1.一种基于计算机视觉的无人化蔬菜大棚种植方法，其特征在于，包括：图像信息采集发送装置，上位机处理端以及预警显示装置；所述图像信息采集发送装置，包括图片定位采集装置以及无线信号发送装置；所述所述预警显示装置，包括病害提示装置和病害显示装置；所述的图片定位采集装置，包括相机、转轴电机、位置传感器以及齿轮轨道组成，转轴电机带动齿轮轨道移动从而带动轨道上相机移动，到达蔬菜所在的位置传感器区域时，停下进行图片定位采集；无线信号发送装置将已经采集好的图片信息通过无线信号传输总线传输到主控制的上位机处理端，上位机处理端接收到图像信号后通过建立好的数据模型进行分析处理并得出最后结果，当上位机处理端检测到蔬菜发生病变并给出病变类别时，病害显示装置会自动显示出病害的类别，病害提示装置会启动，通知棚主采取相应的处理措施。

2.根据权利要求1所述的一种基于计算机视觉的无人化蔬菜大棚种植方法，其特征在于，以马铃薯为例，通过卷积神经网络深度学习的方式来建立蔬菜病害预测模型，其步骤为：(1)收集马铃薯五种常见病害的马铃薯叶图片，以及一种健康正常状态下的马铃薯叶图片；

(2)对收集到的马铃薯图像的六种状态进行分类标签，将数据集以9:1的关系建立模型训练序所需的训练集以及测试集；

(3)对马铃薯图像进行预处理；

(4)特征提取与病害识别，使用卷积神经网络对处理完的图片进行特征提取并进行识别，卷积神经网络基本结构包括卷积层，池化层以及全连接层三部分组成；

(5)将测试集带入训练好的模型中判断其准确率，即所述测试集用来评估训练好的模型是否能投入使用。

3.根据权利要求2所述的一种基于计算机视觉的无人化蔬菜大棚种植方法，其特征在于，步骤(1)中所述五种常见马铃薯病害为“马铃薯瘟”、“轮纹病”、“马铃薯黄化卷叶型病”、“马铃薯枯萎病”、“马铃薯炭疽病”中的一种。

4.根据权利要求2所述的一种基于计算机视觉的无人化蔬菜大棚种植方法，其特征在于，步骤(3)中所述的图像预处理方法按以下步骤进行：3a)图像裁剪，通过裁剪保留研究主题去除多余部分；

3b)调整图像分辨率，保证图像比例不变以及DPI不变的情况下将原图调整为800*600像素分辨率大小；

3c)图像灰度处理，采用像素平均值法将彩色RGB彩色图像转换为灰度图像，即将对应位置的R,G,B像素点求平均得到该位置的像素点；

3d)图像滤波，采用简单的中值滤波法对图像进行非线性处理，设原图像为g,g(i,j)为图像g中坐标为(i,j)的像素点，S为该像素点用给定模板取得K个像素的领域空间，并按灰度值将像素按从小到大排列并取中值作为新灰度值。

5.根据权利要求2所述的一种基于计算机视觉的无人化蔬菜大棚种植方法，其特征在于，步骤(4)中使用的卷积神经网络对处理完的图片进行特征提取并识别，其步骤为：4a)将六种状态下的马铃薯单独分为一类，即“健康马铃薯叶”为类别1，“马铃薯瘟叶”为类别2，“轮纹病”为类别3，“马铃薯黄化卷叶型病”为类别4，“马铃薯枯萎病”为类别5，“马铃薯炭疽病”为类别6；

4b)当类别1为正样本，则其余类别为负样本，即标记数据为(1,0,0,0,0,0)；

当类别2为正样本，则其余类别为负样本，即标记数据为(0,1,0,0,0,0)；

当类别3为正样本，则其余类别为负样本，即标记数据为(0,0,1,0,0,0)；

当类别4为正样本，则其余类别为负样本，即标记数据为(0,0,0,1,0,0)；

当类别5为正样本，则其余类别为负样本，即标记数据为(0,0,0,0,1,0)；

当类别6为正样本，则其余类别为负样本，即标记数据为(0,0,0,0,0,1)；

4c)用构建好的10层深度卷积神经网络结构对已经标记好类别的马铃薯图片数据集进行训练，得到相应类别的概率，利用反向传播原理持续不断的对数据进行训练，直到最后梯度下降到最小值，使得预测样本的概率在其余类别上接近0，在该类别上接近1。

6.根据权利5中所述的一种基于计算机视觉的无人化蔬菜大棚种植方法，其特征在于，步骤4c)中提所述的10层深度卷积神经网络结构包括3层卷积层、3层最大池化层、2层全连接层、1层softmax层和1层输出层。

7.根据权利要求6中所述的一种基于计算机视觉的无人化蔬菜大棚种植方法，其特征在于，所述的3层卷积层采用了3种不同的卷积核，一层是提取边缘特征，二层提取主要轮廓特征，三层提取纹理特征。

8.根据权利要求6中所述的一种基于计算机视觉的无人化蔬菜大棚种植方法，其特征在于，所述的池化层全都采用可重叠2*2窗口的最大池化算法。

9.根据权利要求2中所述的一种基于计算机视觉的无人化蔬菜大棚种植方法，其特征在于，所述的评估标准内容为：

查准率P：所有被标记患有病害的马铃薯叶中，真正标记正确的比例；查全率R：对于所有图中，识别出病害的占比。