本发明涉及图像识别，尤其涉及一种作物病害监测及危害程度评估方法。
背景技术：
1、遥感技术的引入为作物病害监测提供了新的手段。通过卫星和航空影像，研究人员能够在大范围内获取作物生长状况的信息，并结合气象数据进行分析。这一时期，尽管技术进步显著，但对于病害的定量评估仍然依赖人工分析，效率低下。进入21世纪后，信息技术的快速发展推动了作物病害监测的现代化。特别是传感器技术、物联网和大数据的应用，使得实时监测成为可能。研究者可以通过安装在田间的传感器采集土壤湿度、温度及植物生长状况等数据，结合机器学习算法，对病害进行快速识别和评估。近年来，深度学习的兴起进一步提高了病害监测的准确性和效率。通过图像识别技术，研究人员能够利用手机或无人机拍摄的作物图像，自动识别病害并评估其危害程度。这种方法不仅节省了时间和人力成本，也为精准农业提供了重要支持。然而，目前传统的往往无法准确匹配作物的生长阶段与相应的病害特征，导致病害早期识别困难，同时对环境病害和内部病害的监测分开进行，难以形成有效的监测系统，近而导致病害识别的准确性和有效性较低。
技术实现思路
1、基于此，有必要提供一种作物病害监测及危害程度评估方法，以解决至少一个上述技术问题。
2、为实现上述目的，一种作物病害监测及危害程度评估方法，所述方法包括以下步骤：
3、步骤s1：获取作物图像集；对作物图像集进行物生长阶段图像筛选，得到作物生长阶段图像集；对作物生长阶段图像集进行作物生长形态特征提取，得到作物生长形态特征数据；根据作物生长形态特征数据进行虚拟作物健康可视化，得到虚拟作物生长健康图像集；
4、步骤s2：获取作物生长环境数据；根据虚拟作物生长健康图像集对作物图像集进行作物阶段生长长势异常匹配，生成作物异常生长阶段数据；对作物异常生长阶段数据进行外部环境病害监测，生成作物环境病害监测数据；基于作物环境病害监测数据对作物异常生长阶段数据进行阶梯式内部病害监测，生成作物内部病害监测数据；
5、步骤s3：通过作物环境病害监测数据和作物内部病害监测数据对作物图像集进行高风险作物标记，生成高风险作物标记数据；对病害作物筛选图像进行传播路径作物标记，生成中风险作物标记数据；通过高风险作物标记数据和中风险作物标记数据对作物图像集进行低风险作物识别并标记，生成低风险作物标记数据；根据高风险作物标记数据、中风险作物标记数据和低风险作物标记数据进行监测频率动态调节，从而生成作物病害监测频率调节数据；
6、步骤s4：根据作物病害监测频率调节数据对病害作物筛选图像进行层次风险规则定义，生成层次风险规则数据；通过层次风险规则数据对高风险作物标记数据、中风险作物标记数据和低风险作物标记数据进行防控策略生成，从而得到多级作物病害防控策略。
7、本发明通过获取作物图像集，建立了一个丰富的数据基础，为后续的分析提供了可靠的数据支持。对作物图像集进行生长阶段筛选，可以帮助农民集中关注特定生长阶段，确保在关键时期进行有效监测和管理。通过对作物生长形态特征的提取，能够量化作物的健康状态，为健康评估提供客观依据。通过虚拟作物健康可视化，农民可以直观地了解作物的健康状况，及时采取干预措施，促进作物健康成长。收集作物生长环境数据为后续分析提供了环境背景，有助于理解环境对作物生长的影响。根据虚拟作物生长健康图像集进行阶段生长长势异常匹配，可以及早识别生长异常，为病害防控提供时间窗口。外部环境病害监测能及时识别影响作物健康的外部因素，为病害防控提供依据。基于环境病害监测数据的阶梯式内部病害监测，可以对病害进行分层管理，从而提高病害检测的精准性和及时性。通过对环境病害监测数据和内部病害监测数据的分析，实现对高风险作物的精准标记，有助于农民优先关注病害严重的作物。通过传播路径作物标记，识别中风险作物，为病害的进一步传播提供预警。通过高、中、低风险标记的系统分类，帮助农民优化资源分配，集中力量应对高风险区域，降低整体病害损失。监测频率动态调节使得监测工作更加灵活高效，可以根据风险等级实时调整监测策略，提高监测效率。根据监测频率调节数据定义层次风险规则，确保风险管理措施有针对性，减少不必要的资源浪费。通过层次风险规则数据生成的多级作物病害防控策略，使农民能够实施差异化管理，对不同风险水平的作物采取相应的防治措施。多级病害防控策略使得防控工作更具系统性和针对性，从而提升整体的防控效率，降低作物损失风险。整个监测和防控体系的构建，能够促进可持续农业的发展，帮助农民实现更高的作物产量与质量，减少化学防治手段的依赖。因此，本发明通过多维度信息获取、阶段性特征提取、环境与内部病害监测结合、层次风险评估及动态调整防控策略，提高了病害识别的准确性和有效性。
8、优选的，步骤s1包括以下步骤：
9、步骤s11：利用摄像机获取作物图像集；
10、步骤s12：对作物图像集进行图像预处理，生成标准作物图像集，其中图像预处理包括图像清洗、图像滤波和图像亮度增强；
11、步骤s13：对标准作物图像集进行作物生长阶段图像筛选，得到作物生长阶段图像集；
12、步骤s14：对作物生长阶段图像集进行作物生长形态特征提取，得到作物生长形态特征数据；根据作物生长形态特征数据进行虚拟作物健康可视化，得到虚拟作物生长健康图像集。
13、本发明通过摄像机获取作物图像集（步骤s11），可以实现对农田中作物的全面监控，并且能够以数字化的形式保存作物生长的细节。这为后续的图像处理和分析提供了基础数据支持。通过图像预处理（步骤s12），例如图像清洗、图像滤波和图像亮度增强，可以有效去除噪声、提高图像的清晰度和亮度，确保后续分析的准确性。标准化处理后的图像集能够更好地反映作物的真实状态，有利于后续的生长阶段分析和特征提取。通过对标准作物图像集进行作物生长阶段图像筛选（步骤s13），可以精确地识别和提取不同生长阶段（如萌发、生殖、成熟等）的图像。这一过程可以帮助研究者或农场管理人员了解作物当前的生长进展，并为阶段性管理决策提供依据。通过作物生长形态特征提取（步骤s14），可以从图像中提取叶片、茎秆等关键部位的生长特征。这些形态特征数据对于分析作物健康状态、预测生长趋势和发现异常有着重要作用。通过虚拟作物健康可视化（步骤s14），生成的虚拟作物生长健康图像集提供了直观的健康状况展示，使农场管理者能够直观地观察到作物生长状态。这种可视化展示有助于快速发现潜在病害或生长异常，为及时采取防治措施提供支持。
14、优选的，步骤s14包括以下步骤：
15、步骤s141：对作物生长阶段图像集进行三维形态特征提取，得到作物三维形态特征数据，其中三维形态特征提取包括叶片空间分布提取、茎干三维结构提取和根系地下发育形态提取；
16、步骤s142：将作物三维形态特征数据进行虚拟三维空间投射，生成三维作物形态特征矩阵；对三维作物形态特征矩阵和预设的标准作物形态特征矩阵进行形态校正，生成虚拟作物生长形态特征矩阵；
17、步骤s143：对虚拟作物形态特征矩阵进行点云转换，生成虚拟作物生长形态点云数据；基于虚拟作物生长形态点云数据进行作物生长三维模型构建，生成虚拟作物生长三维模型；
18、步骤s144：对虚拟作物生长三维模型进行健康阶段生长可视化，从而生成虚拟作物生长健康图像集。
19、本发明通过对作物生长阶段图像集的三维形态特征提取，包括叶片空间分布、茎干三维结构和根系形态的提取，使得作物生长形态的每个关键部位都能够被精确建模。这种三维建模比传统的二维图像分析更加全面、细致，能够反映作物生长过程中更细微的形态变化。将提取的三维形态特征投射到虚拟三维空间中，生成三维作物形态特征矩阵，并与标准的作物形态特征进行校正。这一步确保虚拟模型与现实生长状态的高度一致性，校正后的虚拟作物生长形态特征矩阵更加准确反映了作物的实际生长状况，有助于后续的健康监测和分析。虚拟作物生长形态特征矩阵通过点云转换生成作物的虚拟三维点云数据，这一步骤使得复杂的作物形态信息可以以几何点的形式进行表达，便于后续的三维模型构建。基于这些点云数据，可以建立更加精准的虚拟作物生长三维模型，进一步提高了作物形态的细节复现能力，生成的虚拟作物三维模型能够对作物生长过程中的健康状态进行直观的可视化展示。这一功能使得农业管理者能够通过虚拟环境中的作物模型，实时观察作物在各个生长阶段的健康状态，快速发现潜在的病害或生长异常，生成的虚拟作物生长健康图像集，为作物病害的早期发现提供了重要依据。通过对作物不同生长阶段的健康状态进行直观展示，农场管理者可以更快、更有效地做出应对策略，减少病害扩散和作物损失。整个步骤s14的实施，为作物健康监测和管理提供了强有力的数字化手段。利用三维模型和健康状态的可视化展示，农民或农业专家可以更加全面地掌握作物的生长动态，从而优化种植和管理策略，提升产量与质量。
20、优选的，步骤s2包括以下步骤：
21、步骤s21：利用环境传感器获取作物生长环境数据；
22、步骤s22：根据虚拟作物生长健康图像集对标准作物图像集进行作物阶段生长长势异常匹配，生成作物异常生长阶段数据，其中作物异常生长阶段数据包括作物异常萌发阶段数据、作物异常生殖阶段数据以及作物异常成熟阶段数据；
23、步骤s23：通过作物生长环境数据对作物异常生长阶段数据进行外部环境病害监测，生成作物环境病害监测数据；
24、步骤s24：基于作物环境病害监测数据对作物异常萌发阶段数据、作物异常生殖阶段数据以及作物异常成熟阶段数据进行阶梯式内部病害监测，生成作物内部病害监测数据。
25、本发明通过利用环境传感器采集作物生长环境数据，为后续分析提供基础。这些环境数据（如温度、湿度、土壤含水量等）对作物生长过程有直接影响，能够为作物的生长异常和病害监测提供客观依据。通过将虚拟作物生长健康图像集与标准作物图像集进行长势异常匹配，生成的作物异常生长阶段数据涵盖了萌发、生殖和成熟各个阶段。该步骤使得作物在不同生长阶段的异常状况能够被清晰识别，有助于早期病害检测，避免作物整体生长状态的恶化。通过作物生长环境数据对异常生长阶段数据进行环境病害监测。此步骤能有效识别由外部环境因素引起的作物病害，如由于温度过高或湿度过低导致的病害。这一过程能够生成作物环境病害监测数据，帮助农民及早采取防治措施。基于环境病害监测数据，进一步对作物各生长阶段进行内部病害监测，生成的作物内部病害监测数据能够提供更加细致的病害分析。通过阶梯式监测方法，能够精准定位病害的严重程度与影响范围，区分出轻度、中度或重度的病害风险，从而指导不同的防控策略。外部环境病害监测与s24的内部病害监测相结合，可以对作物的生长全过程进行全方位的病害监控。这种从外到内的病害监测体系，能够大幅提高病害预防的有效性，为农作物提供更多的健康保障。整个s2步骤产生的数据链条，从作物环境数据到异常生长阶段数据，再到环境病害监测和内部病害监测，为作物病害防控提供了全面的决策支持。农民和农业专家可以根据不同阶段生成的监测数据，快速制定出针对性的防控措施，大幅提高病害防控的效率和准确性。
26、优选的，步骤s23包括以下步骤：
27、步骤s231：通过作物生长环境数据对作物异常生长阶段数据进行环境变化参数提取，得到环境变化参数数据；
28、步骤s232：对环境变化参数数据和作物异常生长阶段数据进行数据变量排序，生成排序后的环境变化参数数据和作物异常生长阶段数据；对排序后的环境变化参数数据和作物异常生长阶段数据进行秩计算，得到环境变化秩值表和作物异常生长秩值表；
29、步骤s233：对环境变化秩值表和作物异常生长秩值表进行秩差计算，得到环境-生长阶段秩差数据；对环境-生长阶段秩差数据进行斯皮尔曼秩关联计算，生成环境-生长异常关联检测系数；
30、步骤s234：利用环境-生长异常关联检测系数对作物生长环境数据对作物异常生长阶段数据进行相关性检测，生成环境-生长异常关联检测数据；根据环境-生长异常关联检测数据对作物生长环境数据进行外部环境病害监测，生成作物环境病害监测数据；
31、其中斯皮尔曼秩关联计算的计算公式如下所示：
32、
33、式中，表示为环境-生长异常关联检测系数，表示为环境-生长阶段秩差平方和，表示为数据点的总数。
34、本发明通过提取环境变化参数数据，并对其与作物异常生长阶段数据进行排序与秩计算，能够有效地发现环境变化对作物生长阶段异常的影响。通过斯皮尔曼秩关联计算公式，生成的环境-生长异常关联检测系数能量化地展示环境因素与作物生长异常之间的关联程度，为农作物管理提供科学依据。提取的环境变化参数数据包括温度、湿度、光照强度、土壤湿度等多种环境因素。通过对这些环境数据的排序和秩差计算（s232），可以对每个环境因素在不同时间点对作物生长阶段的影响进行分解，从而获得详细的关联信息。这种多维度分析能够帮助农民或研究者更好地理解复杂环境条件下作物生长的变化趋势。利用环境-生长异常关联检测系数，结合作物生长环境数据和作物异常生长阶段数据，能够迅速进行相关性检测，生成环境-生长异常关联检测数据。通过此数据，农民可以精准地监测到外部环境导致的病害风险，从而实现早期干预，避免作物大面积受害。作物环境病害监测数据可以为病害防治提供早期预警系统。例如，若某一时段内温度或湿度异常上升，而同时作物生长阶段出现异常（如叶片萎缩或根系不发达），则监测数据可以提前预示病害发生的可能性，提醒种植者采取防范措施。根据监测数据，农民可以采取针对性的管理措施，例如调整灌溉量、改变施肥策略或使用防治药物，以避免环境因素对作物健康的不利影响。这种基于数据的管理策略减少了盲目性，提高了农作物管理的效率和精准性。通过步骤s23的实施，能够为农田提供全面的病害监测体系，不仅检测到环境变化引起的作物异常，还能够从秩差关联分析中发现环境与病害的潜在关联，从而帮助农民采取更为有效的病害防控策略，最大化减少损失。
35、优选的，步骤s4包括以下步骤：
36、步骤s241：基于作物环境病害监测数据对作物异常萌发阶段数据进行作物异常萌发阶段图像采集，得到作物异常萌发阶段图像；
37、步骤s242：对作物异常萌发阶段图像进行作物叶片以及茎秆区域时序分析，生成作物叶片区域时序图像和作物茎秆区域时序图像；对作物叶片区域时序图像和作物茎秆区域时序图像进行生长特征提取，生成叶片生长数据和茎秆生长数据；
38、步骤s243：对叶片生长数据和茎秆生长数据进行生长速率计算，得到萌发阶段生长速率数据；根据萌发阶段生长速率数据对作物异常萌发阶段数据进行萌芽阶段内部异常病害监测，生成萌芽阶段内部病害监测数据；
39、步骤s244：基于萌芽阶段内部病害监测数据对作物异常生殖阶段数据进行作物果梗发育异常病害监测，生成生殖阶段内部病害监测数据；
40、步骤s245：基于生殖阶段内部病害监测数据对作物异常成熟阶段数据进行作物营养供给异常病害监测，生成成熟阶段内部病害监测数据；将萌芽阶段内部病害监测数据、生殖阶段内部病害监测数据和成熟阶段内部病害监测数据进行监测数据整合，生成作物内部病害监测数据。
41、本发明通过对作物从萌发到成熟各阶段的病害进行监测，确保了作物生长的各个关键阶段都有针对性的病害分析。特别是在萌芽、生殖、成熟这三个对作物健康和产量影响至关重要的阶段，系统性地进行内部病害监测能够帮助及早发现潜在的健康问题，避免病害扩散。通过时序图像分析，对作物叶片和茎秆的生长动态进行监测，提取生长特征数据。这一过程不仅能够识别生长异常，还能在多个时间点进行生长速率的对比与计算，提供精准的病害判断依据，确保更早期的干预机会。萌发阶段（步骤s243）的生长速率数据计算能够直观反映叶片与茎秆的健康状态。例如，异常的生长速率往往与病害或营养不良相关，因此生长速率的精准计算能提高病害检测的精度，为后续的内部病害监测提供关键数据支持。步骤s244和s245通过病害监测数据的关联分析，确保了不同生长阶段的病害监测能够相互联动。萌发阶段内部病害的发现，预示着生殖阶段发育异常；同样，生殖阶段的病害影响到后续的成熟阶段。因此，通过多阶段的内部病害监测与整合分析，能够生成更加全面的作物健康报告，为病害防控提供更加有效的指导。步骤s244和s245专注于果梗发育异常和营养供给异常的监测。果梗发育异常通常直接影响果实质量，而营养供给的异常导致作物成熟阶段出现缺陷。通过针对这些关键生长部位和功能的监测，农民可以及时采取干预措施，防止病害影响最终的作物产量和质量。最终步骤（s245）将不同生长阶段的内部病害监测数据进行整合，生成全面的作物内部病害监测数据。这种数据整合有助于农民或农业管理人员系统性地掌握作物的健康状况，支持更为科学的农业管理和决策。通过这些数据的可视化和分析，能够更容易地跟踪作物的健康状态，并预测未来的病害风险。
42、优选的，步骤s244包括以下步骤：
43、步骤s2441：基于萌芽阶段内部病害监测数据对作物异常生殖阶段数据进行作物异常生殖阶段图像采集，得到作物异常生殖阶段图像；对作物异常生殖阶段图像进行果梗部分分割，生成作物果梗部位图像；
44、步骤s2442：对作物果梗部位图像进行果梗变色区域识别，生成果梗变色区域图像；对果梗变色区域图像进行光圈检测，生成果梗变色区域光圈检测数据；利用果梗变色区域光圈检测数据对果梗变色区域图像进行像素亮度计算，得到果梗变色区域像素亮度数据；
45、步骤s2443：将果梗变色区域像素亮度数据和预设的像素亮度阈值进行对比，当果梗变色区域像素亮度数据大于或等于预设的像素亮度阈值时，则将果梗变色区域像素亮度数据对应的果梗变色区域图像标记为菌类病害区域图像；当果梗变色区域像素亮度数据小于预设的像素亮度阈值时，则将果梗变色区域像素亮度数据对应的果梗变色区域图像标记为腐烂病害区域图像；
46、步骤s2444：通过菌类病害区域图像和腐烂病害区域图像对作物异常生殖阶段数据进行作物果梗发育异常病害监测，生成生殖阶段内部病害监测数据。
47、本发明通过对果梗变色区域的光圈检测和像素亮度计算，能够精确地区分出果梗变色是由菌类病害引起的，还是由腐烂病害引起的。这种精确的分类不仅能够提高病害监测的准确性，还能帮助农民采取针对性更强的防控措施。例如，菌类病害和腐烂病害的防治方法不同，因此精确识别有助于提高防治效率。通过果梗变色区域光圈检测和像素亮度计算，利用光学特性对病害进行识别，这种方法相对传统的病害识别更为高效和客观。像素亮度分析能够快速检测出异常区域的病变程度，避免了依赖人工检测带来的主观误差。步骤s2443中的像素亮度阈值对比机制保证了检测的标准化和一致性。通过对菌类病害和腐烂病害的区分，系统可以同时监测多种病害类型，这大大提高了病害监测的广泛性和全面性。尤其是在生殖阶段，果梗是果实发育的重要部分，其健康状况直接影响果实产量和品质。因此，能够并行监测不同类型的病害，确保果梗的正常发育至关重要。通过步骤s2441对果梗变色区域的图像采集和分析，能够及早发现果梗发育异常。这种提前预警机制可以帮助农民在病害进一步扩展之前采取防治措施，避免病害影响到果实发育的关键阶段，提高作物的产量和质量。在步骤s2443中，通过像素亮度阈值对比，将果梗变色区域图像明确标记为菌类病害区域或腐烂病害区域。这种标记方式为后续的防控措施提供了清晰的依据。通过精准的标记，农民可以直观地了解不同病害的分布情况，做出更合理的防治决策。整个步骤s244从图像采集到病害分类的过程均通过自动化的图像处理和分析技术完成。这种自动化技术能够大大提高监测效率，减少人工干预的成本与错误风险，使得大规模农业生产中的病害监测变得更加高效和可扩展。
48、优选的，步骤s245包括以下步骤：
49、步骤s2451：基于生殖阶段内部病害监测数据对作物异常成熟阶段数据进行作物异常成熟阶段图像采集，得到作物异常成熟阶段图像；
50、步骤s2452：对作物异常成熟阶段图像进行根系部位图像分割，生成作物根系分割图像；对作物根系分割图像进行作物根系密度计算，得到作物根系密度数据；通过作物根系密度数据对作物根系分割图像进行作物扎根渗透分析，生成作物扎根渗透数据；
51、步骤s2453：对作物异常成熟阶段图像进行果实部位图像分割，生成作物果实分割图像；对作物果实分割图像进行果实形态特征提取，得到作物果实形态特征数据；通过作物果实形态特征数据对作物果实分割图像进行果实饱满度分析，生成作物果实饱满数据；
52、步骤s2454：基于作物扎根渗透数据和作物果实饱满数据对作物异常成熟阶段数据进行成熟阶段内部异常病害监测，生成成熟阶段内部病害监测数据；将萌芽阶段内部病害监测数据、生殖阶段内部病害监测数据和成熟阶段内部病害监测数据进行监测数据整合，生成作物内部病害监测数据。
53、本发明通过对根系部位图像的分割与分析，能够有效评估作物根系的密度以及扎根渗透能力。这种分析有助于了解作物在成熟阶段的根系是否健康，以及是否能有效吸收水分和养分。根系的健康对作物的整体生长至关重要，因此这一分析帮助农民及早发现根系问题，预防作物在成熟阶段的生长障碍。通过步骤s2453中的果实形态特征提取和果实饱满度分析，能够精确地评估果实的发育情况。果实的饱满程度是衡量果实品质的一个重要指标，这一过程不仅帮助监测果实的健康状况，还为果实的收获时间提供了数据依据。农民可以根据果实饱满度的分析结果，决定是否提前收获或进行营养补充。通过结合扎根渗透数据和果实饱满数据，能够有效进行成熟阶段的病害监测。这个过程确保了对根系和果实的综合评估，使得内部病害监测更加全面。根系和果实的异常不仅会影响作物的收成，还影响后续的储存和销售，因此，综合性的病害监测极为重要。最后，通过将萌芽阶段、生殖阶段和成熟阶段的病害监测数据整合，生成了一个全面的作物内部病害监测数据集。这个整合过程为农民提供了跨越整个生长周期的病害情况报告，使得他们能够更系统地了解作物健康，并为制定后续的种植决策提供可靠依据。特别是，这种数据整合有助于识别不同生长阶段的病害是否存在关联，从而更好地进行防控。通过对根系、果实等关键部位的图像采集与分析，步骤s245为作物提供了实时的内部病害监测与预警功能。一旦检测到异常，系统能够立即提示农民采取防护措施，防止病害进一步扩散。特别是在作物即将进入成熟期时，任何的异常都会直接影响产量和品质，因此，及时的预警机制显得尤为重要。通过根系密度与扎根渗透分析、果实饱满度评估等，农民可以更加科学地管理作物的养分供给和田间管理措施。这些分析结果为农民提供了作物在成熟阶段的精准数据，帮助他们调整水肥管理，从而提高作物的最终产量和品质。
54、优选的，步骤s3包括以下步骤：
55、步骤s31：通过作物环境病害监测数据和作物内部病害监测数据对标准作物图像集进行病害作物筛选，得到病害作物筛选图像；基于病害作物筛选图像进行高风险作物标记，生成高风险作物标记数据；
56、步骤s32：对病害作物筛选图像进行作物感染集群分析，生成作物感染集群数据；通过高风险作物标记数据对作物感染集群数据进行传播路径识别，生成作物病害风险传播路径数据；
57、步骤s33：利用作物病害风险传播路径数据进行中风险作物标记，生成中风险作物标记数据；通过高风险作物标记数据和中风险作物标记数据对标准作物图像集进行低风险作物识别并标记，生成低风险作物标记数据；
58、步骤s34：根据高风险作物标记数据、中风险作物标记数据和低风险作物标记数据进行监测频率动态调节，从而生成作物病害监测频率调节数据。
59、本发明通过作物环境病害监测数据和作物内部病害监测数据，能够从标准作物图像集中筛选出病害作物。这种精确的筛选方法确保了早期发现病害作物，从而有助于及时采取防治措施，避免病害扩散。此外，高风险作物的标记功能能够有效识别最具威胁的作物，便于进行重点监控和管理。通过对筛选出的病害作物进行集群分析，能够揭示出作物病害的传播模式。感染集群分析不仅帮助确定病害的来源，还能揭示作物之间的感染关系，为后续的防控工作提供有力的数据支持。通过传播路径识别，农民可以了解病害的扩散方向，从而提前制定防控计划，阻止病害蔓延。基于病害传播路径数据对中风险作物进行标记，并结合高风险作物标记数据，能够有效进行作物的风险分级管理。通过这种多层次的风险分级，农民可以明确区分高风险、中风险和低风险作物，实施差异化管理策略。高风险作物需要更加频繁的监测和及时的防治措施，而低风险作物则可以减少监测频率，优化资源的利用。步骤s34提供了根据作物的风险级别动态调节监测频率的机制。通过结合高、中、低风险作物的标记数据，农民可以针对不同作物合理安排病害监测频率。这不仅提高了病害监测的效率，还减少了不必要的监测次数，从而节省了时间和成本。动态调节病害监测频率有助于更加灵活和精准地应对作物病害风险。通过对作物病害传播路径的识别和风险分级标记，步骤s3能够有效预防病害的扩散。特别是高风险作物的标记和监控，使得农民能够提前采取措施，控制病害传播。此外，低风险作物的识别和标记有助于集中资源防治病害重点区域，减少大面积的病害影响。通过病害筛选、感染集群分析以及风险分级管理，步骤s3提供了大量的数据支持，帮助农民做出更加科学和有效的决策。农民能够根据各类风险作物的标记信息，决定是否需要增加或减少某个区域的病害监测频率，从而优化农田管理策略。
60、优选的，步骤s32包括以下步骤：
61、步骤s321：对病害作物筛选图像进行作物边缘检测，生成病害作物轮廓图像；对病害作物轮廓图像进行特征归一化，生成病害区域特征向量；对病害区域特征向量进行集群中心点计算，生成病害区域集群中心点数据；
62、步骤s322：利用病害区域集群中心点数据对病害作物筛选图像进行作物感染集群聚类，生成作物感染集群数据；通过高风险作物标记数据对作物感染集群数据进行作物集群间隔距离分析，生成作物集群间隔距离数据；
63、步骤s323：对作物感染集群数据进行病害感染范围分析，生成作物病害感染范围数据；基于作物病害感染范围数据对作物集群间隔距离数据进行最短影响范围路径识别，生成作物病害风险传播路径数据。
64、本发明通过作物边缘检测生成病害作物轮廓图像，可以有效分离病害区域与健康区域。这种精准的轮廓检测能够帮助识别作物受感染的具体位置，为后续的病害集群分析提供基础。同时，病害区域特征向量的归一化处理，使得不同病害区域之间的比较更加一致，从而提升了病害分析的准确性。集群中心点的计算（步骤s321）为后续的集群聚类分析提供了核心数据。通过这种方式，农民可以快速掌握病害区域的核心位置，并借此推断病害的扩散趋势。这不仅加快了病害感染的监测速度，还为病害控制策略的制定提供了数据支持。通过利用集群中心点数据对病害作物进行集群聚类，生成了作物感染集群数据。这一过程帮助农民识别病害的集中区域，从而更好地理解病害传播的模式。通过对作物感染集群的分析，农民可以更加有效地划分病害防治的重点区域，避免过度防治或资源浪费。通过对作物感染集群数据的间隔距离分析（步骤s322），可以评估不同病害集群之间的距离以及相互影响程度。这种间隔距离分析有助于了解病害在田地中的分布情况，帮助农民判断病害是否会在不同区域间传播，从而制定针对性的防治措施。通过对作物感染集群数据的病害感染范围分析，能够准确估算病害在作物中的扩散范围。病害感染范围的数据为后续的风险传播路径识别提供了必要的信息，确保农民能够准确预测病害传播的风险区域，从而采取提前防治措施，减轻病害的影响。基于病害感染范围数据和作物集群间隔距离数据，识别出病害传播的最短影响路径。这一步骤帮助农民了解病害的传播路线，预测哪些区域是病害的下一个传播目标。通过识别最短的病害影响范围路径，农民可以提前采取阻断措施，阻止病害在作物中的快速扩散。步骤s32不仅实现了病害感染的精确监测，还通过集群聚类、感染范围分析和传播路径识别等手段，提升了病害监测的效率。通过快速聚类和传播路径分析，农民可以在早期识别出病害的潜在扩散趋势，减少了后期造成的损失。通过对病害感染范围的精准分析和传播路径的识别，步骤s32帮助农民大幅降低了作物病害传播的风险。农民可以通过分析集群间隔距离和感染范围，快速了解病害的扩散动态，从而制定科学的防治策略。这样可以在病害扩散之前进行有效防控，降低整体农作物的损失风险。
65、本发明的有益效果在于通过获取作物图像集并进行生长阶段筛选，确保数据集的相关性和准确性，从而为后续分析奠定坚实基础。生长形态特征提取和虚拟健康可视化有助于快速识别作物的生长状态和潜在问题。通过收集作物生长环境数据，可以更全面地了解影响作物健康的外部因素，增强异常生长阶段的识别能力。阶梯式内部病害监测将外部环境监测与内部病害分析相结合，提高了病害的早期识别率和准确性，减少了损失。通过环境病害和内部病害监测数据的结合，实现高风险作物的快速标记，有助于及时采取相应的管理措施。中风险和低风险作物的标记与识别，使得资源可以合理配置，提升监测效率。此外，动态监测频率调节确保了资源的有效利用，能够根据实时情况优化监测策略。通过层次风险规则定义，能够系统化地评估作物病害的风险，从而制定更为精细化的防控策略。这种多级防控策略提升了针对不同风险等级作物的管理效率，使得防控措施更加具有针对性和有效性，从而降低作物损失风险，提高农业生产的整体效益。因此，本发明通过多维度信息获取、阶段性特征提取、环境与内部病害监测结合、层次风险评估及动态调整防控策略，提高了病害识别的准确性和有效性。
1.一种作物病害监测及危害程度评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的作物病害监测及危害程度评估方法，其特征在于，步骤s1包括以下步骤：
3.根据权利要求2所述的作物病害监测及危害程度评估方法，其特征在于，步骤s14包括以下步骤：
4.根据权利要求3所述的作物病害监测及危害程度评估方法，其特征在于，步骤s2包括以下步骤：
5.根据权利要求4所述的作物病害监测及危害程度评估方法，其特征在于，步骤s23包括以下步骤：
6.根据权利要求4所述的作物病害监测及危害程度评估方法，其特征在于，步骤s4包括以下步骤：
7.根据权利要求6所述的作物病害监测及危害程度评估方法，其特征在于，步骤s244包括以下步骤：
8.根据权利要求6所述的作物病害监测及危害程度评估方法，其特征在于，步骤s245包括以下步骤：
9.根据权利要求1所述的作物病害监测及危害程度评估方法，其特征在于，步骤s3包括以下步骤：
10.根据权利要求9所述的作物病害监测及危害程度评估方法，其特征在于，步骤s32包括以下步骤：
