CN107346424A - 灯诱昆虫识别计数方法及系统 - Google Patents
灯诱昆虫识别计数方法及系统 Download PDFInfo
- Publication number
- CN107346424A CN107346424A CN201710526685.7A CN201710526685A CN107346424A CN 107346424 A CN107346424 A CN 107346424A CN 201710526685 A CN201710526685 A CN 201710526685A CN 107346424 A CN107346424 A CN 107346424A
- Authority
- CN
- China
- Prior art keywords
- insect
- image
- identification
- training
- preset duration
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明提供的灯诱昆虫识别计数方法及系统,涉及农业植保技术领域。所述方法通过设置的诱虫灯诱集昆虫,使昆虫停栖在诱虫板上;图像采集单元每隔第一预设时长获取诱虫板上的昆虫图像,并发送给服务器;服务器将获取到的昆虫图像分割为包含单个昆虫的昆虫子图像;将所述昆虫子图像输入训练后的深度学习识别模型进行识别分类;每间隔第二预设时长统计该第二预设时长内获取到的昆虫图像中出现的昆虫种类及数量。与现有技术相比,本发明提供的灯诱昆虫识别计数方法及系统通过诱虫灯、诱虫板、图像采集单元以及服务器相配合,实现了从昆虫的诱集、自动识别、统计计数的全自动化,提高了对昆虫识别、统计的效率,同时还提高了识别昆虫的准确率。
Description
技术领域
本发明涉及农业植保技术领域,具体而言,涉及一种灯诱昆虫识别计数方法及系统。
背景技术
昆虫通常具有趋光性,尤其是一些农业害虫,可通过灯光诱集进行捕杀、测报,人工进行识别分数计数。随着信息技术的发展,出现了能自动拍照的测报灯。例如,通过拍摄测报灯诱集并杀死的害虫照片,然后利用人工识别并统计拍摄的照片中的昆虫种类和数量。现有技术对测报人员技术要求高,识别诊断工作量大,对昆虫的识别效率低、错误率高。
因此,如何提供一种可提高对昆虫识别效率及准确率的方法及系统,已成为本领域技术人员亟需解决的技术问题。
发明内容
为了克服上述现有技术中的不足,本发明提供一种灯诱昆虫识别计数方法及系统,以解决上述问题。
为了实现上述目的,本发明较佳实施例所提供的技术方案如下所示:
本发明较佳实施例提供一种灯诱昆虫识别计数方法,应用于害虫识别系统,所述系统包括至少一个图像采集装置以及与所述图像采集装置通信的服务器,所述图像采集装置包括用于引诱昆虫的诱虫板、采集所述诱虫板上图像信息的图像采集单元以及至少一个诱虫灯;所述诱虫灯设置在所述诱虫板上,用于引诱所述昆虫以使所述昆虫聚集在所述诱虫板上;所述服务器包括深度学习识别模型;所述方法包括:
所述图像采集装置通过所述图像采集单元每隔第一预设时长获取诱虫板上的昆虫图像,并发送给所述服务器;
所述服务器将获取到的昆虫图像分割为包含单个昆虫的昆虫子图像;
将所述昆虫子图像输入训练后的深度学习识别模型进行识别分类;
每间隔第二预设时长统计该第二预设时长内获取到的昆虫图像中出现的昆虫种类及数量,其中,所述第二预设时长大于等于第一预设时长。
在本发明的较佳实施例中,上述每间隔第二预设时长统计该第二预设时长内获取到的昆虫图像中出现的昆虫种类及数量的步骤,包括:
计算所有图像采集装置在所述第二预设时长内采集的昆虫的种类数以及每种昆虫的数量。
在本发明的较佳实施例中,上述图像采集装置每隔第一预设时长获取诱虫板上的昆虫图像,并发送给所述服务器的步骤之前,所述方法还包括:
获取昆虫的训练图像集,包括多个训练子图像,每个所述训练子图像包括单个昆虫的图像以及对应的昆虫的预设种类标签;
使用所述训练图像集,对所述深度学习识别模型进行训练。
在本发明的较佳实施例中,上述使用所述训练图像集,对所述深度学习识别模型进行训练的步骤,包括:
所述训练图像集采用深度学习算法训练所述深度学习识别模型,得到训练后的深度学习识别模型。
在本发明的较佳实施例中,上述将所述昆虫子图像输入训练后的深度学习识别模型进行识别分类的步骤,包括:
将所述昆虫子图像的图像特征与所述深度学习识别模型中的训练图像集中的训练子图像的图像特征进行匹配,得到所述昆虫子图像与所述训练子图像的相似度;
在所述训练图像集中选取相似度最大的所述训练子图像,将选出的所述训练子图像的预设种类标签作为所述昆虫子图像的实际种类标签。
在本发明的较佳实施例中,上述诱虫板的颜色包括便于在形成的所述昆虫图像上显示昆虫的单一浅色。
本发明的较佳实施例还提供一种灯诱昆虫识别计数系统,所述灯诱昆虫识别计数系统包括至少一个图像采集装置以及与所述图像采集装置通信的服务器,所述图像采集装置包括用于引诱昆虫的诱虫板、采集所述诱虫板上图像信息的图像采集单元以及至少一个诱虫灯;所述诱虫灯设置在所述诱虫板上,用于引诱所述昆虫以使所述昆虫聚集在所述诱虫板上;所述图像采集装置通过所述图像采集单元每隔第一预设时长获取诱虫板上的昆虫图像,并发送给所述服务器;所述服务器包括深度学习识别模型,所述服务器还包括:
分割单元,用于将所述服务器获取到的昆虫图像分割为包含单个昆虫的昆虫子图像;
识别分类单元,用于将所述昆虫子图像输入训练后的深度学习识别模型进行识别分类;
统计单元,用于每间隔第二预设时长统计该第二预设时长内获取到的昆虫图像中出现的昆虫种类及数量,其中,所述第二预设时长大于等于第一预设时长。
在本发明的较佳实施例中,上述统计单元还用于:
计算所有图像采集装置在所述第二预设时长内采集的昆虫的种类数以及每种昆虫的数量。
在本发明的较佳实施例中,上述图像采集装置在每隔第一预设时长获取诱虫板上的昆虫图像之前,还用于:
获取昆虫的训练图像集,包括多个训练子图像,每个所述训练子图像包括单个昆虫的图像以及对应的昆虫的预设种类标签;
所述服务器根据所述训练图像集,对所述深度学习识别模型进行训练。
在本发明的较佳实施例中,上述服务器还用于采用深度学习算法使所述训练图像集训练所述深度学习识别模型,得到训练后的深度学习识别模型。
本发明提供的灯诱昆虫识别计数方法及系统,通过设置的诱虫灯使昆虫停栖在诱虫板上;图像采集单元每隔第一预设时长获取诱虫板上的昆虫图像,并发送给服务器;所述服务器将获取到的昆虫图像分割为包含单个昆虫的昆虫子图像;将所述昆虫子图像输入训练后的深度学习识别模型进行识别分类;每间隔第二预设时长统计该第二预设时长内获取到的昆虫图像中出现的昆虫种类及数量。与现有技术相比,本发明提供的灯诱昆虫识别计数方法及系统通过诱虫板、图像采集单元以及服务器相配合,实现了从昆虫的诱集、自动识别、统计计数的全自动化,提高了对昆虫识别、统计的效率,同时还提高了识别昆虫的准确率。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举本发明较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍。应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明较佳实施例提供的害虫识别系统的交互示意图。
图2为本发明较佳实施例提供的图像采集装置的方框示意图。
图3为本发明较佳实施例提供的服务器的方框示意图。
图4为本发明较佳实施例提供的灯诱昆虫识别计数方法的流程示意图。
图5为本发明较佳实施例提供的服务器中第二存储器的方框示意图。
图标:10-害虫识别系统;100-用户终端;200-图像采集装置;210-第一处理器;220-第一通信单元;230-第一存储器;240-图像采集单元;300-服务器;310-第二处理器;320-第二通信单元;330-第二存储器;332-分割单元;333-识别分类单元;334-统计单元;400-网络。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“中”、“上”、“下”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参照图1,是本发明较佳实施例提供的害虫识别系统10的交互示意图。在本发明实施例中,服务器300与至少一个图像采集装置200通过网络400通信连接,用于对图像采集装置200发送的昆虫图像进行分类和统计。用户终端100可通过网络400与服务器300进行通讯,即用户通过该用户终端100可了解图像采集装置200诱集的昆虫种类以及数量。该害虫识别系统10实现了从昆虫自动识别、统计计数的全自动化,提高了对昆虫识别、统计的效率。
在本实施例中,所述用户终端100可以是,但不限于,智能手机、个人电脑(personal computer,PC)、平板电脑、个人数字助理(personal digital assistant,PDA)、移动上网设备(mobile Internet device,MID)等。所述网络400可以是,但不限于,有线网络或无线网络。所述昆虫可以为农作物害虫,比如,稻飞虱、卷叶螟、粘虫、棉铃虫、斜纹夜蛾、小菜蛾等。当然,所述昆虫还可以是其他不同于上述种类的害虫,这里不再一一赘述。
请参照图2,是本发明较佳实施例提供的图像采集装置200的方框示意图。在本实施例中,所述图像采集装置200可以包括诱虫板和图像采集单元240。所述诱虫板用于引诱昆虫,以使昆虫聚集在诱虫板上,便于图像采集单元240采集昆虫的图像信息。
具体地,所述图像采集装置200还包括用于引诱昆虫的诱虫灯。一般地,昆虫具有趋光性,而在夜间表现得更为明显。例如,将图像采集装置200设置在农田,夜间时打开诱虫灯,可将一定范围内的昆虫引诱到诱虫板上。另外,所述诱虫灯还可以增强光照强度,可使图像采集单元240获取的昆虫图像更为清晰。
进一步地,为了便于图像采集单元240获取的昆虫图像更为清晰,所述诱虫灯为发出白光的灯,比如可发出白光的LED灯、荧光灯等。另外,所述诱虫板的颜色可以为单一的浅色,比如单一的浅灰色、浅蓝色等。优选地,所述诱虫板为纯白色。
进一步地,所述图像采集装置200可以配合杀虫组件(比如,红外线杀虫灯),以消灭害虫。具体地,通过诱虫灯将害虫诱集到诱虫板上,然后开启杀虫组件,实现灭虫。
一般地,在本实施例中,识别的昆虫对象通常为停栖在诱虫板上的活昆虫。活昆虫的体色更为鲜艳、体形完整、形态特征明显、姿态变化小,便于深度学习模型提取昆虫的识别特征,更有利于昆虫的训练与识别,进而提高识别昆虫的准确率。
所述图像采集装置200可以包括第一处理器210、第一通信单元220以及第一存储器230。所述第一处理器210、第一通信单元220、第一存储器230以及图像采集单元240各个元件之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
其中,所述图像采集单元240可以是通用摄像头、红外摄像头,用于获取所述诱虫板上的昆虫的彩色图像或黑白图像。优选地,所述图像采集单元240为可清晰拍摄出所述诱虫板上的昆虫的彩色图像的高清摄像头。
所述第一存储器230可以是,但不限于但不限于,随机存取存储器(Random AccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除可编程只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。在本实施例中,所述第一存储器230可以用于存储图像采集单元240采集的昆虫图像、以及用于对进行昆虫数量进行警报所对应的阈值。当然,所述存储器还可以用于存储程序,所述第一处理器210在接收到执行指令后,执行该程序。
所述第一处理器210可以是中央处理器(Central Processing Unit,CPU)、网络400处理器(Network Processor,NP)、图形处理器(Graphics Processing Unit,GPU)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。
所述第一通信单元220用于通过网络400建立图像采集装置200与服务器300的通信连接,并通过所述网络400收发数据。
请参照图3,是本发明较佳实施例提供的服务器300的方框示意图。在本实施例中,所述服务器300可以包括第二处理器310、第二通信单元320、第二存储器330以及灯诱昆虫识别计数系统。所述第二处理器310、第二通信单元320、第二存储器330以及灯诱昆虫识别计数系统各个元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
所述第二存储器330可以存储深度学习识别模型、昆虫图像、上述昆虫种类、数目以及警报阈值等,以供用户查看。所述第二处理器310可用于对昆虫图像进行分类识别以及数目统计。所述第二通信单元320通过网络400与第一通信单元220建立通信连接,实现数据信息的传输或交互。在本实施例中,所述第二处理器310、第二通信单元320、第二存储器330可以与上述的第一处理器210、第一通信单元220、第一存储器230的硬件配置相同或类似,这里不再赘述,优选地,所述处理器为图形处理器。
可以理解的是,图2或图3所示的结构仅为一种结构示意图,所述图像采集装置200和服务器300还可以包括比图2或图3中所示更多或更少的组件。图2或图3中所示的各组件可以采用硬件、软件或其组合实现。
值得说明的是,在本实施例中,对昆虫图像的处理除了可以通过服务器300实现,也可以通过上述的用户终端100进行处理,或者两者相结合对所述昆虫图像进行处理,最终可实现对昆虫图像中的昆虫的分类识别和数目统计。
请参照图4,是本发明较佳实施例提供的灯诱昆虫识别计数方法的一种流程示意图。所述灯诱昆虫识别计数方法应用于图1中所示的害虫识别系统10。通过一个或多个图像采集装置200获取户外(比如农田)昆虫的图像信息,得到昆虫图像。服务器300包括有深度学习识别模型,通过深度学习识别模型对昆虫图像进行分类识别,得到昆虫图像中的昆虫种类以及数量。
下面对图4中所示的灯诱昆虫识别计数方法的具体流程和步骤进行详细阐述。在本实施例中,所述灯诱昆虫识别计数方法可以包括以下步骤:
步骤S610,图像采集装置200通过图像采集单元240每隔第一预设时长获取诱虫板上的昆虫图像,并发送给服务器300。
在本实施例中,所述第一预设时长可以根据具体情况而设置,这里不做具体限定。图像采集装置200每隔第一预设时长,便采集诱虫板上的昆虫图像,并通过第一通信单元220,将昆虫图像发送给服务器300。
在本实施例中,在步骤S610之前,所述方法还可以包括其他步骤。例如,获取昆虫的训练图像集,所述训练图像集包括多个训练子图像,每个所述训练子图像包括单个昆虫的图像以及对应的昆虫的预设种类标签;使用所述训练图像集,对所述深度学习识别模型进行训练。
进一步地,所述昆虫的训练图像集可以包括多个上述的各类昆虫不同时期(比如,蛾类的幼虫和成虫)、不同视角(比如,正视、俯视、侧视等)的图像(即,所述训练子图像)。训练图像集中还包括同种类昆虫的雌性、雄性或雌雄同体的单个昆虫的图像。所述种类标签可以包括上述昆虫的种类、昆虫的性别、昆虫所处在的各个成长期(比如卵、蛹、若虫期、幼虫期、成虫期)等。其中,所述训练图像集中的训练子图像的数量可以根据具体情况而设置,这里不作具体限定。
进一步地,所述训练图像集可以采用深度学习算法对深度学习识别模型进行训练,得到训练后的深度学习识别模型。可理解地,训练图像集通过训练,得到各类昆虫对应的图像特征。比如,可以通过AlexNet、Vgg16、inception等模型进行训练。其中,所述图像特征可以包括RGB值、灰度以及纹理中的一个或多个。
可选地,所述深度学习算法可以是,但不限于卷积神经网络算法、循环神经网络算法、深度神经网络算法等,这里不作具体限定。
步骤S620,所述服务器300将获取到的昆虫图像分割为包含单个昆虫的昆虫子图像。
在本实施例中,图像采集单元240获取的昆虫图像为聚集在诱虫板上的昆虫。一般地,该诱虫板上停栖有一个或多个昆虫,即,获取的昆虫图像中包括有一个或多个昆虫。在对昆虫图像中的昆虫进行识别时,若昆虫图像中包含的昆虫数目超过一个,需要将昆虫图像中进行分割,形成昆虫子图像。每个昆虫子图像仅包含一个昆虫,以便识别分类。另外,通过上述设计,还有利于统计昆虫的数目。
具体地,可以通过应用openCV图形库、机器学习语言Python、Sobel算法以及边缘检测等,实现对单个昆虫图像的分割,生成单个害虫的图像文件。即分割形成的昆虫子图像(或图像文件)的数目便为昆虫的数目。
步骤S630,将所述昆虫子图像输入训练后的深度学习识别模型进行识别分类。
在本实施例中,所述深度学习识别模型可以采用并行的方式,同时对多个昆虫子图像进行分类识别,以提高识别的效率。深度学习识别模型可以用于昆虫子图像的图像特征,根据提取的图像特征与上述训练得到的图像特征进行匹配,以实现对昆虫的识别分类。
具体地,所述步骤S630还可以包括其他子步骤。例如,将所述昆虫子图像的图像特征与所述深度学习识别模型中的训练图像集中的训练子图像的图像特征进行匹配,得到所述昆虫子图像与所述训练子图像的相似度,其中,所述图像特征可以为上述的RGB值、灰度以及纹理等特征中的一个或多个特征的组合。然后在所述训练图像集中选取相似度最大的所述训练子图像,将选出的所述训练子图像的预设种类标签作为所述昆虫子图像的实际种类标签,即完成了对昆虫子图像中的昆虫的分类。
步骤S640,每间隔第二预设时长统计该第二预设时长内获取到的昆虫图像中出现的昆虫种类及数量,其中,所述第二预设时长大于等于第一预设时长。
在本实施例中,用户可以通过用户终端100查看第二预设时长内图像采集装置200所采集的昆虫图像中的各个昆虫的种类以及数量等数据。这些数据可以通过第一存储器230和/或第二存储器330存储,以便用户随时可查看历史记录。其中,所述第二预设时长可以大于或等于第一预设时长,以保障服务器300在统计昆虫数量时,已经接收到昆虫图像。所述第二预设时长可以根据具体情况而设置,这里不作具体限定。
当然,所述服务器300也可以根据对接收的昆虫图像的数量,统计图像采集装置200所采集的所有昆虫图像中的各个昆虫的种类以及数量等数据。比如,当采集的所述昆虫图像等于某预设值时,便统计该预设值对应的所有昆虫图像对应的上述数据。
进一步地,所述步骤S640还可以包括其他子步骤。例如,计算所有图像采集装置200在所述第二预设时长内采集的昆虫的种类数以及每种昆虫的数量。
在本实施例中,计算的数据可以为单个图像采集装置200所对应的各类昆虫的种类数、每种昆虫的数量以及各类昆虫的总数量。也可以是安装在同一区域中的所有图像采集装置200所对应的各类昆虫的种类数、每种昆虫的数量以及各类昆虫的总数量。
请参照图5,是本发明较佳实施例提供的服务器300中第二存储器330的方框示意图。本发明较佳实施例还提供一种灯诱昆虫识别计数系统,所述灯诱昆虫识别计数系统可以应用于上述实施例中的害虫识别系统10,可以具有与上述害虫识别系统10相同或类似的结构,这里不再赘述。
在本实施例中,所述图像采集装置200通过所述图像采集单元240每隔第一预设时长获取诱虫板上的昆虫图像,并发送给所述服务器300。
进一步地,所述图像采集装置200在每隔第一预设时长获取诱虫板上的昆虫图像之前,还用于获取昆虫的训练图像集。该训练图像集包括多个训练子图像,每个所述训练子图像包括单个昆虫的图像以及对应的昆虫的预设种类标签。所述服务器300根据所述训练图像集,对所述深度学习识别模型进行训练。
具体地,所述服务器300可以采用上述的深度学习算法使所述训练图像集训练所述深度学习识别模型,得到训练后的深度学习识别模型。详细地,所述图像采集装置200和服务器300可以用于执行图4中所示的步骤S610,具体的执行内容和步骤可参照上述实施例中对步骤S610的描述。
在本实施例中,所述服务器300中的第二存储器330可以包括分割单元332、识别分类单元333以及统计单元334等单元模块。这些单元模块可以以硬件或软件或两者相结合的方式存在与服务器300中。例如,所述的单元模块为软件模块,则可以存储在第二存储器330中。第二处理器310可通过调用所述的单元模块,进而实现对图像中的昆虫进行分类识别和统计计数。
所述分割单元332,用于将所述服务器300获取到的昆虫图像分割为包含单个昆虫的昆虫子图像。具体地,所述分割单元332可以用于执行图4中所示的步骤S620,具体的执行内容和步骤可参照上述实施例中对步骤S620的描述。
所述识别分类单元333,用于将所述昆虫子图像输入训练后的深度学习识别模型进行识别分类。具体地,所述识别分类单元333可以用于执行图4中所示的步骤S630,具体的执行内容和步骤可参照上述实施例中对步骤S630的描述。
所述统计单元334,用于每间隔第二预设时长统计该第二预设时长内获取到的昆虫图像中出现的昆虫种类及数量,其中,所述第二预设时长大于等于第一预设时长。
进一步地,所述统计单元334还可以用于计算所有图像采集装置200在所述第二预设时长内采集的昆虫的种类数以及每种昆虫的数量。当然,所述统计单元334也可以用于计算所有昆虫的总数量。具体地,所述统计单元334可以用于执行图4中所示的步骤S640,具体的执行内容和步骤可参照上述实施例中对步骤S640的描述,这里不再赘述。
综上所述,本发明提供一种灯诱昆虫识别计数方法及系统。所述方法通过设置的诱虫灯使昆虫停栖在诱虫板上,图像采集单元每隔第一预设时长获取诱虫板上的昆虫图像,并发送给服务器;所述服务器将获取到的昆虫图像分割为包含单个昆虫的昆虫子图像;将所述昆虫子图像输入训练后的深度学习识别模型进行识别分类;每间隔第二预设时长统计该第二预设时长内获取到的昆虫图像中出现的昆虫种类及数量。基于上述设计,本发明提供的灯诱昆虫识别计数方法及系统通过诱虫灯、诱虫板、图像采集单元以及服务器相配合,实现了从昆虫的诱集、自动识别、统计计数的全自动化,提高了对昆虫识别、统计的效率,同时还提高了识别昆虫的准确率。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种灯诱昆虫识别计数方法,其特征在于,应用于害虫识别系统,所述系统包括至少一个图像采集装置以及与所述图像采集装置通信的服务器,所述图像采集装置包括用于引诱昆虫的诱虫板、采集所述诱虫板上图像信息的图像采集单元以及至少一个诱虫灯;所述诱虫灯设置在所述诱虫板上,用于引诱所述昆虫以使所述昆虫聚集在所述诱虫板上;所述服务器包括深度学习识别模型;所述方法包括:
所述图像采集装置通过所述图像采集单元每隔第一预设时长获取诱虫板上的昆虫图像,并发送给所述服务器;
所述服务器将获取到的昆虫图像分割为包含单个昆虫的昆虫子图像;
将所述昆虫子图像输入训练后的深度学习识别模型进行识别分类;
每间隔第二预设时长统计该第二预设时长内获取到的昆虫图像中出现的昆虫种类及数量,其中,所述第二预设时长大于等于第一预设时长。
2.根据权利要求1所述的方法,其特征在于,所述每间隔第二预设时长统计该第二预设时长内获取到的昆虫图像中出现的昆虫种类及数量的步骤,包括:
计算所有图像采集装置在所述第二预设时长内采集的昆虫的种类数以及每种昆虫的数量。
3.根据权利要求1所述的方法,其特征在于,所述图像采集装置每隔第一预设时长获取诱虫板上的昆虫图像,并发送给所述服务器的步骤之前,所述方法还包括:
获取昆虫的训练图像集,包括多个训练子图像,每个所述训练子图像包括单个昆虫的图像以及对应的昆虫的预设种类标签;
使用所述训练图像集,对所述深度学习识别模型进行训练。
4.根据权利要求3所述的方法,其特征在于,所述使用所述训练图像集,对所述深度学习识别模型进行训练的步骤,包括:
所述训练图像集采用深度学习算法训练所述深度学习识别模型,得到训练后的深度学习识别模型。
5.根据权利要求3所述的方法,其特征在于,所述将所述昆虫子图像输入训练后的深度学习识别模型进行识别分类的步骤,包括:
将所述昆虫子图像的图像特征与所述深度学习识别模型中的训练图像集中的训练子图像的图像特征进行匹配,得到所述昆虫子图像与所述训练子图像的相似度;
在所述训练图像集中选取相似度最大的所述训练子图像,将选出的所述训练子图像的预设种类标签作为所述昆虫子图像的实际种类标签。
6.根据权利要求1-5中任意一项所述的方法,其特征在于,所述诱虫板的颜色包括便于在形成的所述昆虫图像上显示昆虫的单一浅色。
7.一种灯诱昆虫识别计数系统,其特征在于,所述灯诱昆虫识别计数系统包括至少一个图像采集装置以及与所述图像采集装置通信的服务器,所述图像采集装置包括用于引诱昆虫的诱虫板、采集所述诱虫板上图像信息的图像采集单元以及至少一个诱虫灯;所述诱虫灯设置在所述诱虫板上,用于引诱所述昆虫以使所述昆虫聚集在所述诱虫板上;所述图像采集装置通过所述图像采集单元每隔第一预设时长获取诱虫板上的昆虫图像,并发送给所述服务器;所述服务器包括深度学习识别模型,所述服务器还包括:
分割单元,用于将所述服务器获取到的昆虫图像分割为包含单个昆虫的昆虫子图像;
识别分类单元,用于将所述昆虫子图像输入训练后的深度学习识别模型进行识别分类;
统计单元,用于每间隔第二预设时长统计该第二预设时长内获取到的昆虫图像中出现的昆虫种类及数量,其中,所述第二预设时长大于等于第一预设时长。
8.根据权利要求7所述的灯诱昆虫识别计数系统,其特征在于,所述统计单元还用于:
计算所有图像采集装置在所述第二预设时长内采集的昆虫的种类数以及每种昆虫的数量。
9.根据权利要求7所述的灯诱昆虫识别计数系统,其特征在于,所述图像采集装置在每隔第一预设时长获取诱虫板上的昆虫图像之前,还用于:
获取昆虫的训练图像集,包括多个训练子图像,每个所述训练子图像包括单个昆虫的图像以及对应的昆虫的预设种类标签;
所述服务器根据所述训练图像集,对所述深度学习识别模型进行训练。
10.根据权利要求9所述的灯诱昆虫识别计数系统,其特征在于,所述服务器还用于采用深度学习算法使所述训练图像集训练所述深度学习识别模型,得到训练后的深度学习识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710526685.7A CN107346424A (zh) | 2017-06-30 | 2017-06-30 | 灯诱昆虫识别计数方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710526685.7A CN107346424A (zh) | 2017-06-30 | 2017-06-30 | 灯诱昆虫识别计数方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107346424A true CN107346424A (zh) | 2017-11-14 |
Family
ID=60256597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710526685.7A Pending CN107346424A (zh) | 2017-06-30 | 2017-06-30 | 灯诱昆虫识别计数方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107346424A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108648191A (zh) * | 2018-05-17 | 2018-10-12 | 吉林大学 | 基于贝叶斯宽度残差神经网络的害虫图像识别方法 |
CN108829154A (zh) * | 2018-08-24 | 2018-11-16 | 四川物华农业科技有限公司 | 杀虫灯控制方法及装置 |
CN109145770A (zh) * | 2018-08-01 | 2019-01-04 | 中国科学院合肥物质科学研究院 | 一种基于多尺度特征融合网络与定位模型相结合的麦蜘蛛自动计数方法 |
CN109784239A (zh) * | 2018-12-29 | 2019-05-21 | 上海媒智科技有限公司 | 飞虫数量识别方法和装置 |
CN110363103A (zh) * | 2019-06-24 | 2019-10-22 | 仲恺农业工程学院 | 虫害识别方法、装置、计算机设备及存储介质 |
CN110516712A (zh) * | 2019-08-01 | 2019-11-29 | 仲恺农业工程学院 | 虫害图像识别方法、虫害监控方法、装置、设备及介质 |
CN112084975A (zh) * | 2020-09-14 | 2020-12-15 | 中国农业科学院蜜蜂研究所 | 一种基于机器学习模型的昆虫访花行为分析方法 |
CN112204613A (zh) * | 2019-02-01 | 2021-01-08 | 株式会社计数技研 | 计数装置、学习器制造装置、计数方法和学习器制造方法 |
CN112739206A (zh) * | 2018-09-21 | 2021-04-30 | 拜耳公司 | 基于传感器的节肢动物观察 |
CN112861767A (zh) * | 2021-02-26 | 2021-05-28 | 北京农业信息技术研究中心 | 一种粘虫板图像上小体积害虫检测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203207012U (zh) * | 2013-04-07 | 2013-09-25 | 浙江理工大学 | 一种田间灯诱昆虫图像采集装置 |
CN106603993A (zh) * | 2016-12-30 | 2017-04-26 | 北京农业信息技术研究中心 | 基于立体视觉的灯诱昆虫图像采集装置及方法 |
CN106846462A (zh) * | 2016-12-30 | 2017-06-13 | 北京农业信息技术研究中心 | 基于三维模拟的昆虫识别装置及方法 |
-
2017
- 2017-06-30 CN CN201710526685.7A patent/CN107346424A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203207012U (zh) * | 2013-04-07 | 2013-09-25 | 浙江理工大学 | 一种田间灯诱昆虫图像采集装置 |
CN106603993A (zh) * | 2016-12-30 | 2017-04-26 | 北京农业信息技术研究中心 | 基于立体视觉的灯诱昆虫图像采集装置及方法 |
CN106846462A (zh) * | 2016-12-30 | 2017-06-13 | 北京农业信息技术研究中心 | 基于三维模拟的昆虫识别装置及方法 |
Non-Patent Citations (4)
Title |
---|
吴翔: "《基于机器视觉的害虫识别方法研究》", 《中国博士学位论文全文数据库农业科技辑》 * |
姚青 等;: "《基于图像的昆虫自动识别与计数研究进展》", 《中国农业科学》 * |
邹修国: "《基于机器视觉的稻飞虱现场识别技术研究》", 《中国博士学位论文全文数据库农业科技辑》 * |
陈梅香 等;: "《害虫自动识别与计数技术研究进展与展望》", 《环境昆虫学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108648191A (zh) * | 2018-05-17 | 2018-10-12 | 吉林大学 | 基于贝叶斯宽度残差神经网络的害虫图像识别方法 |
CN109145770A (zh) * | 2018-08-01 | 2019-01-04 | 中国科学院合肥物质科学研究院 | 一种基于多尺度特征融合网络与定位模型相结合的麦蜘蛛自动计数方法 |
CN109145770B (zh) * | 2018-08-01 | 2022-07-15 | 中国科学院合肥物质科学研究院 | 一种基于多尺度特征融合网络与定位模型相结合的麦蜘蛛自动计数方法 |
CN108829154A (zh) * | 2018-08-24 | 2018-11-16 | 四川物华农业科技有限公司 | 杀虫灯控制方法及装置 |
US11771074B2 (en) | 2018-09-21 | 2023-10-03 | Bayer Aktiengesellschaft | Sensor based observation of anthropods |
CN112739206A (zh) * | 2018-09-21 | 2021-04-30 | 拜耳公司 | 基于传感器的节肢动物观察 |
CN112911931A (zh) * | 2018-09-21 | 2021-06-04 | 拜耳公司 | 节肢动物的检测 |
CN109784239A (zh) * | 2018-12-29 | 2019-05-21 | 上海媒智科技有限公司 | 飞虫数量识别方法和装置 |
CN112204613A (zh) * | 2019-02-01 | 2021-01-08 | 株式会社计数技研 | 计数装置、学习器制造装置、计数方法和学习器制造方法 |
CN110363103A (zh) * | 2019-06-24 | 2019-10-22 | 仲恺农业工程学院 | 虫害识别方法、装置、计算机设备及存储介质 |
CN110363103B (zh) * | 2019-06-24 | 2021-08-13 | 仲恺农业工程学院 | 虫害识别方法、装置、计算机设备及存储介质 |
CN110516712A (zh) * | 2019-08-01 | 2019-11-29 | 仲恺农业工程学院 | 虫害图像识别方法、虫害监控方法、装置、设备及介质 |
CN110516712B (zh) * | 2019-08-01 | 2023-04-07 | 仲恺农业工程学院 | 虫害图像识别方法、虫害监控方法、装置、设备及介质 |
CN112084975A (zh) * | 2020-09-14 | 2020-12-15 | 中国农业科学院蜜蜂研究所 | 一种基于机器学习模型的昆虫访花行为分析方法 |
CN112861767A (zh) * | 2021-02-26 | 2021-05-28 | 北京农业信息技术研究中心 | 一种粘虫板图像上小体积害虫检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107346424A (zh) | 灯诱昆虫识别计数方法及系统 | |
Roosjen et al. | Deep learning for automated detection of Drosophila suzukii: potential for UAV‐based monitoring | |
CN107463958A (zh) | 昆虫识别预警方法及系统 | |
WO2020151084A1 (zh) | 目标对象的监控方法、装置及系统 | |
CN111709374B (zh) | 鸟情检测方法、装置、计算机设备及存储介质 | |
US20230210101A1 (en) | Insect monitoring system and method | |
CN109657564A (zh) | 一种人员在岗检测方法、装置、存储介质及终端设备 | |
CN108229351B (zh) | 一种动物养殖方法、动物养殖装置及电子设备 | |
CN110728810B (zh) | 一种分布式目标监测系统和方法 | |
CN109344738A (zh) | 农作物病虫草害识别方法及装置 | |
CN112733690A (zh) | 一种高空抛物检测方法、装置及电子设备 | |
WO2020078114A1 (zh) | 动物分娩的识别方法、装置和设备 | |
US11532153B2 (en) | Splash detection for surface splash scoring | |
CN110991222A (zh) | 一种物体状态监测、母猪发情监测方法、装置及系统 | |
CN109284740A (zh) | 对鼠情进行统计的方法、装置、设备以及存储介质 | |
Chiwamba et al. | An application of machine learning algorithms in automated identification and capturing of fall armyworm (FAW) moths in the field | |
Amarasinghe et al. | Suppressing dengue via a drone system | |
CN112150498A (zh) | 体态信息的确定方法、装置、存储介质及电子装置 | |
CN113989509B (zh) | 基于图像识别的农作物虫害检测方法、检测系统及设备 | |
Mazare et al. | Pests detection system for agricultural crops using intelligent image analysis | |
CN113486703A (zh) | 基于群体高度解析的智能化数值提取系统及方法 | |
Qiao et al. | A Novel Cassava Pest Identification System Based on YOLOV5 | |
KR20130006865A (ko) | 단말기, 이를 이용한 바로샷 생물 도감 서비스 시스템 및 방법 | |
CN114463649B (zh) | 土壤虫害确定方法及装置、农药配方生成方法及装置 | |
CN113159081B (zh) | 一种图像处理方法以及相关设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171114 |
|
RJ01 | Rejection of invention patent application after publication |