1.一种农业自动精准控制变量施肥方法，其特征在于，包括以下步骤：

步骤一：将施肥装置安装到移动机构上，操作移动机构到丘陵山区果园内；

步骤二：对果树树冠体积进行测算；

步骤三：根据树冠体积，确定施肥量；

步骤四：控制所述移动机构带动所述施肥装置移动到合适位置；

步骤五：控制所述施肥装置输出肥料，进行施肥；

所述施肥装置包括机架(2)，所述机架(2)固定连接肥料箱(1)，所述肥料箱(1)的出料口固定连接外槽轮排肥器(5)，驱动电机减速器(6)通过传动主轴(11)和一对轴承座固定于机架(2)上，所述外槽轮排肥器(5)安装固定于肥料箱(1)下，所述机架(2)固定连接电动推杆(8)，所述电动推杆(8)的推杆端固定连接压缩弹簧(10)的一端，所述压缩弹簧(10)的另一端固定连接所述主轴(11)，所述机架(2)轴承连接传动主轴(11)，所述传动主轴(11)固定连接驱动电机(7)，所述驱动电机(7)固定连接换向传动器(12)，驱动电机(7)的输出轴固定连接所述换向传动器(12)的输入轴，所述换向传动器(12)的输出轴固定连接主动传动链轮，所述换向传动器(12)固定连接开沟施肥部件(4)；

所述开沟施肥部件(4)包括接料斗(13)及开沟主轴(17)，所述接料斗(13)与所述开沟主轴(17)通过胀套联轴器(16)连接，所述接料斗(13)固定连接胀套(21)，所述胀套(21)固定连接传动链轮(14)，所述接料斗(13)固定连接深沟球轴承(15)，所述深沟球轴承(15)的外圈固定连接悬挂装置(22)，所述悬挂装置(22)固定连接所述换向传动器(12)的外壳，所述开沟主轴(17)内设置有防堵塞螺旋(23)，所述开沟主轴(17)外固定连接分段螺旋叶片(18)，所述开沟主轴(17)设置有出肥口(19)，所述开沟主轴(17)固定连接入土刀片(20)；

传动链条(9)的一端环绕所述主动传动链轮，所述传动链条(9)的一端环绕所述传动链轮(14)；

所述步骤五的具体流程为：初始状态时，所述电动推杆(8)收缩，使所述开沟施肥部件(4)倾斜，方便所述施肥装置运输，施肥时，控制所述电动推杆(8)伸出，使所述传动主轴(11)转动，使所述开沟施肥部件(4)倾斜式入土，避免所述开沟施肥部件(4)在入土阶段被堵塞，控制所述驱动电机减速器(6)及所述驱动电机(7)打开，所述驱动电机减速器(6)带动所述外槽轮排肥器(5)转动，实现所述肥料箱(1)内肥料排出到所述接料斗(13)内，所述驱动电机(7)带动所述换向传动器(12)运动，所述换向传动器(12)通过所述传动链条(9)带动所述传动链轮(14)转动，所述传动链轮(14)带动所述胀套(21)转动，所述胀套(21)带动所述接料斗(13)转动，所述接料斗(13)带动胀套联轴器(16)、所述开沟主轴(17)、所述分段螺旋叶片(18)、所述入土刀片(20)及所述防堵塞螺旋(23)转动，所述分段螺旋叶片(18)实现旋转开槽，肥料沿所述接料斗(13)进入所述开沟主轴(17)从所述出肥口(19)转动喷出，肥料颗粒和底层破碎的土壤颗粒被所述分段螺旋叶片(18)提升，并被所述分段螺旋叶片(18)搅拌混合，能够实现土壤和肥料有效的混合，提高肥料的利用效率。

2.根据权利要求1所述的农业自动精准控制变量施肥方法，其特征在于：所述步骤二的具体流程为：步骤二一：采集数据集，使用相机拍摄并收集果树的图片，使用标注软件LabelImg将图片标注为VOC格式的xml文件，使用矩形框对果树进行标注，其中的边框展示图片标注的名称与位置的信息；

步骤二二：图像的处理，在将图片输入到卷积网络进行提取不同的语义信息之前，需要对采集的图片进行图像归一化处理、图像标准化处理；

步骤二三：网络特征提取，在特征提取的过程中，浅层网络提取的是纹理、边框、颜色的低级特征，深层网络提取的是高级、抽象的特征，主要目的是将图片目标与所标注的真实区域进行拟合，以达到最小的错误率；

步骤二四：网络权重的保存，网络训练完之后，各层之间均会得到一个较好的权重值，能达到最优的预测效果，将这个权重保留，用于后续对果树进行检测；

步骤二五：果树检测，在先前得到的网络权重的基础上，将实际环境下所取得的图片经过处理后传入到网络中，因为各层之间的权重参数在训练过程中已达到较优水平，输入的图像只需要在这些参数下进行前向传播，最终获取实际的目标类别概率；

其中:L表示模型的损失函数、pi表示模型预测的一组数据、ti表示模型真实样本对应的数据、Ncls预测的样本量、i表示数组中第i位数据值、Lcls模型分类损失函数、λ表示权* *重、Nreg回归的样本数量、Lreg模型回归损失函数、Pi 表示预测的类别、ti 表示真实的类别；

步骤二六：在YOLOv5网络的输入端直接放入整张图，然后在输出层回归bounding box(边界框)的位置和其所属的类别。

3.根据权利要求2所述的农业自动精准控制变量施肥方法，其特征在于：所述步骤二二的具体流程为：步骤二二一：数据集扩增，卷积神经网络具有处理全新数据的能力，但当样本较少时，模型容易出现过拟合，权重分配不够合理，网络也无法具备足够的泛化能力和特征概括能力，通过基于基础色彩的改变原始图像的亮度、色度、对比度、锐度对原数据集进行扩充，由于涉及图像尺度变化，可仍保留原标注结果，增加网络模型对环境的适应性；

步骤二二二：图像归一化处理：采集的RGB图像其像素点的范围位于0‑255之间，为了加速网络训练，使用(式2)将像素转换到0‑1之间进行归一化操作：其中:Xi表示图像中第i点的像素点值,Xmax和Xmin分别表示图像像素的最大值和最小值；

步骤二二三：图像标准化处理：由于图像的数据信息分布较分散，会使网络训练起来难度加大，需进行图像标准化，其主要原理是将数据通过去均值实现中心化的处理，通过(式

3)及(式4)求出像素点的均值和方差，再通过(式5)进行标准化处理；

2

其中:μ是图像像素点的均值、σ表示像素点的标准方差、N表示图像的像素数量。

4.根据权利要求2所述的农业自动精准控制变量施肥方法，其特征在于：所述步骤二三的具体流程为：步骤二三一：经过处理后的图片通过(式6)进行神经网络特征信息的提取；

其中:z(u,v)表示卷积后特征图像对应的第u行第v列的图像像素点值,Xi,j表示被卷积的图像对应的第i行第j列的图像像素点值,k表示卷积核；

步骤二三二：经过卷积操作后的图像尺寸会发生变化，主要是通道数增加、长宽发生变化，采用(式7)，空间层面的信息变多，提取的特征更利于网络训练；

其中，heightout、widthout为输出图像的高度和宽度,heightin、widthin为输出图像的高度和宽度,heightkernel、widthkernel为卷积核的高度和宽度,stride为步长，padding为填充层；

步骤二三三：标准化网络层：神经网络训练的过程就是不断前后更新参数拟合训练数据的过程，为了提升网络优化速度，对特征图及性能标准化处理，其中标准化过程如(式8)(式8)(式10)及(式11)所示，增强网络的收敛能力；

其中：m为一次迭代所选取的图像数量；

μB为一个批次的均值；

2

其中：σ为方差；

其中： 为标准化后的值；

为防止分母为0的极小数；

其中：标准化层的输入为B＝{x1，2…，m}；

yi为标准化后的输出；

γ和β是两个在训练中学习得到的参数。

5.根据权利要求1所述的农业自动精准控制变量施肥方法，其特征在于：所述接料斗(13)匹配所述外槽轮排肥器(5)。

6.根据权利要求5所述的农业自动精准控制变量施肥方法，其特征在于：所述机架(2)固定连接三点悬挂装置(3)，所述三点悬挂装置(3)用于连接所述移动机构。