、大數據和人工智能技術的發展，農田病蟲害監測逐漸向智能化、實時化和精準化方向邁進，但目前的農田病蟲害監測方案主要存在如下問題：

2、（1）監測方式較為單一，且農田病蟲害相關數據采集不夠全面；

3、（2）通常只關注單一指標，如蟲情密度或環境參數，缺乏對農田系統整體狀況的綜合評估；

4、（3）缺乏科學量化的病蟲害評估模型，對農田病蟲害情況總體掌握不夠準確，難以輸出準確有效的防治決策。

5、因此，我們需要開發出基于深度學習的農田病蟲害監測與防治方法、系統及裝置，能全面采集農田數據，充分考慮農田病蟲害相關因素并評估，輸出相應的病蟲害防治措施。

技術實現思路

1、本發明的目的在于提供基于深度學習的農田病蟲害監測與防治方法、系統及裝置，以解決上述背景技術中提到的現有農田監測方案數據采集不夠全面、評估指標較為單一以及病蟲害監測準確性較差等問題。

2、為實現上述目的，一方面，本發明提供一種基于深度學習的農田病蟲害監測與防治方法，所述方法具體如下：

3、基于目標農田的傳感器數據進行多層次數據預處理，獲得所述目標農田的結構化傳感器數據，所述結構化傳感器數據包括環境參數、土壤參數、作物生長圖像、蟲情信息圖像、害蟲種群密度、農事操作數據；

4、對所述作物生長圖像進行數據分析，得到農作物的生長參數，所述生長參數包括作物冠層高度、葉面積指數和葉綠素含量，將不同生長時期的所述生長參數繪制成時間序列曲線，并引入標準生長曲線作為參照，對比實際生長進程與理想模型間的差異，獲得所述目標農田的作物長勢診斷報告；

5、所述葉綠素含量的獲取包括：

6、提取所述葉綠素含量，即葉片中葉綠素的相對含量；將所述作物生長圖像從rgb空間轉換到hsv空間，以色調通道中位于45°~65°范圍內的黃綠色像素點為采樣對象，結合下述公式估算葉綠素含量：，其中h、s、v分別是從圖像中選取的黃綠色像素點的色調、飽和度和亮度的平均值，c為偏移量，分別表示色調、飽和度和亮度對葉綠素含量預測的貢獻或影響程度，反映了每個hsv成分在估算葉綠素含量時的重要性和敏感度。

7、通過深度學習算法對所述蟲情信息圖像進行害蟲識別、定位和計數，得到害蟲種群動態，基于多源數據，構建蟲害發生預測模型，通過所述蟲害發生預測模型得到蟲害發生概率，并生成包括蟲害防治時機的預警信息；

8、基于所述傳感器數據、所述農作物的生長參數、所述作物長勢診斷報告、所述害蟲種群動態、蟲害發生概率、蟲害防治時機，獲得所述目標農田的農事管理決策方案，并優化農資的選型和配比，所述農資包括種子、化肥、農藥，評估不同的所述農事管理決策方案的經濟效益，為農戶和管理者提供參考。

9、基于前述方案，所述葉面積指數的獲取包括：

10、提取單位地面面積上總葉片面積與地面面積的比值，作為所述葉面積指數：以所述作物生長圖像中心區域s塊像素為樣本，提取s塊像素內綠色像素的占比r，并通過如下公式計算葉面積指數：lai=k*r/(1-r)，其中系數k根據作物種類和生長階段進行調整；

11、基于前述方案，基于溫度t和光照l的動態修正機制，降低環境條件對所述葉綠素含量的影響，所述動態修正機制為：，其中環境修正函數定義為：

12、

13、

14、其中為最適溫度；為最適光照強度，為擬合系數。

15、基于前述方案，基于所述葉綠素含量的日變化和季節變化特征，通過時序動態修正因子對所述葉綠素含量進行修正，公式如下：

16、

17、其中為采樣時間，單位為小時，為日變化系數，為年變化系數。

18、基于前述方案，所述多層次數據預處理，包括第一層預處理、第二層預處理，所述第一層預處理包括：

19、通過邊緣計算層對所述傳感器數據進行第一層預處理，得到第一預處理數據，包括：對所述環境參數，通過閾值過濾、中值平滑算法去除隨機噪聲干擾；對所述土壤參數，剔除明顯異常值，并檢測數據的完整性，以固定時間間隔為單位進行聚合壓縮；對所述作物生長圖像，采用基于深度學習的目標檢測算法提取作物區域，去除圖像背景；對所述蟲情信息圖像，通過圖像增強、特征工程法突出害蟲目標的紋理特征；

20、所述第二層預處理，包括：通過消息隊列遙測傳輸協議將所述第一預處理數據上報至數據中心層，接入模塊解析數據包并驗簽，確保數據來源可信再進行第二層預處理，所述第二層預處理包括：對所述第一預處理數據進行時間格式統一、規范字段命名處理，形成所述結構化傳感器數據，作為第二預處理數據。

21、基于前述方案，所述構建蟲害發生預測模型，包括：

22、基于所述環境參數、所述農作物的生長參數、所述害蟲種群動態和所述農事操作數據，通過相關性分析、因子分析方法，篩選出與蟲害發生關系密切的關鍵特征因子，包括氣象因子、作物生長指標以及農事因素，構建多維輸入特征向量；

23、基于所述多維輸入特征向量，采集相應的歷史觀測值序列數據，形成完整的蟲害預測訓練樣本集，作為所述蟲害發生預測模型的輸入數據，所述訓練樣本集的時間跨度覆蓋蟲害發生的整個過程；

24、采用基于時間序列的機器學習算法搭建蟲量與所述關鍵特征因子的非線性回歸模型作為所述蟲害發生預測模型，輸入變量為各類特征因子的歷史觀測值序列，輸出變量包括所述目標農田未來數天的蟲量或蟲口密度；

25、設定固定時間周期，每個時間周期開始前，使用上一時間周期的歷史觀測值序列數據作為所述訓練樣本集，輸入訓練好的所述蟲害發生預測模型，得出所述時間周期內的蟲口密度變化趨勢，監測每個時間周期開始前的蟲量，結合所述蟲口密度變化趨勢預測蟲害發生概率及蟲害等級，所述固定時間周期包括每日、每周、每月、每半月、每半年、每季度以及每年。

26、基于前述方案，基于時間衰減因子，對蟲害發生概率進行計算，公式如下：，其中表示時刻的蟲害發生概率，為第個所述關鍵特征因子在時刻的測量值，包括溫度、濕度、光照環境因子，為各關鍵特征因子的權重系數，反映不同關鍵特征因子對蟲害發生的貢獻度，為時間衰減系數，用于描述歷史數據對當前預測的影響程度，為對應數據的采集時間點，為時間衰減項，隨采集時間點與當前時間點t的時間間隔的增大而減小。

27、一方面，本發明還提供一種基于深度學習的農田病蟲害監測與防治系統，包括：

28、數據采集層、用于通過多種傳感器對目標農田進行數據采集，獲得所述目標農田對應的傳感器數據；

29、邊緣計算層、用于基于所述傳感器數據進行多層次數據預處理，獲得所述目標農田的結構化傳感器數據，所述結構化傳感器數據包括環境參數、土壤參數、作物生長圖像、蟲情信息圖像、害蟲種群密度、農事操作數據；

30、數據中心層、用于對所述作物生長圖像進行數據分析，得到農作物的生長參數，所述生長參數包括作物冠層高度、葉面積指數和葉綠素含量，將不同生長時期的所述生長參數繪制成時間序列曲線，并引入標準生長曲線作為參照，對比實際生長進程與理想模型間的差異，獲得所述目標農田的作物長勢診斷報告；

31、智能分析層、用于通過深度學習算法對所述蟲情信息圖像進行害蟲識別、定位和計數，得到害蟲種群動態，基于多源數據，構建蟲害發生預測模型，通過所述蟲害發生預測模型得到蟲害發生概率，并生成包括蟲害防治時機的預警信息，所述害蟲種群動態包括害蟲種群密度，所述多源數據包括所述環境參數、農作物的生長參數、作物長勢診斷報告中的作物生長狀況評估結果以及害蟲種群動態；

32、決策支持層、用于基于所述傳感器數據、所述農作物的生長參數、所述作物長勢診斷報告、所述害蟲種群動態、蟲害發生概率、蟲害防治時機，獲得所述目標農田的農事管理決策方案。

33、另一方面，本發明還提供一種基于深度學習的農田病蟲害監測與防治裝置，包括：

34、存儲器，用于存儲程序；

35、處理器，用于加載所述程序已執行上述的智能化農田系統處理方法。

36、本發明相對于現有技術具有如下的優點及效果：

37、（1）通過多源傳感器的協同部署，實現了農田環境參數、作物生長信息和病蟲害動態的全面感知，同時結合邊緣計算技術提高了數據的實時預處理和傳輸效率；

38、（2）提出了基于hsv顏色空間的作物生長參數提取算法，并結合葉綠素含量預測模型，綜合評估作物健康狀況，為病蟲害預測提供參考，提高了監測考慮因素的全面性；

39、（3）通過深度學習算法實現病蟲害的自動識別和計數，結合環境因子建立蟲害發生預測模型，提供精準的病蟲害預測結果并輸出相應的病蟲害防治措施。