CN108040997B - 一种基于机器视觉的虫害监测方法 - Google Patents
一种基于机器视觉的虫害监测方法 Download PDFInfo
- Publication number
- CN108040997B CN108040997B CN201711420644.6A CN201711420644A CN108040997B CN 108040997 B CN108040997 B CN 108040997B CN 201711420644 A CN201711420644 A CN 201711420644A CN 108040997 B CN108040997 B CN 108040997B
- Authority
- CN
- China
- Prior art keywords
- pest
- image
- pests
- suspected
- images
- 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.)
- Active
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 273
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 241000238631 Hexapoda Species 0.000 title abstract description 40
- 238000007619 statistical method Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 5
- 238000011179 visual inspection Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 6
- 230000001788 irregular Effects 0.000 description 5
- 230000002265 prevention Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 241000526125 Diaphorina citri Species 0.000 description 4
- 235000020971 citrus fruits Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000002420 orchard Substances 0.000 description 3
- 241000207199 Citrus Species 0.000 description 2
- MOYAFQVGZZPNRA-UHFFFAOYSA-N Terpinolene Chemical compound CC(C)=C1CCC(C)=CC1 MOYAFQVGZZPNRA-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000029264 phototaxis Effects 0.000 description 2
- NPNUFJAVOOONJE-ZIAGYGMSSA-N β-(E)-Caryophyllene Chemical compound C1CC(C)=CCCC(=C)[C@H]2CC(C)(C)[C@@H]21 NPNUFJAVOOONJE-ZIAGYGMSSA-N 0.000 description 2
- 241000257303 Hymenoptera Species 0.000 description 1
- NPNUFJAVOOONJE-UHFFFAOYSA-N beta-cariophyllene Natural products C1CC(C)=CCCC(=C)C2CC(C)(C)C21 NPNUFJAVOOONJE-UHFFFAOYSA-N 0.000 description 1
- NPNUFJAVOOONJE-UONOGXRCSA-N caryophyllene Natural products C1CC(C)=CCCC(=C)[C@@H]2CC(C)(C)[C@@H]21 NPNUFJAVOOONJE-UONOGXRCSA-N 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- LLLILZLFKGJCCV-UHFFFAOYSA-M n-methyl-n-[(1-methylpyridin-1-ium-4-yl)methylideneamino]aniline;methyl sulfate Chemical compound COS([O-])(=O)=O.C=1C=CC=CC=1N(C)\N=C\C1=CC=[N+](C)C=C1 LLLILZLFKGJCCV-UHFFFAOYSA-M 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M1/00—Stationary means for catching or killing insects
- A01M1/02—Stationary means for catching or killing insects with devices or substances, e.g. food, pheronones attracting the insects
- A01M1/04—Attracting insects by using illumination or colours
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M1/00—Stationary means for catching or killing insects
- A01M1/02—Stationary means for catching or killing insects with devices or substances, e.g. food, pheronones attracting the insects
- A01M1/026—Stationary means for catching or killing insects with devices or substances, e.g. food, pheronones attracting the insects combined with devices for monitoring insect presence, e.g. termites
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Pest Control & Pesticides (AREA)
- Engineering & Computer Science (AREA)
- Insects & Arthropods (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Environmental Sciences (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明涉及一种基于机器视觉的虫害监测方法，其步骤包括：在害虫聚集处安装诱虫装置，并设置图像采集装置面向诱虫装置采集图像；识别所采集图像中的害虫并得出害虫数量；若害虫数量大于或等于预先设定的害虫数量阈值，则将识别到的各个害虫在图像中所处的区域分别提取为多个害虫疑似图像，判断每个害虫疑似图像的识别正确率；根据害虫数量和每个害虫疑似图像的识别正确率计算出虫害预测水平。本发明通过图像采集装置面向诱虫装置自动采集害虫图像，免去人工目测耗时耗力的弊端，还能做到对害虫实时监控；结合害虫数量和每个害虫疑似图像的识别正确率来计算虫害预测水平准确性更高，得出的结果更有意义，增强了对害虫防治的指导性。
Description
技术领域
本发明涉及虫害监测领域，具体涉及一种基于机器视觉的虫害监测方法。
背景技术
近年来，虫害在我国一些地区形势严峻，已造成了不小的严重损失，而害虫作为虫害的主要传播媒介，防治害虫被认为是控制病虫害的关键。特别地，对于南方大面积种植的柑橘果园，柑橘木虱作为传播媒介造成的黄龙病已严重危害了柑橘果园的正常运作，极大地影响了柑橘果实产出与质量。目前各地区在实施柑橘黄龙病防控过程中，主要通过人工来目测柑橘木虱所导致的虫害的发生规律，还通过人工来预测虫害的发生程度，不但费工费时，同时因为成虫的活动和迁飞都影响着监测数据的准确性。其他传统虫害监测手段，如利用诱捕器进行监测等，在准确度和时效性等方面仍不够理想，对果园害虫防治指导性差，防治成本高，效果不佳。
发明内容
为了克服现有技术的缺陷，本发明提供一种基于机器视觉的虫害监测方法，可对害虫进行实时监控并预测虫害的发生程度。
针对上述技术问题，本专利所采用的方案为：一种基于机器视觉的虫害监测方法，其步骤包括：
在害虫聚集处安装诱虫装置，并设置图像采集装置面向诱虫装置采集图像；
识别所采集图像中的害虫并得出害虫数量；
若害虫数量大于或等于预先设定的害虫数量阈值，则将识别到的各个害虫在图像中所处的区域分别提取为多个害虫疑似图像，判断每个害虫疑似图像的识别正确率；
根据害虫数量和每个害虫疑似图像的识别正确率计算出虫害预测水平。
本发明通过图像采集装置面向诱虫装置自动采集害虫图像，免去人工目测耗时耗力的弊端，而且还能做到对害虫实时监控；结合害虫数量和每个害虫疑似图像的识别正确率来计算虫害预测水平，相比于现有技术中只是单独通过害虫数量来计算虫害预测水平，准确性更高，得出的虫害预测水平更有意义，增强了对害虫防治的指导性。
进一步地，预先建立统计分析模型，利用统计分析模型结合害虫数量和每个害虫疑似图像的识别正确率，计算得到虫害预测水平。
因为统计分析模型根据训练得到，其能够拟合出反映虫害预测水平分别与害虫数量、每个害虫疑似图像的识别正确率的对应关系，使得最终得到的虫害预测水平更有针对性，也更有指导害虫防治的意义。
进一步地，基于统计分析模型的虫害预测水平H(n)计算公式为：
其中n为害虫数量，allowmax为害虫数量阈值，pi为第i个害虫疑似图像的识别正确率。
当害虫数量没有达到害虫数量阈值时，则害虫预测水平H(n)为零，也即没有发生虫害，但当害虫数量大于等于害虫数量阈值时，则将每个害虫疑似图像的识别正确率进行累加计算，将各个害虫疑似图像以及其可能都考虑在内，利于得到更科学的害虫预测水平H(n)，提高对虫害防治的指导意义。
进一步地，所述诱虫装置包括盒子以及安装在盒子中的诱虫灯，所述盒子为多面体，盒子至少有一面开口；设置图像采集装置面向盒子开口的一面采集图像。
利用盒子来聚集诱虫灯的光线，以使图像采集装置采集到的图像清晰，便于后面对图像中的害虫进行识别，提高识别准确率，进一步提高本方法的实用性，增强预测的准确性，便于人们及时对虫害进行防治。
进一步地，盒子面向图像采集装置的开口覆盖有透光薄膜。透光薄膜能够使图像采集装置接收到的光线更为均匀柔和，提高成像质量，便于后面对图像中的害虫进行识别，提高识别准确率，进一步提高本方法的实用性，增强预测的准确性，便于人们及时对虫害进行防治。
进一步地，识别所采集图像中的害虫的步骤具体为：识别所采集图像中遮挡诱虫灯灯光的区域，判断每个区域的几何特征与害虫外形是否匹配，若是，则将相对应的区域识别为害虫。结合诱虫灯的设置，只需判断图像中遮挡诱虫灯灯光的区域的几何特征是否为害虫即可，免于复杂的图像识别过程，提高了识别效率，确保本方法具有实时性，能够让人们更快地对虫害采取防治手段。
进一步地，至少根据每个区域的面积、周长来判断与害虫外形是否匹配。因为结合区域的面积、周长以及它们之间的比例这三个重要特征，足以极大地减少误判率，同时也能提高识别效率，能够提高得出虫害预测水平的效率，对于害虫防治更具时效性。
进一步地，根据区域中的像素点计算得出面积和周长。对区域中所有的像素点累加即可得到面积，对处在区域边缘的像素点进行累加即可得到周长，因为区域一般为不规则多边形，通过像素点进行简单累加计算可免于对不规则多边形面积和周长的复杂公式计算。
进一步地，预先建立害虫判别模型，通过害虫判别模型判断每个害虫疑似图像的识别正确率。因为害虫判别模型根据训练得到，其能够拟合出反映每个害虫疑似图像的识别正确率与每个害虫疑似图像的对应关系，使得最终得到的害虫疑似图像的识别正确率更有针对性，也使最终的虫害预测水平更有指导害虫防治的意义。
进一步地，建立害虫判别模型的具体步骤为：制作害虫图像的正样本的集合和负样本的集合，正样本为各种情况下的害虫图像，负样本为不含害虫的图像；通过正样本的集合和负样本的集合对神经网络进行训练，生成害虫判别模型。
进一步地，在识别所采集图像中的害虫并得出害虫数量之前，还需要对所采集图像进行去噪预处理。
与现有技术对比，本专利的有益效果为：
(1)通过图像采集装置面向诱虫装置进行拍摄，能够得到更准确的图像，提高虫害预测水平的准确性；
(2)对图像采集装置采集到的图像进行去噪预处理，可以将噪声去掉，便于更准确识别图像中的害虫，同样能够提高虫害预测水平的准确性；
(3)结合诱虫灯的设置，只需判断图像中遮挡诱虫灯灯光的区域的几何特征是否为害虫外形即可，去掉了多余区域的识别过程，免于复杂的图像识别步骤，提高了识别效率，确保本方法具有实时性，使人们能够更快地对虫害采取防治手段；透光薄膜使得图像采集装置接收到的诱虫灯的光线更柔和，使得拍出来的图像质量更好，能够得到更具有参考性的害虫图像；
(4)至少根据每个区域的面积、周长来判断与害虫外形是否匹配，因为结合区域的面积、周长以及它们之间的比例这三个重要特征，足以极大地减少误判率，同时还提高识别效率；
(5)通过害虫判别模型判断每个害虫疑似图像的识别正确率，且害虫判别模型通过神经网络训练得出，智能化程度更高，而且没有人工判断主观性大的弊端，准确性高，同样能够提高虫害预测水平的准确性；
(6)相对于现有技术中单独根据害虫数量来计算出虫害预测水平，本发明预先建立起统计分析模型，并利用统计分析模型结合害虫数量和每个害虫疑似图像的识别正确率来计算虫害预测水平，统计分析模型、害虫数量以及每个害虫疑似图像的识别正确率三者结合来判断，可以大大减少判断误差，提高虫害预测水平的有效性，对于害虫防治更具指导性；
(7)对区域中所有的像素点累加即可得到面积，对处在区域边缘的像素点进行累加即可得到周长，可免于对每个为不规则多边形的区域面积和周长的复杂公式计算，提高计算效率，便于快速得到虫害预测水平，利于人们快速应对虫害的发生。
附图说明
图1是本专利的方法框图。
图2是本专利图像中遮挡诱虫灯灯光的区域的示意图。
具体实施方式
以下结合附图对本专利做进一步的解释说明。附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
如图1所示的一种基于机器视觉的虫害监测方法，其步骤包括：在害虫聚集处安装诱虫装置，并设置图像采集装置面向诱虫装置采集图像；
对所采集到的图像性进行去噪预处理，采用blob算法识别图像采集装置采集到的图像中的多个害虫并得出害虫数量；
若害虫数量大于或等于预先设定的害虫数量阈值，则将识别到的各个害虫在图像中所处的区域分别提取为多个害虫疑似图像，判断每个害虫疑似图像的识别正确率；其中，害虫数量阈值可为3，因为根据害虫的趋光性，例如柑橘木虱就具有驱光性，如果发生虫害，识别得出的害虫数量极大可能不止3个，再结合环境中落叶、蜜蜂等因素干扰识别得到的害虫数量，因此当害虫数量少于害虫数量阈值3时，可确定没有发生虫害，不影响农作物的生长，更优地，可根据在不同虫害程度的区域进行多次试验结果或根据以往经验得到较优的害虫数量阈值；
根据害虫数量和每个害虫疑似图像的识别正确率计算虫害预测水平；
根据虫害预测水平进行不同级别的预警，并将虫害相关参数发送至远程终端，由人工进行进一步确认判断。
虫害相关参数包括虫害预测水平、害虫数量、各个害虫在图像中所处的区域及相对应的图像采集装置采集到的图像。人工判断具体为：人结合上述虫害相关参数判断图像中的真实的害虫数量与识别得出的害虫数量相比是否一致或更多，若是则根据预警的级别采取相应的处理措施。
具体的图像采集装置可为相机。
本发明通过图像采集装置面向诱虫装置自动采集害虫图像，免去人工目测耗时耗力的弊端，而且还能做到对害虫实时监控；结合害虫数量和每个害虫疑似图像的识别正确率来计算虫害预测水平，相比于现有技术中只是单独通过害虫数量来计算虫害预测水平，准确性更高，得出的虫害预测水平更有意义，增强了对害虫防治的指导性。
预先建立统计分析模型，利用统计分析模型结合害虫数量和每个害虫疑似图像的识别正确率，计算得到虫害预测水平；基于统计分析模型的虫害预测水平H(n)计算公式为：
其中n为害虫数量，allowmax为害虫数量阈值，pi为第i个害虫疑似图像的识别正确率，H(n)的取值范围为[0,1]。可根据H(n)的值设定虫害等级，如0.5以下为一级、0.5-0.7为二级、0.7-0.9为三级，并根据H(n)的值所对应的上述级别来进行预警。
因为统计分析模型根据训练得到，其能够拟合出反映虫害预测水平分别与害虫数量、每个害虫疑似图像的识别正确率的对应关系，使得最终得到的虫害预测水平更有针对性，也更有指导害虫防治的意义；或者当害虫数量没有达到害虫数量阈值时，则害虫预测水平H(n)为零，也即没有发生虫害，但当害虫数量大于等于害虫数量阈值时，则计算所有害虫疑似图像的识别正确率的平均值，将各个害虫疑似图像以及其可能都考虑在内，利于得到更科学的害虫预测水平H(n)，提高对虫害防治的指导意义。
所述诱虫装置包括盒子以及安装在盒子中的诱虫灯，所述盒子为多面体，具体可为长方体，盒子至少有一面开口，诱虫灯采用背光效果较好的白光光源，盒子中装有用于引诱害虫的挥发物，例如引诱柑橘木虱的β石竹烯&萜品油烯混合挥发物；图像采集装置面向盒子开口的一面采集害虫图像。利用盒子来聚集诱虫灯的光线，以使图像采集装置采集到的图像清晰，便于后面对图像中的害虫进行识别，提高识别准确率，进一步提高本方法的实用性，增强预测的准确性，便于人们及时对虫害进行防治。
盒子面向图像采集装置开口的一面覆盖有透光薄膜，且图像采集装置应距离盒子有一定的距离，使图像采集装置的拍摄范围刚好覆盖透光薄膜。透光薄膜能够使图像采集装置接收到的光线更为均匀柔和，提高成像质量，便于后面对图像中的害虫进行识别，提高识别准确率，进一步提高本方法的实用性，增强预测的准确性，便于人们及时对虫害进行防治。
另外，由于覆盖有透光薄膜使得图像采集装置接收到的光线更为均匀柔和，图像采集装置采集到的图像的背景也更为干净，能够有效分辨出噪点，所以才能对图像采集装置采集到的图像进行去噪预处理，才能使拍摄到的图像清晰度更高。
采用blob算法识别图像采集装置采集到的图像中的多个害虫的步骤具体为：识别图像中遮挡诱虫灯灯光的区域，判断每个区域的几何特征与害虫外形是否匹配，若是，则将相对应的区域识别为害虫。结合诱虫灯的设置，只需判断图像中遮挡诱虫灯灯光的区域的几何特征是否为害虫即可，免于复杂的图像识别过程，提高了识别效率，确保本方法具有实时性，能够让人们更快地对虫害采取防治手段。
至少根据每个区域的面积、周长来判断与害虫外形是否匹配。因为结合区域的面积、周长以及它们之间的比例这三个重要特征，足以极大地减少误判率，提高识别效率，同样能够提高最终得出的虫害预测水平的效率，对于害虫防治更具时效性。更优地，除了每个区域的面积、周长需要计算，还需要计算每个区域的最小外接矩形以及形心位置。
在将识别到的各个害虫在图像中所处的区域分别提取为多个害虫疑似图像时，实际上各个害虫在图像中所处的区域的最小外接矩形也在上述步骤中计算得出，通过最小外接矩形对各个害虫在图像中所处的区域进行定位，可提取出多个害虫疑似图像。
根据区域中的像素点计算得出面积和周长。对区域中所有的像素点累加即可得到面积，对处在区域边缘的像素点进行累加即可得到周长，因为区域一般为不规则多边形，通过像素点进行简单累加计算可免于对不规则多边形面积和周长的复杂公式计算。
设第i个区域为Ri(x,y)，f(x,y)为图像采集装置采集到的图像中像素点(x,y)处的二值化像素值，则第i个区域的面积S(Ri(x,y))为：
二值化像素值f(x,y)为预处理得到，具体实施过程中可将图像偏暗区域中像素点处的f(x,y)，也即遮挡诱虫灯灯光的区域的f(x,y)，置为1，将图像偏亮区域中像素点处的f(x,y)置为0，所以累加f(x,y)在Ri(x,y)中的值可作为区域Ri(x,y)的面积。
第i个区域的周长为区域边界(图2中标号为5处)上像素点(x,y)的数目；
第i个区域的形心(图2中标号为0处)为(x0,y0)，具体计算为：
其中矩阵
例如上述公式中
其他参数也以此类推；
第i个区域最小外接矩形的具体计算公式为：
以上坐标值(x,y)的原点为图像的左上角顶点，X轴方向为水平向右，Y轴方向为垂直向下，因此Left、bottom、right和top分别对应图2中的标号1、2、3和4，对应最小外接矩形左侧边即取X坐标最小值、最小外接矩形下侧边即取Y坐标最大值、最小外接矩形上侧边即取Y坐标最小值。
预先建立害虫判别模型，通过害虫判别模型判断每个害虫疑似图像的识别正确率。因为害虫判别模型根据训练得到，其能够拟合出反映每个害虫疑似图像的识别正确率与每个害虫疑似图像的对应关系，使得最终得到的害虫疑似图像的识别正确率更有针对性，也使最终的虫害预测水平更有指导害虫防治的意义。
建立害虫判别模型的具体步骤为：制作害虫图像的正样本集合和负样本集合，正样本集合包括各种情况下的害虫图像，负样本集合包括多个不含害虫的图像；通过正样本集合和负样本集合对神经网络进行训练，生成害虫判别模型。其中的神经网络具体为VGGNet卷积神经网络。
需要说明的是，以上仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，但是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)
1.一种基于机器视觉的虫害监测方法，其特征在于，步骤包括：在害虫聚集处安装诱虫装置，并设置图像采集装置面向诱虫装置采集图像；
识别所采集图像中的害虫并得出害虫数量；
若害虫数量大于或等于预先设定的害虫数量阈值，则将识别到的各个害虫在图像中所处的区域分别提取为多个害虫疑似图像，判断每个害虫疑似图像的识别正确率；
根据害虫数量和每个害虫疑似图像的识别正确率计算出虫害预测水平。
2.根据权利要求1所述的一种基于机器视觉的虫害监测方法，其特征在于，预先建立统计分析模型，利用统计分析模型结合害虫数量和每个害虫疑似图像的识别正确率，计算得到虫害预测水平。
3.根据权利要求2所述的一种基于机器视觉的虫害监测方法，其特征在于，基于统计分析模型的虫害预测水平H(n)计算公式为：
其中n为害虫数量，allowmax为害虫数量阈值，pi为第i个害虫疑似图像的识别正确率。
4.根据权利要求1所述的一种基于机器视觉的虫害监测方法，其特征在于，所述诱虫装置包括盒子以及安装在盒子中的诱虫灯，所述盒子为多面体，盒子至少有一面开口；设置图像采集装置面向盒子开口的一面采集图像。
5.根据权利要求4所述的一种基于机器视觉的虫害监测方法，其特征在于，盒子面向图像采集装置的开口覆盖有透光薄膜。
6.根据权利要求1所述的一种基于机器视觉的虫害监测方法，其特征在于，识别所采集图像中的害虫的步骤具体为：识别所采集图像中遮挡诱虫灯灯光的区域，判断每个区域的几何特征与害虫外形是否匹配，若是，则将相对应的区域识别为害虫。
7.根据权利要求6所述的一种基于机器视觉的虫害监测方法，其特征在于，至少根据每个区域的面积、周长来判断与害虫外形是否匹配。
8.根据权利要求1所述的一种基于机器视觉的虫害监测方法，其特征在于，预先建立害虫判别模型，通过害虫判别模型判断每个害虫疑似图像的识别正确率。
9.根据权利要求8所述的一种基于机器视觉的虫害监测方法，其特征在于，建立害虫判别模型的具体步骤为：制作害虫图像的正样本的集合和负样本的集合，正样本为各种情况下的害虫图像，负样本为不含害虫的图像；通过正样本的集合和负样本的集合对神经网络进行训练，生成害虫判别模型。
10.根据权利要求1至9任一项所述的一种基于机器视觉的虫害监测方法，其特征在于，在识别所采集图像中的害虫并得出害虫数量之前，还需要对所采集图像进行去噪预处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711420644.6A CN108040997B (zh) | 2017-12-25 | 2017-12-25 | 一种基于机器视觉的虫害监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711420644.6A CN108040997B (zh) | 2017-12-25 | 2017-12-25 | 一种基于机器视觉的虫害监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108040997A CN108040997A (zh) | 2018-05-18 |
| CN108040997B true CN108040997B (zh) | 2020-09-11 |
Family
ID=62131682
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711420644.6A Active CN108040997B (zh) | 2017-12-25 | 2017-12-25 | 一种基于机器视觉的虫害监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108040997B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109057623B (zh) * | 2018-08-22 | 2019-09-27 | 滁州市银达门窗有限公司 | 智能型平开式复合窗台 |
| CN109209157B (zh) * | 2018-08-22 | 2020-01-07 | 惠州市优新派智能门窗科技有限公司 | 一种提升平开式窗台的性能的方法 |
| CN109131914A (zh) * | 2018-09-13 | 2019-01-04 | 陈键恒 | 一种用于采集昆虫样本的无人飞行系统及其方法 |
| CN110415235A (zh) * | 2018-10-09 | 2019-11-05 | 中国农业科学院茶叶研究所 | 一种茶小绿叶蝉图像采集系统及其方法 |
| CN109496622A (zh) * | 2018-10-18 | 2019-03-22 | 广州极飞科技有限公司 | 害虫的识别方法及装置、施药信息的确定方法、植保系统 |
| CN109845547B (zh) * | 2018-12-12 | 2021-11-02 | 安徽玉野建设工程有限公司 | 一种园林害虫监控方法及大型立式园林害虫监控装置 |
| CN110326593B (zh) * | 2019-06-19 | 2022-02-15 | 仲恺农业工程学院 | 害虫捕获系统、方法、计算机设备和介质 |
| CN110782435A (zh) * | 2019-10-17 | 2020-02-11 | 浙江中烟工业有限责任公司 | 一种基于深度学习模型的烟虫检测方法 |
| CN111642478B (zh) * | 2020-05-19 | 2022-02-01 | 重庆赛格盾科技有限公司 | 一种害虫识别系统 |
| CN114463649B (zh) * | 2021-12-30 | 2023-02-14 | 广州极飞科技股份有限公司 | 土壤虫害确定方法及装置、农药配方生成方法及装置 |
| CN117036090B (zh) * | 2023-09-08 | 2024-01-26 | 广州市坤盛信息科技有限公司 | 适配多种物联网设备实现精准林业管理的系统 |
| CN116993025B (zh) * | 2023-09-26 | 2023-12-15 | 广东省农业科学院植物保护研究所 | 一种基于数据处理的虫害诱杀设备管理方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101976350A (zh) * | 2010-10-20 | 2011-02-16 | 中国农业大学 | 基于视频分析的储粮害虫检测识别方法及其系统 |
| CN103246872A (zh) * | 2013-04-28 | 2013-08-14 | 北京农业智能装备技术研究中心 | 一种基于计算机视觉技术的广谱虫情自动测报方法 |
| CN103345634A (zh) * | 2013-07-29 | 2013-10-09 | 湖南省植物保护研究所 | 一种黄板上常见蔬菜昆虫的自动识别方法 |
| CN104813993A (zh) * | 2015-04-22 | 2015-08-05 | 中国矿业大学 | 基于机器视觉的微小农业害虫自动监测装置和方法 |
| CN105850930A (zh) * | 2016-04-23 | 2016-08-17 | 上海大学 | 基于机器视觉的病虫害预警系统和方法 |
| CN105938571A (zh) * | 2016-04-19 | 2016-09-14 | 北京农业信息技术研究中心 | 害虫识别计数系统及方法 |
| CN106570534A (zh) * | 2016-11-15 | 2017-04-19 | 福建农林大学 | 全自动微小昆虫诱集检测方法及其系统 |
| 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 |
| CN206213070U (zh) * | 2016-11-30 | 2017-06-06 | 福建农林大学 | 一种基于机器视觉的农田昆虫图像获取装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI435234B (zh) * | 2011-11-24 | 2014-04-21 | Inst Information Industry | Plant disease identification method, system and record media |
| US10262407B2 (en) * | 2016-02-25 | 2019-04-16 | Prospera Technologies, Ltd. | System and method for efficient identification of developmental anomalies |
-
2017
- 2017-12-25 CN CN201711420644.6A patent/CN108040997B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101976350A (zh) * | 2010-10-20 | 2011-02-16 | 中国农业大学 | 基于视频分析的储粮害虫检测识别方法及其系统 |
| CN103246872A (zh) * | 2013-04-28 | 2013-08-14 | 北京农业智能装备技术研究中心 | 一种基于计算机视觉技术的广谱虫情自动测报方法 |
| CN103345634A (zh) * | 2013-07-29 | 2013-10-09 | 湖南省植物保护研究所 | 一种黄板上常见蔬菜昆虫的自动识别方法 |
| CN104813993A (zh) * | 2015-04-22 | 2015-08-05 | 中国矿业大学 | 基于机器视觉的微小农业害虫自动监测装置和方法 |
| CN105938571A (zh) * | 2016-04-19 | 2016-09-14 | 北京农业信息技术研究中心 | 害虫识别计数系统及方法 |
| CN105850930A (zh) * | 2016-04-23 | 2016-08-17 | 上海大学 | 基于机器视觉的病虫害预警系统和方法 |
| CN106570534A (zh) * | 2016-11-15 | 2017-04-19 | 福建农林大学 | 全自动微小昆虫诱集检测方法及其系统 |
| CN206213070U (zh) * | 2016-11-30 | 2017-06-06 | 福建农林大学 | 一种基于机器视觉的农田昆虫图像获取装置 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108040997A (zh) | 2018-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108040997B (zh) | 一种基于机器视觉的虫害监测方法 | |
| US10729117B2 (en) | Pest monitoring method based on machine vision | |
| CN101701906B (zh) | 基于近红外超光谱成像技术的仓储害虫检测方法和装置 | |
| CN110472575B (zh) | 一种基于深度学习和计算机视觉的串番茄成熟度检测方法 | |
| CN109447945B (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
| CN105005813B (zh) | 虫害分析计数方法及系统 | |
| CN105915840B (zh) | 一种基于视频信号的工厂烟气排放自动监测的方法 | |
| CN110569786B (zh) | 一种基于无人机数据采集的果树识别和数量监测方法及系统 | |
| CN107610122B (zh) | 一种基于Micro-CT的单籽粒谷物内部虫害检测方法 | |
| CN113313737B (zh) | 一种基于计算机视觉的诱虫瓶昆虫计数方法以及计数装置 | |
| CN117636185B (zh) | 基于图像处理的松材线虫病检测系统 | |
| CN113077450B (zh) | 基于深度卷积神经网络的樱桃分级检测方法及系统 | |
| CN112106747A (zh) | 一种智慧农业虫害远程自动监控系统 | |
| CN116958572B (zh) | 一种果树繁育中叶片病虫害区域分析方法 | |
| CN113312999A (zh) | 一种自然果园场景下的柑橘木虱高精度检测方法及装置 | |
| CN108829762A (zh) | 基于视觉的小目标识别方法和装置 | |
| CN109682326A (zh) | 基于深度图像的钵苗直立度检测装置及检测方法 | |
| CN114332096A (zh) | 基于深度学习的猪场猪只实例分割方法 | |
| CN114511801A (zh) | 一种虫害识别模型训练方法、虫害监测方法和电子设备 | |
| CN104820818B (zh) | 一种移动物体的快速识别方法 | |
| CN109993228A (zh) | 基于机器视觉的植保无人机水稻纹枯病识别方法 | |
| CN103246886B (zh) | 基于背景和多特征数据库的作物害虫的检测方法 | |
| CN118429126B (zh) | 基于神经网络模型的种植管理决策系统 | |
| Putra et al. | Vision-Based Object Detection for Efficient Monitoring in Smart Hydroponic Systems | |
| CN110197129B (zh) | 一种自然环境下果蔬生长形态视觉辨识方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |