CN105740211B - 一种基于蜂巢视频—温度采集系统的信息融合分析方法 - Google Patents
一种基于蜂巢视频—温度采集系统的信息融合分析方法 Download PDFInfo
- Publication number
- CN105740211B CN105740211B CN201610269063.6A CN201610269063A CN105740211B CN 105740211 B CN105740211 B CN 105740211B CN 201610269063 A CN201610269063 A CN 201610269063A CN 105740211 B CN105740211 B CN 105740211B
- Authority
- CN
- China
- Prior art keywords
- mrow
- temperature
- ith
- matrix
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 118
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 6
- 239000011541 reaction mixture Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 12
- 230000008569 process Effects 0.000 abstract description 8
- 238000011160 research Methods 0.000 abstract description 7
- 238000009341 apiculture Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 230000033228 biological regulation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000008844 regulatory mechanism Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000028016 temperature homeostasis Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种基于蜂巢视频—温度采集系统的信息融合分析方法，是按如下步骤进行：1对蜂巢视频—温度采集系统获取的视频信号进行截取，获得蜂群图像序列；2获得时间及位置与上述蜂群图像对应的蜂房温度矩阵序列；3使用聚类分割算法对单帧蜂群图像进行分割，得到带有蜂群形态的初步位置分布图；4对初步位置分布图作分块处理和邻域像素赋值处理，得到与温度矩阵中所有温度值位置上一一对应的图像矩阵；5计算每一帧图像矩阵与温度矩阵之间的相关系数和互信息量；从而建立相关系数及互信息量时间序列曲线。本发明将图像和温度信息进行融合处理和分析，有利于提高对蜂巢温度调节过程的解析效果，适用于蜂学研究和养蜂业管理。
Description
技术领域
本发明涉及利用多源信息研究蜂巢恒温调控领域，具体地说是一种基于蜂巢视频—温度采集系统的信息融合分析方法，适用于蜂学研究和养蜂业管理。
背景技术
明确蜂巢的温度调节机理和过程不仅是蜂学研究的热点问题，而且对养蜂业的科学管理具有重要的指导价值。现有研究表明(“汪天澍,刘芳,余林生,等.蜜蜂蜂群温湿度调节研究进展[J].生态学报,2015,10:3172-3179”)，蜜蜂具有自动调节蜂巢温度的功能，但其恒温调控机理和过程尚需进一步揭示。文献(“江朝晖,张静,杨春合,等.越冬蜂群调温机理仿真[J].系统仿真学报,2014,06:1301-1307”)以蜜蜂智能体及蜂巢内温度场为对象进行仿真研究，初步揭示了蜂巢恒温调控规律，但仿真结果尚需与实际观测数据的分析结果相印证。文献(“杨冠煌,孙东江,肖京城,等.中华蜜蜂群体内温度、湿度及CO2浓度的变化及调节研究[J].中国农业科学,1999,03:98-103”、“付月生,潘炜,余林生,等.蜂巢恒温调控机理检测装置的研究[J].湖北汽车工业学院学报,2015,01:60-63”、“李想,江朝晖,陆元洲,等.基于微传感器阵列的蜂巢温度监测与分析系统[J].传感器与微系统,2015,11:63-65+68”)和实用新型专利“一种用于研究蜂巢全蜂房温度调控机制的蜂箱(CN201520266709.6)”设计了多种实验监测装置，获得实际蜂巢内温湿度等参数，并进行处理和分析，但由于蜂巢内各点的温度与蜂群的形态/位置密切相关，而上述研究都缺少蜂群形态、位置等重要信息，所得结果不能真实、全面地反映蜂巢温度调节机理和过程。
发明内容
本发明为克服现有技术存在的不足之处，提供一种基于蜂巢视频—温度采集系统的信息融合分析方法，以期全面考虑影响蜂巢内部温度变化的各项因素，提高对蜂巢温度调节的有效性。
为解决上述技术问题，本发明采用的技术方案是：
本发明一种基于蜂巢视频—温度采集系统的信息融合分析方法，所述蜂巢视频—温度采集系统用于获取任意时刻蜂箱内部的蜂群视频及相应的蜂房温度数据，其特点是，所述信息融合分析方法按如下步骤进行：
步骤1：令所述蜂巢视频—温度采集系统的时间周期为T，并按照时间周期T对任意时间段内蜂箱内部的蜂群视频进行截取，获得蜂群图像序列；所述蜂群图像序列是按照时间顺序排列的n幅蜂群图像；
步骤2、从所述蜂巢视频—温度采集系统中获取与所述蜂群图像序列所对应时刻的n组蜂房温度数据，并对所述n组蜂房温度数据进行预处理，从而获得与所述蜂群图像序列相对应的温度矩阵序列；所述温度矩阵序列是按照时间顺序排列的n个温度矩阵；其中第i个温度矩阵与第i幅蜂群图像相对应，且记第i个温度矩阵为：其中，表示第i个温度矩阵中第v行第u列位置上的温度值，V为温度矩阵的行数，U为温度矩阵的列数，1≤v≤V，1≤u≤U，1≤i≤n；
步骤3：利用聚类分割算法对所述蜂群图像序列中的每幅蜂群图像进行分割，从而得到带有蜂群形态的n幅初步位置分布图；将第i个初步位置分布图用第i个位置分布图像矩阵表征为：其中，表示第i个位置分布图像矩阵中第s行第q列像素值，S为位置分布图像矩阵的行数，Q为位置分布图像矩阵的列数，1≤s≤S，1≤q≤Q，S＞V，Q＞U；
步骤4：对所述第i个位置分布图像矩阵Pi进行分块处理，再进行邻域像素赋值处理，得到与第i个温度矩阵Yi中所有温度值位置上一一对应的图像矩阵，记为：其中，表示第i个图像矩阵Xi中第v行第u列像素值；且第v行第u列像素值与第v行第u列位置上的温度值相对应；
步骤5：分别计算n个图像矩阵与相应n个温度矩阵之间的相关系数和互信息量，并建立相关系数及互信息量的时间序列曲线，用以表征蜂群图像与蜂房温度间的动态关系。
本发明所述的信息融合分析方法的特点也在于，
所述步骤2中的预处理是按如下过程进行：
步骤2.1、利用式(1)获得第i组蜂房温度数据的异常检测标准值δi：
式(1)中，表示第i组蜂房温度数据的平均值；yij表示第i组蜂房温度数据中第j个温度值；U×V表示蜂房温度数据中的温度值总数；
步骤2.2、利用式(2)对第i组蜂房温度数据中第j个温度值yij进行异常检测，若满足式(2)，则表示第i组蜂房温度数据中第j个温度值yij为异常值，并用yi(j-1)与yi(j+1)的均值进行替换；若不满足式(2)，则保留第j个温度值yij；从而完成第i个蜂房温度数据中所有温度值的异常检测，得到第i个温度矩阵Yi，进而构成温度矩阵序列；
所述步骤3中的聚类分割算法是按如下过程进行：
步骤3.1、将第i幅蜂群图像转换为第i幅Lab色彩空间图像；
步骤3.2、提取第i幅Lab色彩空间图像中的a分量和b分量，用于计算欧氏距离，并对所述欧氏距离进行k-mean聚类，得到第i幅剔除蜂房背景的图像；
步骤3.3、将所述第i幅剔除蜂房背景的图像转换成第i幅灰度图像；并对第i幅灰度图像中所有像素点进行k-mean聚类，得到第i幅初步位置分布图。
步骤4包括以下步骤：
步骤4.1、根据第i个温度矩阵Yi的行数和列数，将所述第i幅位置分布图像矩阵Pi分成V×U个小块；
步骤4.2、令第k个小块的温度采集点为Ak，对第k个温度采集点Ak的邻域像素进行均值处理，从而更新第k个小块的温度采集点Ak的所有邻域像素，进而更新V×U个小块的温度采集点的所有邻域像素，从而获得第i个分块图像矩阵；1≤k≤(V×U)；
步骤4.3、将第i个分块图像矩阵中第k个小块温度采集点Ak的邻域像素值赋值给Ak，并删除第k个小块温度采集点的所有邻域像素，得到与第i个温度矩阵Yi中第k个温度值位置上相对应的像素点，从而获得与第i个温度矩阵Yi中所有温度值位置上一一对应的图像矩阵Xi。
所述步骤5包括以下步骤：
步骤5.1、利用式(3)计算第i个图像矩阵Xi和第i个温度矩阵Yi之间相关系数CC(Xi,Yi)：
式(3)中，表示第i个图像矩阵Xi的均值；表示第i个温度矩阵Yi的均值；
步骤5.2、利用式(4)计算第i个图像矩阵Xi和第i个温度矩阵Yi的信息熵H(Xi)和H(Yi)：
式(4)中，p(x)表示第i个图像矩阵Xi中像素值为x的像素所占的比例，p(y)表示第i个温度矩阵Yi中温度值为y的温度所占的比例；
步骤5.3、利用式(5)计算第i个图像矩阵Xi和第i个温度矩阵Yi的联合信息熵H(Xi,Yi)，
式(5)中，p(x,y)表示第i个图像矩阵Xi中像素点值为x的像素与第i个温度矩阵Yi中温度值为y的温度之间的联合概率分布；
步骤5.4、利用式(6)计算第i个图像矩阵Xi和第i个温度矩阵Yi之间的互信息量MI(Xi,Yi)：
MI(Xi,Yi)＝H(Xi)+H(Yi)-H(Xi,Yi) (6)。
与已有技术相比，本发明的有益效果是：
1、本发明经过图像分割、分块、赋值，温度数据异常检测以及相关系数、互信息量计算等一系列操作，将蜂群图像与蜂房温度融合起来进行分析，克服了现有技术中缺少考察蜂群形态、位置等重要信息对蜂巢内部温度变化影响的问题，从而使得分析蜂巢温度调节过程的角度更全面、结果更真实。
2、本发明通过采用图像聚类算法对具有复杂蜂房背景的蜂群图像进行分割，克服了复杂蜂房背景对分割手段的干扰，达到了更清晰的分割效果；
3、本发明根据像素值大小反映蜜蜂聚集程度的特点，通过对位置分布图像矩阵分块处理使得位置分布图像素值分布更加均匀，再通过赋值处理得到与相应温度矩阵中所有温度采集点位置上一一对应的图像矩阵，克服了现有技术中需要对图像和温度数据分开处理的弊端，为两者之间建立了联系，具有便于表达图像与温度数据之间动态规律的优点。
4、本发明从统计特性即相关系数、信息量特性即互信息两个角度评价图像矩阵与温度矩阵之间的关系，并构建两个指标的时间序列，具有将抽象的相关性和信息概念转换为具体数值的优点，从而定量、全面、动态地表达蜂群图像与蜂房温度之间的联系和规律。
附图说明
图1为本发明方法总体结构框图；
图2为本发明模拟还原的蜂房温度矩阵图；
图3为本发明自定义的图像聚类分割算法流程图；
图4为本发明分割的蜂群初步位置分布图；
图5为本发明获得的蜂群图像矩阵图；
图6为本发明建立的相关系数和互信息量时间序列曲线图。
具体实施方式
本实施例中，前期采用蜂巢视频—温度采集系统获取任意时刻蜂箱内部的蜂群视频及相应的蜂房温度数据，在此基础之上，提出一种基于蜂巢视频—温度采集系统的信息融合分析方法，如图1总体框图所示。在Matlab2012b环境下，是按如下步骤进行：
步骤1：令蜂巢视频—温度采集系统的时间周期T，本实施例中，T为5分钟，并按照时间周期T对任意时间段内蜂箱内部的蜂群视频进行截取，获得蜂群图像序列；蜂群图像序列是按照时间顺序排列的n幅蜂群图像；
步骤2：从蜂巢视频—温度采集系统中获取与蜂群图像序列所对应时刻的n组蜂房温度数据，每组蜂房温度数据包含2880个温度值；并对n组蜂房温度数据进行预处理，获得与蜂群图像序列相对应的温度矩阵序列；具体的说，预处理按如下步骤进行：
步骤2.1、利用式(1)获得第i组蜂房温度数据的异常检测标准值δi：
式(1)中，表示第i组蜂房温度数据的平均值；yij表示第i组蜂房温度数据中第j个温度值；U×V表示蜂房温度数据中的温度值总数；
步骤2.2、利用式(2)对第i组蜂房温度数据中第j个温度值yij进行异常检测，若满足式(2)，则表示第i组蜂房温度数据中第j个温度值yij为异常值，并用yi(j-1)与yi(j+1)的均值进行替换；若不满足式(2)，则保留第j个温度值yij；从而完成第i个蜂房温度数据中所有温度值的异常检测，得到第i个温度矩阵Yi，进而构成温度矩阵序列；
如图2所示；温度矩阵序列是按照实际顺序排列的n个温度矩阵；其中第i个温度矩阵与第i幅蜂群图像相对应，且记第i个温度矩阵为：其中，表示第i个温度矩阵的第v行第u列位置上的温度值，V为温度矩阵的行数，U为温度矩阵的列数，1≤v≤V，1≤u≤U，1≤i≤n；本实施例中，V＝40，U＝72；
步骤3：利用聚类分割算法对蜂群图像序列中的每幅蜂群图像进行分割，从而得到带有蜂群形态的n幅初步位置分布图；如图3流程图所示，图像分割是按如下步骤进行：
步骤3.1、将第i幅蜂群图像转换为第i幅Lab色彩空间图像；
步骤3.2、提取第i幅Lab色彩空间图像中的a分量和b分量，用于计算欧氏距离，并对欧氏距离进行k-mean聚类，得到第i幅剔除蜂房背景的图像；
步骤3.3、将第i幅剔除蜂房背景的图像转换成第i幅灰度图像；并对第i幅灰度图像中所有像素点进行k-mean聚类，得到第i幅初步位置分布图，如图4所示。
将第i个初步位置分布图用第i个位置分布图像矩阵表征为： 表示第i个位置分布图像矩阵的第s行第q列像素值，S为位置分布图像矩阵的行数，Q为位置分布图像矩阵的列数，1≤s≤S，1≤q≤Q，S＞V，Q＞U；
步骤4：对第i个位置分布图像矩阵Pi分别进行分块处理，再进行邻域像素赋值处理，得到与第i个温度矩阵Yi中所有温度值位置上一一对应的图像矩阵Xi，具体的说是如下步骤进行：
步骤4.1、根据第i个温度矩阵Yi的行数和列数，将第i幅位置分布图像矩阵Pi分成V×U个小块，本实施例中，U＝72，V＝40；
步骤4.2、令第k个小块的温度采集点为Ak，对第k个温度采集点Ak的邻域像素进行均值处理，从而更新第k个小块的温度采集点Ak的所有邻域像素，进而更新V×U个小块的温度采集点的所有邻域像素，从而获得第i个分块图像矩阵；1≤k≤(V×U)；
步骤4.3、将第i个分块图像矩阵中第k个小块温度采集点Ak的邻域像素值赋值给Ak，并删除第k个小块温度采集点的邻域像素，得到与第i个温度矩阵Yi中第k个温度值位置上相对应的像素点，从而获得与第i个温度矩阵Yi中所有温度值位置上一一对应的图像矩阵Xi，记为：如图5所示，其中，表示第i个图像矩阵的第v行第u列像素值；且第v行第u列像素值与第v行第u列位置上的温度值相对应；
步骤5：分别计算n个图像矩阵与相应n个温度矩阵之间的相关系数和互信息量，具体按照如下步骤进行：
步骤5.1、利用式(3)计算第i个图像矩阵Xi和第i个温度矩阵Yi之间相关系数CC(Xi,Yi)：
式(3)中，表示第i个图像矩阵Xi的均值；表示第i个温度矩阵Yi的均值；
步骤5.2、利用式(4)计算第i个图像矩阵Xi和第i个温度矩阵Yi的信息熵H(Xi)和H(Yi)：
式(4)中，p(x)表示第i个图像矩阵Xi中像素值为x的像素所占的比例，p(y)表示第i个温度矩阵Yi中温度值为y的温度所占的比例；
步骤5.3、利用式(5)计算第i个图像矩阵Xi和第i个温度矩阵Yi的联合信息熵H(Xi,Yi)，
式(5)中，p(x,y)表示第i个图像矩阵Xi中像素点值为x的像素与第i个温度矩阵Yi中温度值为y的温度之间的联合概率分布；
步骤5.4、利用式(6)计算第i个图像矩阵Xi和第i个温度矩阵Yi之间的互信息量MI(Xi,Yi)：
MI(Xi,Yi)＝H(Xi)+H(Yi)-H(Xi,Yi) (6)
步骤6：建立相关系数及互信息量的时间序列曲线，如图6所示，用以表征蜂群图像与蜂房温度间的动态关系。
综上所述，本方法能将图像和温度信息进行融合处理和分析，有利于提高对蜂巢温度调节过程的解析效果，适用于蜂学研究和养蜂业管理。
以上发明只是本发明的优选实施方式，应当指出，对于本技术邻域的科技人员来说，在不脱离本发明技术原理的前提下，还可以做出若干适当的调整，这些调整也应视为本发明的保护范围。
Claims (5)
1.一种基于蜂巢视频—温度采集系统的信息融合分析方法，所述蜂巢视频—温度采集系统用于获取任意时刻蜂箱内部的蜂群视频及相应的蜂房温度数据，其特征是，所述信息融合分析方法按如下步骤进行：
步骤1：令所述蜂巢视频—温度采集系统的时间周期为T，并按照时间周期T对任意时间段内蜂箱内部的蜂群视频进行截取，获得蜂群图像序列；所述蜂群图像序列是按照时间顺序排列的n幅蜂群图像；
步骤2、从所述蜂巢视频—温度采集系统中获取与所述蜂群图像序列所对应时刻的n组蜂房温度数据，并对所述n组蜂房温度数据进行预处理，从而获得与所述蜂群图像序列相对应的温度矩阵序列；所述温度矩阵序列是按照时间顺序排列的n个温度矩阵；其中第i个温度矩阵与第i幅蜂群图像相对应，且记第i个温度矩阵为：其中，表示第i个温度矩阵中第v行第u列位置上的温度值，V为温度矩阵的行数，U为温度矩阵的列数，1≤v≤V，1≤u≤U，1≤i≤n；
步骤3：利用聚类分割算法对所述蜂群图像序列中的每幅蜂群图像进行分割，从而得到带有蜂群形态的n幅初步位置分布图；将第i个初步位置分布图用第i个位置分布图像矩阵表征为：其中，表示第i个位置分布图像矩阵中第s行第q列像素值，S为位置分布图像矩阵的行数，Q为位置分布图像矩阵的列数，1≤s≤S，1≤q≤Q，S＞V，Q＞U；
步骤4：对所述第i个位置分布图像矩阵Pi进行分块处理，再进行邻域像素赋值处理，得到与第i个温度矩阵Yi中所有温度值位置上一一对应的图像矩阵，记为：其中，表示第i个图像矩阵Xi中第v行第u列像素值；且第v行第u列像素值与第v行第u列位置上的温度值相对应；
步骤5：分别计算n个图像矩阵与相应n个温度矩阵之间的相关系数和互信息量，并建立相关系数及互信息量的时间序列曲线，用以表征蜂群图像与蜂房温度间的动态关系。
2.根据权利要求1所述的信息融合分析方法，其特征是，所述步骤2中的预处理是按如下过程进行：
步骤2.1、利用式(1)获得第i组蜂房温度数据的异常检测标准值δi：
<mrow>
<msub>
<mi>&delta;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mrow>
<mi>U</mi>
<mo>&times;</mo>
<mi>V</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>U</mi>
<mo>&times;</mo>
<mi>V</mi>
</mrow>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式(1)中，表示第i组蜂房温度数据的平均值；yij表示第i组蜂房温度数据中第j个温度值；U×V表示蜂房温度数据中的温度值总数；
步骤2.2、利用式(2)对第i组蜂房温度数据中第j个温度值yij进行异常检测，若满足式(2)，则表示第i组蜂房温度数据中第j个温度值yij为异常值，并用yi(j-1)与yi(j+1)的均值进行替换；若不满足式(2)，则保留第j个温度值yij；从而完成第i个蜂房温度数据中所有温度值的异常检测，得到第i个温度矩阵Yi，进而构成温度矩阵序列；
<mrow>
<mo>|</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>|</mo>
<mo>></mo>
<mn>3</mn>
<msub>
<mi>&delta;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
3.根据权利要求1所述的信息融合分析方法，其特征在于，所述步骤3中的聚类分割算法是按如下过程进行：
步骤3.1、将第i幅蜂群图像转换为第i幅Lab色彩空间图像；
步骤3.2、提取第i幅Lab色彩空间图像中的a分量和b分量，用于计算欧氏距离，并对所述欧氏距离进行k-mean聚类，得到第i幅剔除蜂房背景的图像；
步骤3.3、将所述第i幅剔除蜂房背景的图像转换成第i幅灰度图像；并对第i幅灰度图像中所有像素点进行k-mean聚类，得到第i幅初步位置分布图。
4.根据权利要求1所述的信息融合分析方法，其特征在于，步骤4包括以下步骤：
步骤4.1、根据第i个温度矩阵Yi的行数和列数，将所述第i幅位置分布图像矩阵Pi分成V×U个小块；
步骤4.2、令第k个小块的温度采集点为Ak，对第k个温度采集点Ak的邻域像素进行均值处理，从而更新第k个小块的温度采集点Ak的所有邻域像素，进而更新V×U个小块的温度采集点的所有邻域像素，从而获得第i个分块图像矩阵；1≤k≤(V×U)；
步骤4.3、将第i个分块图像矩阵中第k个小块温度采集点Ak的邻域像素值赋值给Ak，并删除第k个小块温度采集点的所有邻域像素，得到与第i个温度矩阵Yi中第k个温度值位置上相对应的像素点，从而获得与第i个温度矩阵Yi中所有温度值位置上一一对应的图像矩阵Xi。
5.根据权利要求1所述的信息融合分析方法，其特征在于，所述步骤5包括以下步骤：
步骤5.1、利用式(3)计算第i个图像矩阵Xi和第i个温度矩阵Yi之间相关系数CC(Xi,Yi)：
<mrow>
<mi>C</mi>
<mi>C</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>V</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>U</mi>
</munderover>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>v</mi>
<mi>u</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>-</mo>
<mover>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msubsup>
<mi>y</mi>
<mrow>
<mi>v</mi>
<mi>u</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>-</mo>
<mover>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>V</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>U</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>v</mi>
<mi>u</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>-</mo>
<mover>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>V</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>U</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>y</mi>
<mrow>
<mi>v</mi>
<mi>u</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>-</mo>
<mover>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</msqrt>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式(3)中，表示第i个图像矩阵Xi的均值；表示第i个温度矩阵Yi的均值；
步骤5.2、利用式(4)计算第i个图像矩阵Xi和第i个温度矩阵Yi的信息熵H(Xi)和H(Yi)：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>H</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<munder>
<mi>&Sigma;</mi>
<mi>x</mi>
</munder>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mi>log</mi>
<mi> </mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>H</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<munder>
<mi>&Sigma;</mi>
<mi>y</mi>
</munder>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mi>log</mi>
<mi> </mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
式(4)中，p(x)表示第i个图像矩阵Xi中像素值为x的像素所占的比例，p(y)表示第i个温度矩阵Yi中温度值为y的温度所占的比例；
步骤5.3、利用式(5)计算第i个图像矩阵Xi和第i个温度矩阵Yi的联合信息熵H(Xi,Yi)，
<mrow>
<mi>H</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
</munder>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mi>log</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
式(5)中，p(x,y)表示第i个图像矩阵Xi中像素点值为x的像素与第i个温度矩阵Yi中温度值为y的温度之间的联合概率分布；
步骤5.4、利用式(6)计算第i个图像矩阵Xi和第i个温度矩阵Yi之间的互信息量MI(Xi,Yi)：
MI(Xi,Yi)＝H(Xi)+H(Yi)-H(Xi,Yi) (6)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610269063.6A CN105740211B (zh) | 2016-04-26 | 2016-04-26 | 一种基于蜂巢视频—温度采集系统的信息融合分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610269063.6A CN105740211B (zh) | 2016-04-26 | 2016-04-26 | 一种基于蜂巢视频—温度采集系统的信息融合分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105740211A CN105740211A (zh) | 2016-07-06 |
| CN105740211B true CN105740211B (zh) | 2018-06-05 |
Family
ID=56285731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610269063.6A Expired - Fee Related CN105740211B (zh) | 2016-04-26 | 2016-04-26 | 一种基于蜂巢视频—温度采集系统的信息融合分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105740211B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734198A (zh) * | 2018-04-20 | 2018-11-02 | 句容市宝启电子科技有限公司 | 一种基于移动终端的色彩信息交互式即时提取方法 |
| TWI744785B (zh) * | 2020-02-04 | 2021-11-01 | 中國鋼鐵股份有限公司 | 基於熱影像的物件辨識與定位方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100517387C (zh) * | 2007-06-18 | 2009-07-22 | 华中科技大学 | 一种多相似性测度图像配准方法 |
| CN101968649B (zh) * | 2010-10-18 | 2012-05-30 | 淮阴工学院 | 网络型生猪养殖环境控制系统与智能型环境因子控制方法 |
-
2016
- 2016-04-26 CN CN201610269063.6A patent/CN105740211B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN105740211A (zh) | 2016-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dhondt et al. | Cell to whole-plant phenotyping: the best is yet to come | |
| Lin et al. | Lightweight residual convolutional neural network for soybean classification combined with electronic nose | |
| WO2023071091A1 (zh) | 一种具有预分析能力的炭疽病病原菌侵染阶段检测方法 | |
| Buxbaum et al. | Non-destructive plant biomass monitoring with high spatio-temporal resolution via proximal RGB-d imagery and end-to-End deep learning | |
| CN105740211B (zh) | 一种基于蜂巢视频—温度采集系统的信息融合分析方法 | |
| Shellie et al. | Application of a daily crop water stress index to deficit irrigate malbec grapevine under semi-arid conditions | |
| CN113095619B (zh) | 基于气候和土壤模拟植被生产力空间格局的方法及系统 | |
| CN112801942A (zh) | 一种基于注意力机制的柑橘黄龙病图像识别方法 | |
| Zhou et al. | Ground-based thermal imaging for assessing crop water status in grapevines over a growing season | |
| Zhang et al. | Spatiotemporal dynamics of net primary productivity in China’s urban lands during 1982–2015 | |
| CN117250161B (zh) | 一种大豆耐盐碱鉴定池的实时监测系统 | |
| CN107038410A (zh) | 一种基于深度堆叠网络的杂草图像识别方法 | |
| Mancha et al. | Characterization of the transpiration of a vineyard under different irrigation strategies using sap flow sensors | |
| CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
| Wang et al. | Assisting the Planning of Harvesting Plans for Large Strawberry Fields through Image-Processing Method Based on Deep Learning | |
| Kolhar et al. | Phenomics for Komatsuna plant growth tracking using deep learning approach | |
| CN116432849B (zh) | 一种基于初级生产力数据同化的叶面积指数预测方法 | |
| CN115907178B (zh) | 一种净生态系统co2交换量的预测方法 | |
| CN116187859A (zh) | 灌区农作物低温冷害监测与诊断方法、装置、设备及介质 | |
| Li et al. | A technique system for the measurement, reconstruction and character extraction of rice plant architecture | |
| Jia et al. | Quantitative analysis and hyperspectral remote sensing inversion of rice canopy spad in A cold region | |
| CN102169117A (zh) | 一种适于转基因植物土壤微生态系统评价的体系及其应用 | |
| Munjal et al. | Accelerating Crop Breeding in the 21st Century: A Comprehensive Review of Next Generation Phenotyping Techniques and Strategies | |
| CN106503856A (zh) | 用于人工神经网络法优化培养基的试验设计方法 | |
| Adekar et al. | Detection of Plant Leaf Diseases using Machine Learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180605 |