CN107463958A - 昆虫识别预警方法及系统 - Google Patents
昆虫识别预警方法及系统 Download PDFInfo
- Publication number
- CN107463958A CN107463958A CN201710662841.2A CN201710662841A CN107463958A CN 107463958 A CN107463958 A CN 107463958A CN 201710662841 A CN201710662841 A CN 201710662841A CN 107463958 A CN107463958 A CN 107463958A
- Authority
- CN
- China
- Prior art keywords
- insect
- image
- identification
- training
- worm state
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明提供一种昆虫识别预警方法及系统,涉及农业植保技术领域。所述方法及系统通过图像采集装置将采集各类昆虫图像,并将获取的昆虫图像输入训练后的深度学习识别模型进行识别分类,以得到昆虫的种类以及对应的虫态;判断所述虫态,当所述虫态满足预设条件时,发出预警提示。所述方法及系统可自动识别昆虫的种类以及对应的虫态,提高了对昆虫识别的准确率以及效率,另外,预警提示有助于相关人员及早发现昆虫的防治适期。
Description
技术领域
本发明涉及农业植保技术领域,具体而言,涉及一种昆虫识别预警方法及系统。
背景技术
病虫害防治是农业生产的一个重要环节。由于农药多对某一虫态虫龄的害虫效果最高,因而预警害虫对应虫态的发生期,作为重要的预报内容,是防治害虫的关键。例如,在田间调查时,通常在田间抓取各虫态、虫龄的害虫后,在室内进行人工分龄和分级,结合各虫态(龄)在一定温度条件下的历期,计算预报害虫的防治适期,或解剖雌成虫卵巢发育级别,判断卵巢发育情况,可用于迁飞性害虫虫源性质的判断。由于现有技术主要是依赖人工对害虫的虫态进行识别,而人工识别容易出错,且识别效率低,人为因素干扰大,影响预估的防治适期或虫源判断的准确性。另外,人工识别,对调查人员专业水平要求高。因此,如何提供一种有利于提高对害虫的虫态识别准确率以及效率的方法及系统,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,本发明提供一种昆虫识别预警方法及系统,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:
就方法而言,本发明较佳实施例提供一种昆虫识别预警方法,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、与所述图像采集装置通信的用户终端以及设置在所述用户终端的深度学习识别模型;所述方法包括:
所述图像采集装置采集各类昆虫图像,以作为所述害虫识别系统所获取的昆虫图像;
将获取到的昆虫图像输入训练后的深度学习识别模型进行识别分类,以得到昆虫的种类以及对应的虫态;
判断所述虫态,当所述虫态满足预设条件时,发出预警提示。
在本发明的较佳实施例中,上述将获取到的昆虫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之前,所述方法包括:
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标签,所述预设标签包括昆虫的种类信息、虫态信息,其中,所述虫态信息包括所述昆虫的生长周期信息;
使用所述训练图像集,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,上述将获取到的昆虫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标签作为所述昆虫图像的实际标签,以得到昆虫的种类以及虫态。
在本发明的较佳实施例中,上述将获取到的昆虫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:
统计图像采集装置在预设时长内采集的各类昆虫虫态对应的数量。
在本发明的较佳实施例中,上述判断所述虫态,当所述虫态满足预设条件时,发出预警提示的步骤,包括:
获取当地当前的气象信息,根据所述气象信息、虫态计算所述昆虫的发生期,并发出预警提示,其中,所述虫态包括卵、幼若虫、蛹、成虫,所述发生期包括始盛期、高峰期、盛末期。
在本发明的较佳实施例中,上述害虫系统还包括服务器,所述服务器与所述用户终端通信连接,所述服务器设置有所述深度学习模型,所述图像采集装置采集各类昆虫图像,以作为所述害虫识别系统所获取的昆虫图像的步骤,包括:
所述图像采集装置将采集的各类昆虫图像上传至所述服务器。
在本发明的较佳实施例中,上述将获取到的昆虫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:
所述服务器将获取的各类昆虫图像输入服务器的深度学习识别模型中,以对各类昆虫图像进行识别分类。
就系统而言,本发明的较佳实施例提供一种昆虫识别预警系统,所述系统包括至少一个图像采集装置、与所述图像采集装置通信的用户终端以及与所述用户终端连接的昆虫识别预警装置,所述图像采集装置采集各类昆虫图像,以作为所述昆虫识别预警系统所获取的昆虫图像;所述用户终端包括深度学习识别模型,所述昆虫识别预警装置包括:
识别分类单元,用于将获取到的昆虫图像输入训练后的深度学习识别模型进行识别分类,以得到昆虫的种类以及对应的虫态;
预警判断单元,用于判断所述虫态,当所述虫态满足预设条件时,发出预警提示。
在本发明的较佳实施例中,上述昆虫识别预警装置还包括:
图像获取单元,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标签,所述预设标签包括昆虫的种类信息、虫态信息,其中,所述虫态信息包括所述昆虫的生长周期信息;
模型训练单元,用于使用所述训练图像集,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,上述预警判断单元还用于:
获取当地当前的气象信息,根据所述气象信息、虫态计算所述昆虫的发生期,并发出预警提示,其中,所述虫态包括卵、幼若虫、蛹、成虫,所述发生期包括始盛期、高峰期、盛末期。
相对于现有技术而言,本发明提供的方法及系统至少具有以下有益效果:所述方法及系统可自动识别昆虫的种类以及对应的虫态,在虫态满足预设条件时发出预警提示,提高了对昆虫识别的准确率以及效率,另外,预警提示有助于相关人员及早发现昆虫的防治适期。具体地,所述方法及系统通过图像采集装置采集到的各类昆虫图像,以作为所述害虫识别系统所获取的昆虫图像;然后将获取到的昆虫图像输入训练后的深度学习识别模型进行识别分类,以得到昆虫的种类以及对应的虫态;利用用户终端识别昆虫的种类以及对应的虫态,简化了对昆虫识别分类的操作,缩短了识别分类的时间。
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用户终端的方框示意图。
图4为本发明较佳实施例提供的昆虫识别预警方法的流程示意图之一。
图5为本发明较佳实施例提供的昆虫识别预警方法的流程示意图之二。
图6为本发明较佳实施例提供的昆虫识别预警装置的方框示意图。
图标:10-害虫识别系统;100-服务器;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-用户终端;310-第二处理器;320-第二通信单元;330-第二存储器;400-网络;500-昆虫识别预警装置;510-图像获取单元;520-模型训练单元;530-识别分类单元;540-预警判断单元。
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。
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,所述害虫系统可以包括服务器100、图像采集装置200、以及用户终端300。服务器100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识别,并根据得到的识别结果进行判断。比如,当昆虫的虫态满足预设条件时,发出预警提示。用户终端300可通过网络400与服务器100进行通讯,也可对昆虫图像进行识别分类,用户通过该用户终端300可了解图像采集装置200采集的昆虫图像中各类昆虫种类、虫态以及预警提示。该害虫识别系统10实现了昆虫的自动识别以及预警,提高了对昆虫识别的效率,另外,预警提示有助于用户及早做好昆虫的防治准备。
可理解地,所述虫态为昆虫在不同生长周期对应的状态,所述虫态包括卵(各级别)、幼若虫(各龄期)、蛹(各级别)以及成虫(比如,雌虫卵巢级别)等状态。昆虫的发生期包括始盛期、高峰期、盛末期,当然,所述发生期还可以包括始见期、终见期等,这里不再一一最赘述。
在本实施例中,所述用户终端300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,二化螟、大螟、三化螟、稻飞虱、稻纵卷叶螟、粘虫、棉铃虫、玉米螟、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。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。
在本实施例中,所述图像采集单元240可以是,但不限于通用摄像头、红外摄像头,用于获取昆虫的彩色图像或黑白图像。优选地,所述图像采集单元240为可清晰拍摄出昆虫的彩色图像的高清摄像头。
所述第一处理器210可以是中央处理器(Central Processing Unit,CPU)、网络处理器(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100的通信连接,并通过所述网络400收发数据。
所述第一存储器230可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除可编程只读存储器(Electric Erasable Programmable Read-OnlyMemory,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。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。
值得说明的是,本发明提供的用户终端300和图像采集装置200可以为同一设备,也可以为不同设备。例如,所述用户终端300和图像采集装置200可以为同一个设备,比如智能手机。该智能手机可以作为用户终端300,可用于供用户查看昆虫的种类、虫态以及预警提示,也可以直接对昆虫图像进行识别分类,并对昆虫的发生期进行预警提示。该智能手机也可以作为图像采集装置200,用于采集上传昆虫图像。
请参照图3,是本发明较佳实施例提供的用户终端300的方框示意图。在本实施例中,所述用户终端300可以包括第二处理器310、第二通信单元320、第二存储器330以及昆虫识别预警装置500。所述第二处理器310、第二通信单元320、第二存储器330以及昆虫识别预警装置500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。
进一步地,所述昆虫识别预警装置500包括至少一个可以软件或固件(firmware)的形式存储于所述第二存储器330中或固化在所述服务器100的操作系统(operatingsystem,OS)中的软件功能模块。所述第二存储器330可以昆虫的种类、数量,以及昆虫图像等数据。所述第二处理器310用于执行所述第二存储器330中存储的可执行模块,例如昆虫识别预警装置500所包括的软件功能模块及计算机程序等。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具有相同或类似的结构以及功能,这里不再赘述。
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和用户终端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。
在本实施例中,所述服务器100与用户终端300通信连接,可以具有与用户终端300相同或类似的结构,可用于对昆虫图像进行分类识别,并预测昆虫的发生期,根据昆虫对应虫态的发生期向用户终端300发出预警提示。当然,在其他实施方式中,所述害虫识别系统10可以不包括服务器100,可通过用户终端300替代服务器100所执行的功能,这里不再赘述。
请参照图4,是本发明较佳实施例提供的昆虫识别预警方法的流程示意图之一。在本实施例中,所述昆虫识别预警方法可以应用于上述的害虫识别系统10,所述害虫识别系统10可以包括至少一个图像采集装置200以及与所述图像采集装置200通信的用户终端300。所述用户终端300包括深度学习识别模型,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对应的虫态,并在虫态满足预设条件时,发出预警提示。
下面对图4中所示的昆虫识别预警方法的具体流程和步骤进行详细阐述。在本实施例中,所述昆虫识别预警方法可以包括以下步骤:
步骤S630,图像采集装置200采集各类昆虫图像,以作为所述害虫识别系统10所获取的昆虫图像。
在本实施例中,在获取昆虫图像时,可以直接由人工获取,也可以利用设备、工具等获取。具体地,比如由相关人员到野外(比如田间)利用图像采集装置200拍摄昆虫图像,或者利用遥控无人机搭载图像采集装置200到野外获取昆虫图像,然后由图像采集装置200将获取的昆虫图像通过第一通信单元220上传至服务器100,这里对获取图像的方式不作具体限定。一般地,所获取的昆虫图像中仅包含一头昆虫,以针对该类昆虫进行识别预警。若昆虫图像中包括有多头昆虫,可将图像进行分割,以使每个昆虫图像包含一头昆虫。
在其他实施方式中,也可以不用将采集的昆虫图像上传至服务器100,可以将采集的图像直接输入用户终端300中的深度学习识别模型进行分类识别,然后预测昆虫的发生期,并根据发生期发出预警提示。
步骤S640,将获取到的昆虫图像输入训练后的深度学习识别模型进行识别分类,以得到昆虫的种类以及对应的虫态。
请参照图5,是本发明较佳实施例提供的昆虫识别预警方法的流程示意图之二。在本实施例中,在步骤S640之前,所述方法可以包括步骤S610以及步骤S620。具体地,例如,步骤S610以及步骤S620在步骤S630之前。
步骤S610,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标签,所述预设标签包括昆虫的种类信息、虫态信息,其中,所述虫态信息包括所述昆虫的生长周期信息。
在本实施例中,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)。训练图像集中可以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。所述预设标签可以包括上述昆虫的种类、虫态,还可以包括昆虫的性别。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。
步骤S620,使用所述训练图像集,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。
在本实施例中,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。
所述用户终端300或服务器100可以设置深度学习识别模型,当然也可以是用户终端300和服务器100均置深度学习识别模型,以对昆虫图像进行识别。若采用用户终端300对昆虫图像进行识别,可分担服务器100的运算量,以减少服务器100的负荷。另外,用户终端300直接识别昆虫图像,减少了昆虫图像数据的上传,可提高识别分类的速度。
在步骤S640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。
进一步地,所述步骤S640可以包括其他子步骤。例如,将所述昆虫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标签作为所述昆虫图像的实际标签,以得到昆虫的种类以及虫态。
进一步地,步骤S640还可以包括统计图像采集装置200在预设时长内采集的各类昆虫虫态对应的数量。其中,预设时长可以根据具体情况进行设置。例如,可以将一天中采集的所有昆虫图像作为本次测试样本,并对测试样本进行分类识别,得到昆虫的种类数以及每种昆虫的数量、虫态等,并预估害虫的最佳防治适期,以使用户可通过用户终端300查询最佳防治适期。可理解地所,述防治适期为于防治害虫或昆虫的最有效时期。
步骤S650,判断所述虫态,当所述虫态满足预设条件时,发出预警提示。
在本实施例中,所述预设条件可以是:例如,获取当地当前的气象信息,并根据所述气象信息、虫态计算所述昆虫的发生期,以作为最佳防治适期,并发出预警提示。比如,若获取的昆虫为幼虫,则计算该幼虫从当前时间成长到各生长周期的时间,并生成对应的预警提示,以便用户查看所预估的幼虫的成长状况以及预警提示。其中,所述生长周期为昆虫各虫态对应的生长年龄阶段,比如,昆虫在幼虫、蛹的各个年龄阶段。
进一步地,所述气象信息包括温湿度变化信息、光照强度变化信息以及天气变化信息等。具体地,例如,结合当地当前的气象信息以及对应害虫生物资料(比如,害虫在对应环境下的生长速度),预估当前的害虫中超过预设的占比或数量的害虫成长到始盛期、高峰期、盛末期等生长周期的时间,并根据各类害虫不同的生长周期发出相对应的预警提示。可选地,发出预警提示的生长周期可以为始盛期、高峰期、盛末期。比如,在某害虫(比如小菜蛾)处于始盛期时提示用户除虫。其提示的方式可以是短信,电话等,也可以通过用户终端300对应的应用程序进行预警提示,这里对提示的方式不作具体限定。
用户通过用户终端300可查询历史分类识别记录以及预警提示记录。另外,用户可通过用户终端300实时查询当前害虫虫态的占比以及对应的数量等预警信息。基于上述设计,本发明提供的昆虫识别预警方法可由服务器100或用户终端300替代人工识别昆虫的种类、虫态,简化了识别昆虫的步骤,提高了识别正确率,扩大了适用人群,有利于昆虫识别以及昆虫防治预警的普及。
请再次参照图1,本发明较佳实施例还提供一种昆虫识别预警系统,所述昆虫识别预警系统可以具有与图1所示的害虫识别系统10相同或类似的结构。可理解地,所述昆虫识别预警系统既可以用于识别害虫,也可以用于识别益虫,比如七星瓢虫。可选地,可将害虫幼虫占比多而益虫幼虫占比少的时期作为害虫的最佳防治适期。
在本实施例中,所述昆虫识别预警系统可以包括至少一个图像采集装置200、用户终端300以及昆虫识别预警装置500。所述图像采集装置200与用户终端300通信连接,用于将采集到的各类昆虫图像上传至所述用户终端300,以进行昆虫图像的识别分类,并在识别的结果满足预设条件时发出预警提示。其中,所述图像采集装置200和用户终端300可以为上述的同一装置。
进一步地,请参照图6,是为本发明较佳实施例提供的昆虫识别预警装置500的方框示意图。所述昆虫识别预警装置500可以包括识别分类单元530以及预警判断单元540。在其他实施方式中,所述昆虫识别预警装置500还可以包括图像获取单元510以及模型训练单元520。
识别分类单元530,用于将所述昆虫图像输入训练后的深度学习识别模型进行识别分类,以得到昆虫的种类以及对应的虫态。具体地,所述识别分类单元530可以用于执行图4中所示的步骤S640,具体操作内容可参照对步骤S640的详细描述,这里不再赘述。
预警判断单元540,用于判断所述虫态,当所述虫态满足预设条件时,发出预警提示。具体地,所述预警判断单元540可以用于执行图4中所示的步骤S650,具体操作内容可参照对步骤S650的详细描述。
进一步地,所述预警判断单元540还用于获取当地当前的气象信息,根据所述气象信息、虫态计算所述昆虫的发生期,并发出预警提示。
图像获取单元510,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标签,所述预设标签包括昆虫的种类信息、虫态信息,其中,所述虫态信息包括所述昆虫的生长周期信息。具体地,所述图像获取单元510可以用于执行图5中所示的步骤S610,具体操作内容可参照对步骤S610的详细描述,这里不再赘述。
模型训练单元520,用于使用所述训练图像集,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。具体地,所述模型训练单元520可以用于执行图5中所示的步骤S620,具体操作内容可参照对步骤S620的详细描述,这里不再赘述。
综上所述,本发明提供一种昆虫识别预警方法及系统。所述方法及系统通过图像采集装置将采集到的各类昆虫图像上传至服务器;所述服务器将获取到的昆虫图像输入训练后的深度学习识别模型进行识别分类,以得到昆虫的种类以及对应的虫态;判断所述虫态,当所述虫态满足预设条件时,发出预警提示。所述方法及系统可自动识别昆虫的种类以及对应的虫态,提高了对昆虫识别的准确率以及效率,另外,预警提示有助于相关人员及早发现昆虫的防治适期。
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)
1.一种昆虫识别预警方法,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、与所述图像采集装置通信的用户终端以及设置在所述用户终端的深度学习识别模型;所述方法包括:
所述图像采集装置采集各类昆虫图像,以作为所述害虫识别系统所获取的昆虫图像;
将获取到的昆虫图像输入训练后的深度学习识别模型进行识别分类,以得到昆虫的种类以及对应的虫态;
判断所述虫态,当所述虫态满足预设条件时,发出预警提示。
2.根据权利要求1所述的方法,其特征在于,所述将获取到的昆虫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之前,所述方法包括:
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标签,所述预设标签包括昆虫的种类信息、虫态信息,其中,所述虫态信息包括所述昆虫的生长周期信息;
使用所述训练图像集,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。
3.根据权利要求2所述的方法,其特征在于,所述将获取到的昆虫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标签作为所述昆虫图像的实际标签,以得到昆虫的种类以及虫态。
4.根据权利要求2所述的方法,其特征在于,所述将获取到的昆虫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:
统计图像采集装置在预设时长内采集的各类昆虫虫态对应的数量。
5.根据权利要求1所述的方法,其特征在于,所述判断所述虫态,当所述虫态满足预设条件时,发出预警提示的步骤,包括:
获取当地当前的气象信息,根据所述气象信息、虫态计算所述昆虫的发生期,并发出预警提示,其中,所述虫态包括卵、幼若虫、蛹、成虫,所述发生期包括始盛期、高峰期、盛末期。
6.根据权利要求1所述的方法,其特征在于,所述害虫系统还包括服务器,所述服务器与所述用户终端通信连接,所述服务器设置有所述深度学习模型,所述图像采集装置采集各类昆虫图像,以作为所述害虫识别系统所获取的昆虫图像的步骤,包括:
所述图像采集装置将采集的各类昆虫图像上传至所述服务器。
7.根据权利要求6所述的方法,其特征在于,所述将获取到的昆虫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:
所述服务器将获取的各类昆虫图像输入服务器的深度学习识别模型中,以对各类昆虫图像进行识别分类。
8.一种昆虫识别预警系统,其特征在于,所述系统包括至少一个图像采集装置、与所述图像采集装置通信的用户终端以及与所述用户终端连接的昆虫识别预警装置,所述图像采集装置采集各类昆虫图像,以作为所述昆虫识别预警系统所获取的昆虫图像;所述用户终端包括深度学习识别模型,所述昆虫识别预警装置包括:
识别分类单元,用于将获取到的昆虫图像输入训练后的深度学习识别模型进行识别分类,以得到昆虫的种类以及对应的虫态;
预警判断单元,用于判断所述虫态,当所述虫态满足预设条件时,发出预警提示。
9.根据权利要求8所述的系统,其特征在于,所述昆虫识别预警装置还包括:
图像获取单元,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标签,所述预设标签包括昆虫的种类信息、虫态信息,其中,所述虫态信息包括所述昆虫的生长周期信息;
模型训练单元,用于使用所述训练图像集,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。
10.根据权利要求8或9所述的系统,其特征在于,所述预警判断单元还用于:
获取当地当前的气象信息,根据所述气象信息、虫态计算所述昆虫的发生期,并发出预警提示,其中,所述虫态包括卵、幼若虫、蛹、成虫,所述发生期包括始盛期、高峰期、盛末期。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710662841.2A CN107463958A (zh) | 2017-08-04 | 2017-08-04 | 昆虫识别预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710662841.2A CN107463958A (zh) | 2017-08-04 | 2017-08-04 | 昆虫识别预警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107463958A true CN107463958A (zh) | 2017-12-12 |
Family
ID=60548295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710662841.2A Pending CN107463958A (zh) | 2017-08-04 | 2017-08-04 | 昆虫识别预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107463958A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376402A (zh) * | 2018-04-27 | 2018-08-07 | 安徽农业大学 | 一种离线状态下的白粉虱群落生长状态分析装置及方法 |
CN108615046A (zh) * | 2018-03-16 | 2018-10-02 | 北京邮电大学 | 一种储粮害虫检测识别方法及装置 |
CN109685705A (zh) * | 2018-12-13 | 2019-04-26 | 广州极飞科技有限公司 | 害虫生长情况的确定方法及装置、施药信息的确定方法 |
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 |
CN109886287A (zh) * | 2019-01-04 | 2019-06-14 | 平安科技(深圳)有限公司 | 杀虫剂确定方法、装置、计算机设备及存储介质 |
CN111383126A (zh) * | 2018-12-29 | 2020-07-07 | 广州瑞丰生物科技有限公司 | 一种害虫识别系统 |
CN111898680A (zh) * | 2020-07-31 | 2020-11-06 | 陈艳 | 一种基于检材多视角形态图像和深度学习的生物鉴别方法 |
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 |
CN112327935A (zh) * | 2019-08-05 | 2021-02-05 | 旭日蓝天(武汉)科技有限公司 | 一种基于ai技术的无人机云端物体识别跟踪系统及方法 |
CN112348234A (zh) * | 2020-10-20 | 2021-02-09 | 深圳市识农智能科技有限公司 | 一种虫情预测方法、终端和存储介质 |
US10963742B2 (en) | 2018-11-02 | 2021-03-30 | University Of South Florida | Leveraging smart-phone cameras and image processing techniques to classify mosquito genus and species |
US11048928B1 (en) | 2020-02-04 | 2021-06-29 | University Of South Florida | Systems and methods of entomology classification based on extracted anatomies |
CN114170513A (zh) * | 2021-12-08 | 2022-03-11 | 广东省农业科学院植物保护研究所 | 一种草地贪夜蛾的虫情监测方法、系统及存储介质 |
CN115517094A (zh) * | 2022-06-06 | 2022-12-27 | 厦门青叶软件股份有限公司 | 一种农业智能监控系统 |
CN116569898A (zh) * | 2023-07-12 | 2023-08-11 | 闽都创新实验室 | 害虫智能防治方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104281973A (zh) * | 2013-07-02 | 2015-01-14 | 江苏省农业科学院 | 基于WebGIS的飞虱发育进程展示系统及方法 |
CN104899255A (zh) * | 2015-05-15 | 2015-09-09 | 浙江大学 | 适用于训练深度卷积神经网络的图像数据库的构建方法 |
CN105100012A (zh) * | 2014-05-15 | 2015-11-25 | 江苏省农业科学院 | 一种基于移动网络的病虫预警及防治信息发布系统及方法 |
CN105488536A (zh) * | 2015-12-10 | 2016-04-13 | 中国科学院合肥物质科学研究院 | 一种基于多特征深度学习技术的农田害虫图像识别方法 |
CN106845401A (zh) * | 2017-01-20 | 2017-06-13 | 中国科学院合肥物质科学研究院 | 一种基于多空间卷积神经网络的害虫图像识别方法 |
CN106991428A (zh) * | 2017-02-24 | 2017-07-28 | 中国科学院合肥物质科学研究院 | 基于自适应池化模型的害虫图像识别方法 |
-
2017
- 2017-08-04 CN CN201710662841.2A patent/CN107463958A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104281973A (zh) * | 2013-07-02 | 2015-01-14 | 江苏省农业科学院 | 基于WebGIS的飞虱发育进程展示系统及方法 |
CN105100012A (zh) * | 2014-05-15 | 2015-11-25 | 江苏省农业科学院 | 一种基于移动网络的病虫预警及防治信息发布系统及方法 |
CN104899255A (zh) * | 2015-05-15 | 2015-09-09 | 浙江大学 | 适用于训练深度卷积神经网络的图像数据库的构建方法 |
CN105488536A (zh) * | 2015-12-10 | 2016-04-13 | 中国科学院合肥物质科学研究院 | 一种基于多特征深度学习技术的农田害虫图像识别方法 |
CN106845401A (zh) * | 2017-01-20 | 2017-06-13 | 中国科学院合肥物质科学研究院 | 一种基于多空间卷积神经网络的害虫图像识别方法 |
CN106991428A (zh) * | 2017-02-24 | 2017-07-28 | 中国科学院合肥物质科学研究院 | 基于自适应池化模型的害虫图像识别方法 |
Non-Patent Citations (4)
Title |
---|
JEFFREY GLICK 等: "Insect Classification With Heirarchical Deep Convolutional Neural Networks", 《CONVOLUTIONAL NEURAL NETWORKS FOR VISUAL RECOGNITION (CS231N)》 * |
张谷丰 等: "基于WebGIS的江苏省稻纵卷叶螟发生期自动预警系统", 《西南农业学报》 * |
杨国国 等: "基于图像显著性分析与卷积神经网络的茶园害虫定位与识别", 《农业工程学报》 * |
王凯: "基于图像的水稻田间稻飞虱分类方法研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615046A (zh) * | 2018-03-16 | 2018-10-02 | 北京邮电大学 | 一种储粮害虫检测识别方法及装置 |
CN108376402A (zh) * | 2018-04-27 | 2018-08-07 | 安徽农业大学 | 一种离线状态下的白粉虱群落生长状态分析装置及方法 |
US10963742B2 (en) | 2018-11-02 | 2021-03-30 | University Of South Florida | Leveraging smart-phone cameras and image processing techniques to classify mosquito genus and species |
US11989936B2 (en) | 2018-11-02 | 2024-05-21 | University Of South Florida | Leveraging smart-phone cameras and image processing techniques to classify mosquito genus and species |
US11501113B2 (en) | 2018-11-02 | 2022-11-15 | University Of South Florida | Leveraging smart-phone cameras and image processing techniques to classify mosquito genus and species |
CN109685705A (zh) * | 2018-12-13 | 2019-04-26 | 广州极飞科技有限公司 | 害虫生长情况的确定方法及装置、施药信息的确定方法 |
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 |
CN111383126A (zh) * | 2018-12-29 | 2020-07-07 | 广州瑞丰生物科技有限公司 | 一种害虫识别系统 |
CN109886287A (zh) * | 2019-01-04 | 2019-06-14 | 平安科技(深圳)有限公司 | 杀虫剂确定方法、装置、计算机设备及存储介质 |
CN109886287B (zh) * | 2019-01-04 | 2024-05-14 | 平安科技(深圳)有限公司 | 杀虫剂确定方法、装置、计算机设备及存储介质 |
CN112327935A (zh) * | 2019-08-05 | 2021-02-05 | 旭日蓝天(武汉)科技有限公司 | 一种基于ai技术的无人机云端物体识别跟踪系统及方法 |
US11048928B1 (en) | 2020-02-04 | 2021-06-29 | University Of South Florida | Systems and methods of entomology classification based on extracted anatomies |
CN111898680A (zh) * | 2020-07-31 | 2020-11-06 | 陈艳 | 一种基于检材多视角形态图像和深度学习的生物鉴别方法 |
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 |
CN112348234A (zh) * | 2020-10-20 | 2021-02-09 | 深圳市识农智能科技有限公司 | 一种虫情预测方法、终端和存储介质 |
CN114170513A (zh) * | 2021-12-08 | 2022-03-11 | 广东省农业科学院植物保护研究所 | 一种草地贪夜蛾的虫情监测方法、系统及存储介质 |
CN115517094A (zh) * | 2022-06-06 | 2022-12-27 | 厦门青叶软件股份有限公司 | 一种农业智能监控系统 |
CN116569898A (zh) * | 2023-07-12 | 2023-08-11 | 闽都创新实验室 | 害虫智能防治方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107463958A (zh) | 昆虫识别预警方法及系统 | |
Navulur et al. | Agricultural management through wireless sensors and internet of things | |
Channe et al. | Multidisciplinary model for smart agriculture using internet-of-things (IoT), sensors, cloud-computing, mobile-computing & big-data analysis | |
CN107742290A (zh) | 植物病害识别预警方法及装置 | |
CN110458032B (zh) | 荔枝生长状况全程监控方法、系统、云服务器及存储介质 | |
CN107346424A (zh) | 灯诱昆虫识别计数方法及系统 | |
EP4161258A1 (en) | Insect monitoring system and method | |
CN103747009A (zh) | 一种监测水稻生长状况的系统及其方法 | |
Arvind et al. | Edge computing based smart aquaponics monitoring system using deep learning in IoT environment | |
CN111479459A (zh) | 生长状况或病虫害发生状况的预测系统、方法以及程序 | |
CN115761529B (zh) | 图像处理方法和电子设备 | |
CN110991222A (zh) | 一种物体状态监测、母猪发情监测方法、装置及系统 | |
JP2020144810A (ja) | 農作物の収穫量予測プログラム及び農作物の品質予測プログラム | |
Sarala | Robust smart irrigation system using hydroponic farming based on data science and IoT | |
KR20210077439A (ko) | 이미지 기반 작물 생육정보 자동계측 시스템 | |
KR20210149623A (ko) | Vr 기반의 실감형 스마트팜 연구 시스템 | |
WO2022114344A1 (ko) | 작물 재배 애플리케이션을 통한 적응형 재배 정보 제공 시스템 | |
CN109657535A (zh) | 图片识别方法、目标设备及云平台 | |
Rahman | Use of closed loop system using Arduino for different parameters in farming | |
CN115379150B (zh) | 可远程自动化生成水稻生长过程动态视频的系统和方法 | |
CN107092891A (zh) | 一种基于机器视觉技术的水稻估产系统及方法 | |
CN116259078A (zh) | 一种杀虫剂推荐方法、装置、设备及存储介质 | |
CN116090902A (zh) | 一种农田远程监测方法及系统 | |
Ulagammai et al. | An Augmented Reality based Intelligent Precision Agriculture using Cascade Advancement Technique | |
CN114862611A (zh) | 一种基于边缘计算的农业种植云诊断方法及系统 |
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: 20171212 |
|
RJ01 | Rejection of invention patent application after publication |