基于人工智能的农作物病虫害防治方案推荐方法及系统与流程

本发明涉及病虫害防治，具体涉及基于人工智能的农作物病虫害防治方案推荐方法及系统。

背景技术：

1、农作物病虫害是影响农业生产和粮食安全的主要生物胁迫因素，具有种类多样、传播途径复杂、暴发频率高等特点；传统的病虫害防治主要依赖人工巡查和经验判断，存在诊断滞后、防治方案缺乏个性化、农药施用不精准等问题；现有方法多基于统计关联进行病虫害识别和防治推荐，无法理解病虫害发生的因果机制，导致在面对新型病虫害或环境条件剧烈变化时推荐准确性显著下降；现有方法多为静态推荐，未能充分考虑病虫害在时间和空间维度上的传播演化规律，以及不同生长阶段作物的差异化响应。

技术实现思路

1、本发明的目的是为了解决上述问题，设计了基于人工智能的农作物病虫害防治方案推荐方法及系统。

2、本发明第一方面提供基于人工智能的农作物病虫害防治方案推荐方法，该方法包括以下步骤：

3、采集目标农田的多模态数据，并进行预处理，其中所述多模态数据包括作物图像数据、环境数据、土壤数据、气象数据和农事数据；

4、将预处理后的多模态数据输入深度多模态融合网络进行病虫害识别，输出病虫害类型；

5、对识别出的病虫害进行因果推理分析，识别病虫害发生的关键驱动因子和关键干预节点；

6、基于因果推理结果，构建数字孪生模型，将所述数字孪生模型作为环境模拟器，采用ppo算法对防治策略进行优化，得到最优防治策略，并下发最优防治策略。

7、可选的，在本发明第一方面的第一种实现方式中，所述采集目标农田的多模态数据，并进行预处理，包括：

8、采用插值对齐将多源数据按各自时间戳重采样至统一频率基准，采用局部离群因子检测连续型数据中的异常值并执行均值插补处理；

9、采用线性最小-最大缩放将所有数值型特征映射至同一数量级范围内；

10、对图像数据依次执行几何校正、统一裁剪归一化、随机旋转、翻转、缩放和色彩抖动增强操作；

11、采用滑动时间窗口将连续的环境、气象及农事时序数据切割为固定历史长度的输入序列片段。

12、可选的，在本发明第一方面的第二种实现方式中，所述将预处理后的多模态数据输入深度多模态融合网络进行病虫害识别，输出病虫害类型，包括：

13、将预处理后的图像划分为固定大小的二维图像块序列，将每个图像块展平后经线性投影层映射至隐空间维度，并为每个向量叠加可学习的位置编码；

14、将叠加位置编码后的图像块向量序列输入vision transformer编码器，执行多头自注意力操作生成查询、键、值三元组，经缩放点积与归一化指数函数处理得到注意力权重，加权聚合值向量并经多层感知机变换后输出视觉特征张量。

15、可选的，在本发明第一方面的第三种实现方式中，所述将预处理后的多模态数据输入深度多模态融合网络进行病虫害识别，输出病虫害类型，还包括：

16、将环境时序序列输入时序transformer编码器，为每个时间步叠加相对位置编码并通过带掩码的多头自注意力机制按时间顺序计算依赖关系，输出环境时序特征张量；

17、将视觉特征张量作为查询输入、将环境时序特征张量作为键和值输入，通过交叉注意力模块计算图像特征与时序特征的相关性权重，生成融合特征张量；

18、将融合特征张量经全局平均池化聚合为单一全局特征向量，依次经多层全连接网络进行非线性变换，最终经由归一化指数函数分类器计算各类别概率分布并取最大值对应的类别作为输出的病虫害类型。

19、可选的，在本发明第一方面的第四种实现方式中，所述对识别出的病虫害进行因果推理分析，识别病虫害发生的关键驱动因子和关键干预节点，包括：

20、构建以环境因子、土壤因子、病虫害状态、作物生长状态及防治行动为节点的因果图；

21、对因果图中各节点在其父节点给定条件下的条件概率分布进行最大似然估计；

22、针对因果图中的每个候选环境因子节点执行do算子干预操作，重新计算干预后目标病虫害节点状态的概率分布；

23、比较各候选因子在干预前后目标病虫害发生概率分布的差异以计算平均因果效应值，按效应强度排序筛选出关键驱动因子，并结合防治可行性约束沿作用路径搜索以识别关键干预节点。

24、可选的，在本发明第一方面的第五种实现方式中，所述基于因果推理结果，构建数字孪生模型，将所述数字孪生模型作为环境模拟器，采用ppo算法对防治策略进行优化，得到最优防治策略，并下发最优防治策略，包括：

25、将数字孪生模型封装为可交互的强化学习环境，将防治效果正收益、成本负收益及生态负影响加权组合为单步奖励函数；

26、在数字孪生环境中根据当前状态输出动作概率分布并采样执行动作，环境接收动作后返回下一状态、奖励值及回合终止标志，重复交互生成多步经验轨迹并存入经验缓存池；

27、从经验缓存池中采样批量轨迹数据，采用广义优势估计算法计算各时间步的优势函数值；

28、计算当前策略相对于旧策略在采样动作上的概率比值作为策略比率，基于策略比率进行网络更新；

29、重复采集和更新过程直至累计奖励值不变判定训练收敛，将当前农田实时状态数据输入收敛后的actor网络，经前向传播输出最优防治策略，并将包括药剂种类、剂量及喷洒区域的最优防治策略下发至执行终端。

30、可选的，在本发明第一方面的第六种实现方式中，采用近端策略优化的目标函数将策略比率限制在预设区间内以计算剪切后策略损失并更新actor网络，同时计算状态价值预测与累积回报的均方误差以更新critic网络。

31、本发明第二方面提供了基于人工智能的农作物病虫害防治方案推荐系统，该系统包括：

32、多模态数据采集模块，用于采集目标农田的多模态数据，并进行预处理，其中所述多模态数据包括作物图像数据、环境数据、土壤数据、气象数据和农事数据；

33、多模态融合识别模块，用于将预处理后的多模态数据输入深度多模态融合网络进行病虫害识别，输出病虫害类型；

34、因果推理模块，用于对识别出的病虫害进行因果推理分析，识别病虫害发生的关键驱动因子和关键干预节点；

35、推荐生成模块，用于基于因果推理结果，构建数字孪生模型，将所述数字孪生模型作为环境模拟器，采用ppo算法对防治策略进行优化，得到最优防治策略，并下发最优防治策略。

36、本发明的第三方面提供了基于人工智能的农作物病虫害防治方案推荐设备，所述基于人工智能的农作物病虫害防治方案推荐设备包括存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于人工智能的农作物病虫害防治方案推荐设备执行如上任一项所述的基于人工智能的农作物病虫害防治方案推荐方法的各个步骤。

37、本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，所述指令被处理器执行时实现如上任一项所述基于人工智能的农作物病虫害防治方案推荐方法的各个步骤。

38、本发明提供的技术方案中，采集目标农田的多模态数据，并进行预处理，将预处理后的多模态数据输入深度多模态融合网络进行病虫害识别，输出病虫害类型；对识别出的病虫害进行因果推理分析，识别病虫害发生的关键驱动因子和关键干预节点；基于因果推理结果，构建数字孪生模型，将所述数字孪生模型作为环境模拟器，采用ppo算法对防治策略进行优化，得到最优防治策略，并下发最优防治策略；本发明实现病虫害防治方案的精准化、动态化、个性化和可解释化推荐，深度多模态融合网络融合图像、环境、土壤、气象等多源异构数据，提升病虫害识别准确率，能够理解病虫害发生的因果机制，在新型病虫害或环境变化条件下仍保持较好的推荐准确性，通过数字孪生模型对防治方案进行前瞻性模拟评估，结合深度强化学习实现策略的动态优化，使防治方案能够自适应病虫害的时空演化和环境变化。