CN115756037A - 一种设施大棚蔬菜管控方法及系统 - Google Patents

Abstract

本发明涉及农业管理领域，公开了一种设施大棚蔬菜管控方法及系统，通过在设施大棚的蔬菜种植支架上设置巡检轨道，并通过巡检机器人在巡检轨道上环绕设施大棚移动多方位采集蔬菜的多维度的生长生理信息和设施大棚的环境信息，通过具有健康蔬菜各项评价指标的健康评分模型对蔬菜的生长生理信息和所处的环境进行评分，并根据评分结果，分析此时蔬菜的生长发育状况，以及所处的环境是否适合蔬菜的生长，及时对蔬菜进行相应的农事操作并调节设施大棚环境，能够对设施大棚蔬菜的定时定点自动巡检，实现对设施大棚蔬菜的生长生理信息和设施大棚的环境信息进行实时检测，提高设施大棚蔬菜的管控效率和精度。

Description

一种设施大棚蔬菜管控方法及系统

技术领域

本发明涉及农业管理领域，更具体地，涉及一种设施大棚蔬菜管控方法及系统。

背景技术

在传统的设施大棚蔬菜种植中，通过使用塑料薄膜进行搭建大棚，达到保障大棚温暖环境的目的，并未对蔬菜的生长发育状况和种植环境进行监管。在蔬菜的生长发育过程中，通过蔬菜的长势进行监测和分析可以判断蔬菜的生长发育状况是否良好和是否出现病虫害。根据蔬菜生长发育的监测分析结果，可对蔬菜进行适当的农事操作，如浇水、施肥和打药等，实现设施大棚蔬菜的稳产和高产，因此基于对设施大棚蔬菜长势的智能巡检分析，实现设施大棚蔬菜的精准管控的是十分必要的。

现有一种大棚蔬菜管控方法及系统，其根据蔬菜所在分区的环境信息、土壤信息和所述蔬菜的当前生育阶段，获取所述蔬菜的水分需求量，然后根据所述分区的土壤养分信息和所述蔬菜的养分吸收特征，基于土壤养分平衡方法获取所述蔬菜在当前生育阶段的养分需求量，并根据所述蔬菜的水分需求量和养分需求量，对所述蔬菜进行灌溉和施肥，在一定程度上提高了蔬菜管控效率。

然而上述方法需要人工采集蔬菜的环境信息和土壤信息，以及人工分析蔬菜的生育阶段，不能对蔬菜进行实时监测和分析，且采集的数据维度单一，导致蔬菜管控效率低且不精准的问题。

发明内容

本发明为克服现有技术中需要人工采集蔬菜的环境信息和土壤信息，以及人工分析蔬菜的生育阶段，导致蔬菜管控效率低且不精准的问题，提供一种设施大棚蔬菜管控方法及系统。

为解决上述技术问题，本发明的技术方案如下：

第一个方面，本发明提出一种设施大棚蔬菜管控方法，包括以下步骤：

S1：通过巡检机器人获取蔬菜图像和设施大棚的环境信息；

S2：根据所述蔬菜图像，获取蔬菜的生长生理信息；

S3：将所述生长生理信息和所述环境信息输入健康评分模型，对蔬菜当前的生长状态和设施大棚环境进行评分；

S4：根据评分结果，对蔬菜进行农事操作并调节设施大棚环境。

第二个方面，本发明还提出一种设施大棚蔬菜管控系统，包括：

巡检轨道、巡检机器人、数据采集装置、通信装置和上位机。所述巡检轨道设置在设施大棚的蔬菜种植支架上。所述巡检机器人可移动地设置在所述巡检轨道上，用于在所述巡检轨道上环绕设施大棚移动。

所述数据采集装置和通信装置搭载于所述巡检机器人上，所述数据采集装置和所述上位机分别与所述通信装置通讯连接。所述数据采集装置用于采集蔬菜图像和设施大棚的环境信息。所述通信装置用于将所述数据采集装置采集的蔬菜图像和设施大棚的环境信息传输至所述上位机，所述上位机根据所述数据采集装置采集的蔬菜图像和设施大棚的环境信息对设施大棚蔬菜进行决策和管控。

与现有技术相比，本发明技术方案的有益效果至少包括：

(1)本发明通过在设施大棚的蔬菜种植支架上设置巡检轨道，并通过巡检机器人在巡检轨道上环绕设施大棚移动多方位采集蔬菜图像和设施大棚的环境信息，能够对设施大棚蔬菜的定时定点自动巡检，实现对设施大棚蔬菜的生长生理信息和设施大棚的环境信息进行实时检测，提高设施大棚蔬菜的管控效率和精度。

(2)本发明通过收集蔬菜的多维度的生长生理信息和设施大棚的环境信息，通过具有健康蔬菜各项评价指标的健康评分模型对蔬菜的生长生理信息和所处的环境进行评分，并根据评分结果，分析此时蔬菜的生长发育状况，以及所处的环境是否适合蔬菜的生长，及时对蔬菜进行相应的农事操作并调节设施大棚环境，能够进一步地提高设施大棚蔬菜的管控效率和精度。

附图说明

图1为本申请实施例的设施大棚蔬菜管控方法的流程图。

图2为本申请实施例的设施大棚蔬菜管控系统的作业流程图。

图3为本申请实施例的设施大棚蔬菜管控系统的结构示意图。

其中，1-巡检轨道，2-机器人本体，3-电源模块，4-图像采集装置，5-环境传感器，6-蔬菜种植支架，7-图像数据采集点。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例一

请参阅图1，本实施例提出一种设施大棚蔬菜管控方法，包括：

S1：通过巡检机器人获取蔬菜图像和设施大棚的环境信息。

S2：根据所述蔬菜图像，获取蔬菜的生长生理信息。

S3：将所述生长生理信息和所述环境信息输入健康评分模型，对蔬菜当前的生长状态和设施大棚环境进行评分。

S4：根据评分结果，对蔬菜进行农事操作并调节设施大棚环境。

本实施例通过巡检机器人采集蔬菜图像和设施大棚的环境信息，能够对设施大棚蔬菜的定时定点自动巡检，实现对设施大棚蔬菜的生长生理信息和设施大棚的环境信息进行实时检测。另外，通过收集蔬菜的多维度的生长生理信息和设施大棚的环境信息，通过具有健康蔬菜各项评价指标的健康评分模型对蔬菜的生长生理信息和所处的环境进行评分，并根据评分结果，分析此时蔬菜的生长发育状况，以及所处的环境是否适合蔬菜的生长，及时对蔬菜进行相应的农事操作并调节设施大棚环境，能够进一步地提高设施大棚蔬菜的管控效率和精度提高设施大棚蔬菜的管控效率和精度。

实施例二

本实施例在实施例一提出的设施大棚蔬菜管控方法的基础上作出改进。

本实施例中，所述根据所述蔬菜图像，获取蔬菜的生长生理信息的具体步骤包括：

S201：对蔬菜图像进行特征提取，得到蔬菜的长势特征；所述长势特征包括蔬菜的植株高度、叶片特征和种植时间。

在具体实施过程中，将通过巡检机器人获得的蔬菜生长发育图像和设施大棚的环境信息进行预处理，提取蔬菜图像中蔬菜的包括植株高度、叶片特征和种植时间等长势特征，其中所述叶片特征包括叶面积指数、叶片色泽和蔬菜叶片的完整度等，进而通过计算分析出蔬菜的长势情况、物候期阶段及病虫害发生程度。

以计算叶面积指数为例，首先通过提取蔬菜图像的RGB像素信息，然后对图像进行降噪、裁剪和去除无效背景处理，提取出蔬菜叶片。由于蔬菜图像中同时存在多个叶片，所以需要根据蔬菜种类和不同时期的叶片颜色不同，制定不同的准则用于计算蔬菜叶片面积指数。以绿色叶片蔬菜为例，计算蔬菜图像RGB像素信息中每个像素点G分量之间的距离，结合专家经验与蔬菜实际生长情况预设出不同种类叶片的阈值，即通过叶片阈值区分不同叶片。若计算出的G分量距离大于叶片阈值，则该叶片不属于当前叶片，若计算出的G分量距离小于叶片阈值，则该叶片属于当前叶片，最后通过K-means聚类算法聚拢G分量确定实际叶片大小，计算出叶片面积这一叶片特征。

再以植株高度信息的提取为例，首先通过巡检机器人搭载的深度摄像机采集一次未种植蔬菜并进行过标定的种植场地点云信息，然后再采集种植在场地内的不同生长时期的蔬菜点云信息构建蔬菜株高数据集作为测试集，并人工采集不同种类不同时期的蔬菜生长高度及蔬菜点云信息作为训练集；将种植场地点云信息与蔬菜点云信息结合分析提取出植株高度信息。以A型种植架为例，对A型种植架的不同层次进行标定，将地面作为基准高度，每一层种植架为一个种植平面其高度记为种植高度，将种植高度与基准高度做差作为标准高度，用于判断检测植株是否属于当前种植层。最后将采集图像中的种植高度与基准高度做差，其差值等于标准高度，再将植株的深度信息与种植高度做差，计算出植株高度信息。

S202：根据所述长势特征以及所述设施大棚的环境信息，判断蔬菜的物候期；

在判断蔬菜所处的物候期阶段时，首先对蔬菜图像中蔬菜叶片特征进行分析，通过蔬菜叶面积指数、叶片色泽等特征，并结合专家经验，从而判断出蔬菜的物候期。

S203：获取蔬菜的病虫害信息，具体步骤包括：

构建蔬菜病虫害信息提取模型，所述蔬菜病虫害信息提取模型为Faster R-CNN模型。

对蔬菜病虫害的密度和种类信息进行标注，构建标准病虫害数据集。

使用K-means聚类算法，并利用所述标准病虫害数据集对所述蔬菜病虫害信息提取模型进行训练，得到训练好的蔬菜病虫害信息提取模型。

将蔬菜图像输入训练好的蔬菜病虫害信息提取模型，所述蔬菜病虫害信息提取模型输出蔬菜的病虫害信息。。

叶片蔬菜主要病害有霜霉病、白粉病等，主要虫害有蚜虫、小菜蛾、跳甲等，其发病部位主要集中在蔬菜叶片上。本实施例通过采用改进的Faster R CNN算法、K-均值聚类算法和最大类间方差法的蔬菜图像中蔬菜叶片上的害虫进行检测，得到蔬菜的病虫害信息。蔬菜叶片生长发育情况能够反映大多数蔬菜病虫害发生情况，因此提取出蔬菜图像中的长势特征作为基于改进Faster RCNN的病虫害监测算法的输入，识别并分析病虫害种类和病虫害发生程度等情况，对蔬菜进行上药，并通过短信、小程序等方式向种植户进行预警。

在具体实施过程中，基于提取的叶片的RGB信息和蔬菜叶片点云图像构建的蔬菜叶片信息通过RGB特征信息对叶片是否出现病虫害进行判断，结合不同时期蔬菜的颜色特征，通过该时期蔬菜叶片的特征像素信息中的异常占比，如当蔬菜叶片出现病害时，叶片内的叶绿素会被破坏，其叶片颜色会出现黄化、退绿等情况，在像素信息上体现为G像素点在整体叶片像素点的占比降低，其他像素点信息上升，同时通过RGB像素信息判断出蔬菜颜色发生改变怎样的改变。最终对蔬菜是否出现病害进行判断。蔬菜判断存在病害后，通过网络和现场拍摄采集蔬菜病虫害图像，并结合专家知识与农户经验构建病虫害识别知识库。在通过人工标注的方式对拍摄的蔬菜病虫害信息进行标注构建标准病虫害数据集，并该数据集将其作为蔬菜病虫害信息提取模型输入，通过深度学习算法进行训练，提取蔬菜叶片病虫害的密度、种类等信息，得到训练好的的蔬菜病虫害信息提取模型。将蔬菜图像输入训练好的蔬菜病虫害信息提取模型，得到蔬菜的病虫害信息。在使用K-means聚类算法使，蔬菜不同时期的蔬菜病虫害信息阈值为聚类算法不同类簇的中心点，每个中心点代表不同种类的病虫害，从而找出蔬菜的病虫害种类、数目等信息，形成完整的蔬菜病虫害信息提取算法。如针对某一蔬菜病虫害提取出的病变叶片数目、害虫数目高于蔬菜病虫害阈值，则判定当前蔬菜病害严重高，设施大棚可能存在该种病虫害爆发的可能，给出全面防治的建议；若病变叶片数目、害虫数目低于蔬菜病虫害阈值，并则判定当前蔬菜病害严重程度低，设施大棚不存在该种病虫害爆发的可能，给出针对当前区域防治的建议；同时针对传播速度快、危害程度高的病害，一旦监测到直接给出全面防治的建议。针对单一叶片蔬菜提取出蔬菜的病虫害信息及大棚蔬菜病虫害情况。

本实施例中，将所述生长生理信息和所述环境信息输入健康评分模型，所述健康评分模型输出蔬菜的长势得分、营养状况得分、病虫害严重程度得分和生长环境得分。

在具体实施过程中，所述蔬菜的长势得分、营养状况得分、病虫害严重程度得分和生长环境得分的得分区间都分别为1-5分。

与健康发育的蔬菜植株进行差异性分析，并根据农学专家经验，分别对蔬菜的长势、营养状况、病虫害严重程度和生长环境在1-5分的范围内进行给分。

本实施例中，所述农事操作包括对蔬菜进行药品供给和水肥供给。

在具体实施过程中，在水肥供给上，通过巡检机器人获取的蔬菜视频图像数据或RGB图像数据，利用卷积神经网络对蔬菜视频图像数据或RGB图像数据中的蔬菜进行分析：首先对RGB图像或视频图像中的蔬菜进行实例分割，识别图像中的蔬菜叶片并判断蔬菜种类，然后基于蔬菜叶面积指数、株高及图像中像素点信息计算并分析蔬菜长势情况从而判别蔬菜的物候期，然后结合相应的环境信息信息如温湿度、土壤EC值等，对蔬菜长势和营养状况按照1-5分进行打分，根据得分情况调整水肥药供给系统对实现蔬菜的供水和供肥。

蔬菜的生长环境评估是设施大棚环境管控重要指标，在本实施例中，将健康发育的蔬菜植株的生长环境情况，结合种植专家和农事专家的意见作为标准与设施大棚的蔬菜生长发育情况进行差异性分析，对蔬菜生长环境进行打分，将超出标准生长环境范围和低于标准生长环境范围评为1-3分，符合标准生长环境范围评为4-5分并通过短信和小程序等方式向种植户进行预警。

蔬菜营养状况评估是设施蔬菜水肥调控重要参考指标及环境管控的参考指标，蔬菜的植株生长发育的高度、叶面积指数、叶片颜色等蔬菜长势情况都反映了蔬菜的营养状况。在本实施例中，通过提取蔬菜的长势特征和物候期，对蔬菜长势进行评估，将健康发育的蔬菜营养状况结合农事专家意见作为蔬菜营养状况标准，对设施蔬菜的长势和营养情况进行打分，将设施蔬菜营养状况符合健康蔬菜营养状况标准评为4-5分，不符合符合蔬菜营养状况标准评为1-3分，并通过短信、小程序等方式向种植户进行预警。

实施例三

本实施例提出一种设施大棚蔬菜巡检系统，应用在上述实施例提出设施大棚蔬菜管控方法中，如图2所示，包括巡检轨道1、巡检机器人、数据采集装置、通信装置和上位机。所述巡检轨道1设置在设施大棚的蔬菜种植支架6上。所述巡检机器人可移动地设置在所述巡检轨道1上，用于在所述巡检轨道1上环绕设施大棚移动。

本实施例中，巡检机器人的大小为0.45m*0.3m*0.15m，巡检轨道1为半径10m的圆形轨道，且所述巡检轨道1固定在设施大棚的支架上。为了避免由于设施大棚内环境潮湿导致巡检机器人和巡检轨道1生锈和腐蚀，需要对巡检机器人和巡检轨道1进行喷漆。另外，对于巡检轨道1的要求是最大程度覆盖设施大棚内蔬菜种植区域，且巡检机器人外壳和巡检轨道1必须防水和耐腐蚀。

所述数据采集装置和通信装置搭载于所述巡检机器人上，所述数据采集装置和所述上位机分别与所述通信装置通讯连接。所述数据采集装置用于采集蔬菜图像和设施大棚的环境信息。所述通信装置用于将所述数据采集装置采集的蔬菜图像和设施大棚的环境信息传输至所述上位机，所述上位机根据所述数据采集装置采集的蔬菜图像和设施大棚的环境信息对设施大棚蔬菜进行决策和管控。

本实施例中，巡检机器人在巡检轨道1上采集各个预设的图像数据采集点7上的蔬菜图像和设施大棚的环境信息，用于获取蔬菜的生长生理信息，实现对设施大棚内蔬菜的全面管控。在本实施例中，轨道式巡检机器人的包括自动巡检和人工巡检两种模式。自动巡检模式下，巡检机器人根据自行设定的图像数据采集点7对蔬菜进行图像和环境信息进行采集，实现对设施大棚的蔬菜生长发育的自动化和智能化监测。手动巡检模式下，可通过相应的小程序、系统软件实现对设施大棚内的设施蔬菜定点采集，满足不同情况下，如病虫害发生严重的蔬菜、蔬菜长势不好及不同种类的设施蔬菜图像的采集。

本实施例中，巡检机器人通过4G/WiFi接入后端服务平台后，将巡检机器人设定为每天早、中和晚各巡检一次，通过彩色摄像头在各个预设的图像数据采集点7采集的蔬菜图像和设施大棚的环境信息，存储在阿里云服务器中，并利用上位机对数据进行决策和管控。

本实施例中，所述巡检机器人包括机器人本体2，所述机器人本体2上设置有与所述巡检轨道1相的移动轮，所述机器人本体2通过所述移动轮与所述巡检轨道1连接。

所述机器人本体2内设置有电源模块3、驱动模块和控制模块；所述驱动模块和所述控制模块与所述电源模块3连接，所述控制模块与所述驱动模块通讯连接，所述驱动模块与所述移动轮连接以带动所述移动轮转动。

本实施例中，所述数据采集装置包括图像采集装置4和若干个环境传感器5。所述环境传感器5包括温湿度传感器、光照传感器和二氧化碳传感器。

本实施例中，所述图像采集装置4为彩色摄像头。

如图3所示，在具体实施过程中，首先进行系统初始化检查，包括对巡检机器人的图像数据采集点7、网络状态、电源情况、工作模式和所处轨道位置等情况进行检查，并将巡检机器人复位到初始位置。巡检机器人处于初始位置时，根据用户选择模式进行工作，一般情况下巡检机器人处于自动工作模式，巡检机器人处于自动模式下，按照预先设定的数据采集频率到达指定数据采集点采集蔬菜图像，同时采集设施大棚的环境信息，实现对整个设施大棚的蔬菜的自动化、智能化监测。

然后通过4G/WiFi等通讯装置将采集的蔬菜图像和设施大棚的环境信息上传至云服务器，在上位机中通过构建的蔬菜长势信息提取方法进行分析，根据所述蔬菜图像，提取包括蔬菜的包括长势特征、物候期和病虫害信息的生长生理信息，判断蔬菜种类、蔬菜当前物候期、生长环境评估、营养状况评估和病虫害信息等。

利用构建蔬菜长势信息提取方法对采集的蔬菜图像数据进行分析，通过提取蔬菜图像中的包括蔬菜的植株高度、叶片特征和种植时间的长势特征，其中所述叶片特征如叶面积指数、叶片色泽、叶片完整程度、叶片形状等特征，然后使用Faster RCNN目标检测算法、K-均值聚类算法和相应的深度学习算法对蔬菜长势状况进行评估，根据所述长势特征以及所述设施大棚的环境信息，判断蔬菜的物候期。蔬菜物候期时根据健康发育蔬菜情况和农事专家意见相结合划分为幼苗期、生长期和成熟期三个阶段。

最后，在环境调控方面，将健康发育的蔬菜植株的生长环境情况，结合种植专家和农事专家的意见作为标准与设施大棚的蔬菜生长发育情况进行差异性分析，对蔬菜生长环境进行打分，将超出标准生长环境范围和低于标准生长环境范围评为1-3分，符合标准生长环境范围评为4-5分并通过短信和小程序等方式向种植户进行预警。

在水肥调控方面，通过提取蔬菜的长势特征和物候期，对蔬菜长势进行评估，将健康发育的蔬菜营养状况结合农事专家意见作为蔬菜营养状况标准，将蔬菜物候期、蔬菜生长环境评估、蔬菜营养状况评估进行融合处理，将各个维度的评分与蔬菜的营养状况做相关性分析，根据相关性程度的高低，分别对各个维度的数据赋权，对设施蔬菜的长势和营养情况进行打分，将设施蔬菜营养状况符合健康蔬菜营养状况标准评为4-5分，不符合符合蔬菜营养状况标准评为1-3分，并通过短信、小程序等方式向种植户进行预警。

在病虫害管控方面，通过采用改进的Faster R CNN算法、K-均值聚类算法和最大类间方差法的蔬菜图像中蔬菜叶片上的害虫进行检测，得到病虫害种类、病虫害发生程度等情况，计算出蔬菜病虫害评分，将病虫害状况符合健康蔬菜病虫害状况标准评为4-5分，不符合病虫害蔬菜状况标准评为1-3分，结合农事专家意见给出相应的给药方案，根据给药方案启用水肥药管控设备进行病虫害防治。在1-5分各个分数都选取一定量的数据，作为先验知识，使用监督学习的手段对多源数据的分析结果进行验证分析处理。

本实施例通过在设施大棚的蔬菜种植支架6上设置巡检轨道1，并通过巡检机器人在巡检轨道1上环绕设施大棚移动多方位采集蔬菜图像和设施大棚的环境信息，能够对设施大棚蔬菜的定时定点自动巡检，实现对设施大棚蔬菜的生长生理信息和设施大棚的环境信息进行实时检测，提高设施大棚蔬菜的管控效率和精度。

本实施例提出的轨道式巡检机器人是一个集蔬菜长势监测、环境信息采集、计算机通信、网络传输和数据处理与管理，并集成了一种蔬菜长势信息提取方法、巡检控制方法一体，能够获取的蔬菜生长发育数据，提取蔬菜物候期、叶片特征、株高和病虫害等信息。轨道式巡检机器人的工作过程包括多维度数据的获取、传输和处理，从而实现了整个设计自动、实时和连续的数据采集、传输以及分析的功能，解决大型设施大棚蔬菜对于蔬菜生长发育状况实时监测困难以及蔬菜生长数据获取难度高的问题，便于管理人员实时掌握监控区域的设施蔬菜长势。

本实施例通过收集蔬菜的多维度的生长生理信息和设施大棚的环境信息，通过具有健康蔬菜各项评价指标的健康评分模型对蔬菜的生长生理信息和所处的环境进行评分，并根据评分结果，分析此时蔬菜的生长发育状况，以及所处的环境是否适合蔬菜的生长，及时对蔬菜进行相应的农事操作并调节设施大棚环境，能够进一步地提高设施大棚蔬菜的管控效率和精度。

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种设施大棚蔬菜管控方法，其特征在于，包括：

S1：通过巡检机器人获取蔬菜图像和设施大棚的环境信息；

S2：根据所述蔬菜图像，获取蔬菜的生长生理信息；

S3：将所述生长生理信息和所述环境信息输入健康评分模型，对蔬菜当前的生长状态和设施大棚环境进行评分；

S4：根据评分结果，对蔬菜进行农事操作和调节设施大棚环境。

2.根据权利要求1所述的设施大棚蔬菜管控方法，其特征在于，S2中，所述蔬菜的生长生理信息包括长势特征、物候期和病虫害信息。

3.根据权利要求2所述的设施大棚蔬菜管控方法，其特征在于，S2中，获取蔬菜的生长生理信息的步骤包括：

使用卷积神经网络对蔬菜图像进行特征提取，得到蔬菜的长势特征；

根据所述长势特征以及所述设施大棚的环境信息，判断蔬菜的物候期；

获取蔬菜的病虫害信息，具体的步骤包括：

构建蔬菜病虫害信息提取模型，所述蔬菜病虫害信息提取模型为Faster R-CNN模型；

对蔬菜病虫害的密度和种类信息进行标注，构建标准病虫害数据集；

使用K-means聚类算法，并利用所述标准病虫害数据集对所述蔬菜病虫害信息提取模型进行训练，得到训练好的蔬菜病虫害信息提取模型；

将蔬菜图像输入训练好的蔬菜病虫害信息提取模型，所述蔬菜病虫害信息提取模型输出蔬菜的病虫害信息。

4.根据权利要求2所述的设施大棚蔬菜管控方法，其特征在于，S3中，将所述生长生理信息和所述环境信息输入健康评分模型，所述健康评分模型输出蔬菜的长势得分、营养状况得分、病虫害严重程度得分和生长环境得分。

5.根据权利要求2所述的设施大棚蔬菜管控方法，其特征在于，所述长势特征包括蔬菜的植株高度、叶片特征和种植时间。

6.根据权利要求1～5任一项所述的设施大棚蔬菜管控方法，其特征在于，所述对蔬菜进行农事操作包括对蔬菜进行药品供给和水肥供给。

7.一种设施大棚蔬菜管控系统，其特征在于，包括巡检轨道(1)、巡检机器人、数据采集装置、通信装置和上位机；

所述巡检轨道(1)设置在设施大棚的蔬菜种植支架(6)上；

所述巡检机器人可移动地设置在所述巡检轨道(1)上，用于在所述巡检轨道(1)上环绕设施大棚移动；

所述数据采集装置和通信装置搭载于所述巡检机器人上，所述数据采集装置和所述上位机分别与所述通信装置通讯连接；

所述数据采集装置用于采集蔬菜图像和设施大棚的环境信息；所述通信装置用于将所述数据采集装置采集的蔬菜图像和设施大棚的环境信息传输至所述上位机，所述上位机根据所述数据采集装置采集的蔬菜图像和设施大棚的环境信息对设施大棚蔬菜进行决策和管控。

8.根据权利要求7所述的设施大棚蔬菜管控系统，其特征在于，所述巡检机器人包括机器人本体(2)，所述机器人本体(2)上设置有与所述巡检轨道(1)相的移动轮，所述机器人本体(2)通过所述移动轮与所述巡检轨道(1)连接；

所述机器人本体(2)内设置有电源模块(3)、驱动模块和控制模块；所述驱动模块和所述控制模块与所述电源模块(3)连接，所述控制模块与所述驱动模块通讯连接，所述驱动模块与所述移动轮连接以带动所述移动轮转动。

9.根据权利要求8所述的设施大棚蔬菜管控系统，其特征在于，所述数据采集装置包括图像采集装置(4)和若干个环境传感器(5)。

10.根据权利要求9所述的设施大棚蔬菜管控系统，其特征在于，所述环境传感器(5)包括温湿度传感器、光照传感器和二氧化碳传感器。

Images