CN109726700B - 一种基于多特征的虫害识别预警方法和装置 - Google Patents
一种基于多特征的虫害识别预警方法和装置 Download PDFInfo
- Publication number
- CN109726700B CN109726700B CN201910012980.XA CN201910012980A CN109726700B CN 109726700 B CN109726700 B CN 109726700B CN 201910012980 A CN201910012980 A CN 201910012980A CN 109726700 B CN109726700 B CN 109726700B
- Authority
- CN
- China
- Prior art keywords
- insect
- pest
- identification
- data center
- insects
- 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
Images
Abstract
本发明涉及农业互联网技术领域,特别是涉及一种基于多特征的虫害识别预警方法和装置,其中方法包括:对昆虫进行诱导捕捉并采集相应的昆虫识别特征,通过对不同昆虫识别特征进行加权分析确定昆虫种类;根据昆虫种类和农田的植物种类判断昆虫是否为害虫,如果为害虫,则将对应的虫害指数更新;获取环境特征,通过对虫害指数和环境特征综合分析确定虫害等级,并根据虫害等级大小发出相应预警。本发明先对昆虫进行捕捉,更方便地采集昆虫图片、翅膀振动频率和植物图片等多维度特征来识别昆虫种类,识别更准确可靠;同时通过昆虫特征和环境特征的多维度特征结合,准确识别虫害等级并预警,增加害虫的识别准确率,虫害预警更加智能可靠。
Description
技术领域
本发明涉及农业互联网技术领域,特别是涉及一种基于多特征的虫害识别预警方法和装置。
背景技术
在农作物的生产过程中,虫害是危害农作物生长和影响产量的重要因素之一。受到科技水平的制约,对农田区域内的昆虫种类的确定以及虫害的确定,通常是由专家或有经验的农业工作者到田间地头,通过手工检查、肉眼观察来完成判断,而这种人工观测判断的方法不仅浪费时间以及精力,识别效率低,而且得到的结果也很难全面的掌握虫害程度,因此常常会错过最好的防治时间,造成巨大的经济损失。随着科技的发展,逐渐出现了通过图像分析等自动识别昆虫的方法,但传统的自动化方法通常无法结合多维度特征进行识别分析,因此难以准确地识别昆虫种类和虫害程度,也无法对虫害进行及时预警;在进行昆虫特征采集时,由于大部分昆虫飞行速度较快、飞行不稳定,因此难以准确采集昆虫特征,对昆虫识别带来一定的影响。
鉴于此,克服上述现有技术所存在的缺陷是本技术领域亟待解决的问题。
发明内容
本发明需要解决的技术问题是:
传统方法中通常无法结合多维度特征,准确地识别昆虫种类和虫害程度,也无法进行及时的虫害预警,而且大部昆虫飞行速度较快、飞行不稳定,昆虫特征的采集不便。
本发明通过如下技术方案达到上述目的:
第一方面,本发明提供了一种基于多特征的虫害识别预警方法,包括:
对农田的昆虫进行诱导捕捉并采集相应的昆虫识别特征,数据中心通过对不同昆虫识别特征进行加权分析,确定昆虫种类;
数据中心根据昆虫种类和农田的植物种类判断昆虫是否为害虫,如果为害虫,则将该害虫对应的虫害指数进行更新;
获取农田对应的环境特征,数据中心通过对虫害指数和环境特征综合分析后确定虫害等级,并根据虫害等级大小发出相应预警;
其中,所述昆虫识别特征包括昆虫图片、翅膀振动频率和植物图片中的一项或多项;所述环境特征包括农田所在的地理位置、天气、气候、季节和植物种类中的一项或多项。
优选的,所述昆虫识别特征包括昆虫图片和翅膀振动频率,则所述数据中心通过对不同昆虫识别特征进行加权分析,确定昆虫种类,具体为:
根据在昆虫种类识别中的重要程度,所述昆虫图片和所述翅膀振动频率分别被赋予不同的权重;
数据中心通过对所述昆虫图片进行识别分析,得到可能的一种或多种昆虫的第一分数;通过对所述翅膀振动频率进行识别分析,得到可能的一种或多种昆虫的第二分数;
对于可能的每种昆虫,将对应的第一分类分数和第二分类分数进行加权求和,得到每种昆虫的总分数,并取总分数最高的昆虫种类作为识别结果。
优选的,数据中心通过机器学习模型或深度学习模型对所述昆虫图片或所述翅膀振动频率进行识别分析,以得到相应的分数;其中,所述机器学习模型选用SVM模型,所述深度学习模型选用深度卷积神经网络模型。
优选的,所述昆虫识别特征包括昆虫图片、翅膀振动频率和植物图片,则所述数据中心通过对不同昆虫识别特征进行加权分析,确定昆虫种类,具体为:
根据在昆虫种类识别中的重要程度,所述昆虫图片、所述翅膀振动频率和所述植物图片分别被赋予不同的权重;
数据中心通过对所述昆虫图片进行识别分析,得到可能的一种或多种昆虫与待识别昆虫间的第一相似度;通过对所述翅膀振动频率进行识别分析,得到可能的一种或多种昆虫与待识别昆虫间的第二相似度;通过对所述植物图片进行识别分析,得到可能的一种或多种昆虫与待识别昆虫间的第三相似度;
对于可能的每种昆虫,将对应的第一相似度、第二相似度和第三相似度进行加权求和,得到每种昆虫与待识别昆虫之间的总相似度,并取总相似度最高的昆虫种类作为识别结果。
优选的,当数据中心无法确定昆虫种类时,数据中心将所述昆虫识别特征传送至专家系统,由相关昆虫专家分析后给出昆虫种类的结果,并将结果返回至数据中心,由数据中心继续判断该昆虫是否为害虫。
优选的,所述数据中心通过对虫害指数和环境特征综合分析后确定虫害等级,并根据虫害等级大小发出相应预警,具体为:
数据中心通过梯度提升回归树模型对虫害指数和环境特征进行计算后得到回归值,并根据回归值的大小确定虫害等级;
将回归值与警戒值比较,如果回归值大于预设阈值,则数据中心发出虫害预警并显示虫害等级;如果回归值小于警戒值,则数据中心仅显示虫害等级。
第二方面,本发明还提供了一种基于多特征的虫害识别预警装置,可用于完成上述第一方面所述的基于多特征的虫害识别预警方法,包括捕捉装置以及与捕捉装置无线通信的数据中心,所述捕捉装置包括捕捉笼1、内摄像头2、振动探测仪3、外摄像头4和通道5,所述内摄像头2和所述振动探测仪3均位于所述捕捉笼1内部,所述外摄像头4位于所述捕捉笼1外部,所述通道5连通所述捕捉笼1的内外部;
其中,所述内摄像头2用于采集捕捉笼1内昆虫的图像,所述振动探测仪3用于检测捕捉笼1内昆虫的翅膀振动频率,所述外摄像头4用于采集捕捉笼1外植物的图像,所述通道5用于使昆虫进入所述捕捉笼1内。
优选的,所述捕捉装置还包括位于所述捕捉笼1内的诱导器6,所述诱导器6内放置诱导剂,用于诱导昆虫通过所述通道5进入所述捕捉笼1内;其中,所述诱导器6内设有风扇,用于加速诱导剂的挥发。
优选的,所述捕捉装置还包括位于所述捕捉笼1内的一个或多个挡板7,所述一个或多个挡板7用于将所述捕捉笼1内部划分为多个区域,对应不同的区域分别设置内摄像头2、振动探测仪3、通道5和诱导器6;其中,不同区域内的诱导器6放置不同的诱导剂,用于诱导不同种类的昆虫。
优选的,所述数据中心内设有数据收集系统,所述数据收集系统用于收集农田对应的环境特征,并将所述环境特征存储于所述数据中心;其中,所述环境特征包括农田所在的地理位置、天气、气候、季节和植物种类中的一项或多项。
本发明的有益效果是:
本发明提供的虫害识别预警方法中,先对昆虫进行诱导捕捉,方便地采集昆虫图片、翅膀振动频率和植物图片等多维度特征来识别昆虫种类,识别更准确、全面、可靠;同时,数据中心收集多项环境特征,通过昆虫特征和环境特征的多维度特征结合,准确识别虫害等级并进行相应虫害预警,降低了工作人员的劳动强度,增加了害虫的识别准确率,显著提升害虫预防的效果,让虫害预警更加智能、可靠。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地,下面所描述的附图仅仅是本发明的一些实施例,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的附图。
图1为本发明实施例提供的一种基于多特征的虫害识别预警方法的流程图;
图2为本发明实施例提供的一种昆虫种类的识别方法的流程图;
图3为本发明实施例提供的另一种昆虫种类的识别方法的流程图;
图4为本发明实施例提供的一种基于多特征的虫害识别预警方法的分解流程图;
图5为本发明实施例提供的一种基于多特征的虫害识别预警装置的结构示意图;
图6为本发明实施例提供的另一种基于多特征的虫害识别预警装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明的描述中,术语“内”、“外”、“纵向”、“横向”、“上”、“下”、“顶”、“底”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,仅是为了便于描述本发明而不是要求本发明必须以特定的方位构造和操作,因此不应当理解为对本发明的限制。
在本发明各实施例中,符号“/”表示同时具有两种功能的含义,而对于符号“A和/或B”则表明由该符号连接的前后对象之间的组合包括“A”、“B”、“A和B”三种情况。
此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面就参考附图和实施例结合来详细说明本发明。
实施例1:
本发明实施例提供了一种基于多特征的虫害识别预警方法,参考图1,具体包括以下步骤:
步骤10,对农田的昆虫进行诱导捕捉并采集相应的昆虫识别特征,数据中心通过对不同昆虫识别特征进行加权分析,确定昆虫种类。
在本发明实施例中,数据中心具体可以设置在不同的智能终端,比如智能平板、智能手机、计算机等,由用户进行管理。在昆虫种类识别中,如果仅采用单一的识别特征进行识别,识别结果可能会存在一定的误差,所以此处采用多种识别特征进行识别。同时,不同识别特征在昆虫种类识别中的重要程度也是不同的,因此对于不同识别特征可分别赋予不同的权重,通过加权计算确定最终的昆虫种类,如此一来,不仅综合考虑到多种不同的识别特征,还可对于不同识别特征进行区别化使用,使最终的昆虫种类识别结果更准确、可靠。在本发明实施例中,所述昆虫识别特征包括昆虫图片、翅膀振动频率和植物图片中的一项或多项,所述昆虫图片、所述翅膀振动频率和所述植物图片均可通过实施例2中的捕捉装置进行采集,并将采集的图片和数据反馈给数据中心,由数据中心对各识别特征进行综合分析。
其中,所述数据中心内建立有虫害数据库,所述虫害数据库中详细记录有昆虫的种类、名称、特性、示例图像、危害植物范围、危害症状、危害规律、防治规律和地理位置分布等信息。因此,数据中心接收到相应的图像和数据后,通过分析处理后可与所述虫害数据库进行匹配,最终对照虫害数据库确定昆虫种类。在某些特殊情况下,比如数据中心出现分析故障,使得数据中心无法确定昆虫种类时,数据中心可将获取的所述昆虫识别特征中的一项或多项传送至专家系统,由相关昆虫专家分析后给出昆虫种类的结果,并将结果再返回至数据中心,由数据中心继续执行步骤20,即判断该昆虫是否为害虫。
步骤20,数据中心根据昆虫种类和农田的植物种类判断昆虫是否为害虫,如果为害虫,则将该害虫对应的虫害指数进行更新。
一般来讲,昆虫种类确定后,数据中心可对照虫害数据库直接确定该昆虫是否为害虫,但考虑到某种昆虫是否为害虫可能也会与植物种类相关,即同样一种昆虫可能对甲植物有害,而对于乙植物则无影响,因此在判断时还需进一步考虑农田内的植物种类,通过昆虫种类和植物种类来综合判断该昆虫是否为害虫。虫害指数用于表示虫害的发生量,农田区域内的害虫数量越多,虫害指数也就越大,因此可以认为,一定时间内在农田区域内捕捉到的害虫越多,虫害指数也就越大。本发明实施例中,虫害指数的设置和更新具体如下:在农田区域内可设置多个捕捉装置对昆虫进行诱导捕捉,在预设时间段内,当首次捕捉到某种害虫时,其虫害指数可初始化为1并保存在数据中心,在后续采集过程中,每次捕捉并识别到该害虫时,将该害虫对应的虫害指数加1进行更新,采集结束后(即预设时间段后)得到最终的虫害指数。其中,所述预设时间段可根据用户需求自行设置,比如可设置为1h、2h等;虫害指数的初始取值以及更新增加值也可灵活选择,并不唯一限定。
步骤30,获取农田对应的环境特征,数据中心通过对虫害指数和环境特征综合分析后确定虫害等级,并根据虫害等级大小发出相应预警。
在虫害指数确定的情况下,具体的虫害程度还与农田的各种环境特征有关,因此为更全面、准确地确定虫害等级,还需综合多种环境特征进行分析。为获取农田对应的环境特征,所述数据中心内可设有数据收集系统,收集环境特征后存储于所述数据中心;其中,所述环境特征包括农田所在的地理位置、天气、气候、季节和植物种类中的一项或多项。数据中心将得到的虫害指数与各项环境特征进行组合,通过多种特征综合分析来确定虫害等级,并根据虫害等级的大小确定是否需要发出预警,如果虫害等级较小则说明虫害发生的可能性较低,可无需预警,如果虫害等级较大则说明虫害发生的可能性较大,则数据中心发出虫害预警。
本发明提供的虫害识别预警方法中,先对昆虫进行诱导捕捉,方便地采集昆虫图片、翅膀振动频率和植物图片等多维度特征来识别昆虫种类,识别更准确、全面、可靠;同时,数据中心收集多项环境特征,通过昆虫特征和环境特征的多维度特征结合,准确识别虫害等级并进行相应虫害预警,降低了工作人员的劳动强度,增加了害虫的识别准确率,显著提升害虫预防的效果,让虫害预警更加智能、可靠。
在所述步骤10中,数据中心可通过建立一定的学习模型对识别特征进行分析,加权计算后确定昆虫种类。假设所述昆虫识别特征包括昆虫图片和翅膀振动频率两项,则可参考图2,昆虫种类的确定过程具体包括以下步骤:
步骤101,根据在昆虫种类识别中的重要程度,所述昆虫图片和所述翅膀振动频率分别被赋予不同的权重。
一般来说,昆虫图片中包含的昆虫相关的特征信息更多,因此昆虫图片在昆虫种类识别中的重要程度高于翅膀振动频率,也就被赋予更高的权重。比如,在一个具体的实施例中,所述昆虫图片和所述翅膀振动频率的权重可分别为0.6和0.4,但并不用以限制本发明。
步骤102,数据中心通过对所述昆虫图片进行识别分析,得到可能的一种或多种昆虫的第一分数;通过对所述翅膀振动频率进行识别分析,得到可能的一种或多种昆虫的第二分数。
数据中心内建立有机器学习模型或深度学习模型,捕捉装置采集到昆虫识别特征并反馈至数据中心后,数据中心将昆虫图片以及该昆虫的翅膀振动频率作为一个特征组输入到学习模型中,通过机器学习模型或深度学习模型对所述昆虫图片进行识别分析,得到第一分数Score_1。其中,Score_1={昆虫a:A,昆虫b:B,昆虫c:C,昆虫d:D,昆虫e:E},a、b、c、d、e表示不同的昆虫种类,也就是采用昆虫图片识别时有可能与待识别昆虫匹配的几种昆虫种类,A、B、C、D、E表示上述对应的各种昆虫分类的评分。数据中心继续通过机器学习模型或深度学习模型对所述翅膀振动频率进行识别分析,得到第二分数Score_2。其中,Score_2={昆虫f:F,昆虫g:G,昆虫h:H,昆虫i:I,昆虫j:J},f、g、h、i、j表示不同的昆虫种类,也就是采用翅膀振动频率识别时有可能与待识别昆虫匹配的几种昆虫种类,F、G、H、I、J表示上述对应的各种昆虫分类的评分。其中,所述机器学习模型可优先选用支持向量机(Support Vector Machine,简写为SVM)模型,所述深度学习模型可优先选用深度卷积神经网络模型。
步骤103,对于可能的每种昆虫,将对应的第一分类分数和第二分类分数进行加权求和,得到每种昆虫的总分数,并取总分数最高的昆虫种类作为识别结果。
通过昆虫图片和翅膀振动频率识别分析后,两种识别特征下得到的可能的昆虫种类中可能存在相同识别结果,也可能存在不同识别结果,需要进一步将Score_1与Score_2进行加权操作,得到一个总分Score=Score_1*0.6+Score_2*0.4。假设在一次识别中,a=f,b=g,c=h,而d、e、i、j分别为不同的昆虫种类,则通过加权计算的总分数Score=[a:(A*0.6+F*0.4),b:(B*0.6+G*0.4),c:(C*0.6+H*0.4),d:D*0.6+0*0.4,e:E*0.6+0*0.4,i:0*0.6+I*0.4,j:0*0.6+J*0.4],由此可得到所有可能的昆虫种类对应的总评分,取分数最高的即为昆虫分类结果。同时,在这里还可设置评分阈值,比如评分阈值为0.5,则如果得到的最高总评分高于评分阈值0.5,则可确定昆虫种类;如果得到的最高总评分低于评分阈值0.5,则该识别结果仍存在一定的不确定性,可将对应的昆虫图片,或者昆虫图片连通翅膀振动频率传送给专家系统,由相关昆虫专家分析后给出昆虫种类。或者,当最高总评分小于评分阈值0.5时,可按照步骤101-步骤103重新进行匹配,若重新评分后结果仍不变,则由专家介入分析。
在所述步骤10中,数据中心还可通过对照虫害数据库对识别特征进行相似度分析,最终加权计算后确定昆虫种类。假设所述昆虫识别特征包括昆虫图片、翅膀振动频率和植物图片三项,可参考图3,昆虫种类的确定过程具体包括以下步骤:
步骤101’,根据在昆虫种类识别中的重要程度,所述昆虫图片、所述翅膀振动频率和所述植物图片分别被赋予不同的权重;
除昆虫图片和翅膀振动频率以外,植物的特征与昆虫种类识别存在一定的联系,比如,出现虫害时昆虫会在植物上留下相应的咬嗜痕迹或破坏痕迹,通过分析植物图片的咬嗜部位、咬嗜形状、破坏程度等,可对识别昆虫种类识别起到一定的作用,因此植物图片也可作为一种识别特征,通过三项特征进行综合分析,可使昆虫识别更加准确。当然,在昆虫图片、翅膀振动频率和植物图片这三项识别特征中,昆虫图片在昆虫种类识别中的重要程度仍然最高,也就被赋予最高的权重。比如,在一个具体的实施例中,所述昆虫图片、所述翅膀振动频率和所述植物图片的权重可分别为0.6、0.2和0.2,但并不用以限制本发明。
步骤102’,数据中心通过对所述昆虫图片进行识别分析,得到可能的一种或多种昆虫与待识别昆虫间的第一相似度;通过对所述翅膀振动频率进行识别分析,得到可能的一种或多种昆虫与待识别昆虫间的第二相似度;通过对所述植物图片进行识别分析,得到可能的一种或多种昆虫与待识别昆虫间的第三相似度。
数据中心的虫害数据库中记录有各种昆虫的详细信息,数据中心通过将采集到的每一项识别特征与虫害数据库中的相应特征数据进行匹配分析,可确定在每一项识别特征下,与待识别昆虫之间存在相似度的一种或多种昆虫,并可通过计算分别得到待识别昆虫与所述一种或多种昆虫之间的相似度。假设在一个具体的实施例中,通过分析昆虫图片并与虫害数据库匹配后,确定待识别昆虫与昆虫a’、b’、c’之间存在一定的相似度,且通过计算得到待识别昆虫与昆虫a’、b’、c’之间的第一相似度分别为A1、B1、C1;同理地,通过分析翅膀振动频率并与虫害数据库匹配后,确定待识别昆虫与昆虫a’、c’、d’之间存在一定相似度,且计算得到第二相似度分别为A2、C2、D2;通过分析植物图片并与虫害数据库匹配后,确定待识别昆虫与昆虫c’、d’之间存在一定相似度,且计算得到第三相似度分别为C3、D3。
步骤103’,对于可能的每种昆虫,将对应的第一相似度、第二相似度和第三相似度进行加权求和,得到每种昆虫与待识别昆虫之间的总相似度,并取总相似度最高的昆虫种类作为识别结果。
通过三项识别特征的分别匹配,得到所有与待识别昆虫可能匹配的昆虫种类有a’、b’、c’、d’,对这四种昆虫种类中的每一种,分别将该昆虫在每项识别特征下计算得到的相似度进行加权求和,得到该昆虫与待识别昆虫之间的总相似度:总相似度=第一相似度*0.6+第二相似度*0.2+第三相似度*0.2。比如,对于昆虫a’,其与待识别昆虫之间的总相似度A’=A1*0.6+A2*0.2+0*0.2,同理,昆虫b’与待识别昆虫之间的总相似度B’=B1*0.6+0*0.2+0*0.2,昆虫c’与待识别昆虫之间的总相似度C’=C1*0.6+C2*0.2+C3*0.2,昆虫d’与待识别昆虫之间的总相似度D’=0*0.6+D2*0.2+D3*0.2。计算完成后,将所有可能的昆虫的总相似度A’、B’、C’和D’进行大小比较,假设A’最大,则确定昆虫种类为a’。其中,为确保最后得到的昆虫种类的准确性,还可设置相似度阈值,并将最高的总相似度值与相似度阈值进行比较;比如相似度阈值为0.5,如果最高的总相似度A’大于相似度阈值0.5,则可确定昆虫种类为a’;如果最高的总相似度A’小于相似度阈值0.5,则该识别结果仍存在一定的不确定性,可将对应的昆虫图片,或者昆虫图片连通翅膀振动频率传送给专家系统,由相关昆虫专家分析后给出昆虫种类。或者,当A’小于相似度阈值0.5时,可按照步骤101’-步骤103’重新进行匹配,若重新匹配后结果仍不变,则由专家介入分析。
通过步骤101-步骤103,或者步骤101’-步骤103’,综合考虑了不同的识别特征与昆虫种类之间的关系,并按照重要程度赋予相应的权重,通过加权计算得到最终的昆虫种类,大大增加了昆虫种类的识别准确率。
为确定虫害等级并进行相应的虫害预警,数据中心内还建立有梯度提升回归树(Gradient Boosting Regression Tree,简写为GBRT)模型。在所述步骤30中,数据中心将虫害指数以及多维度的环境特征组合为一个特征组,将这个特征组输入到梯度提升回归树模型中,数据中心通过梯度提升回归树模型对虫害指数和多项环境特征形成的特征组进行计算,可以得到一回归值,并根据回归值的大小确定虫害等级,回归值越大,虫害等级也就越高。在这里,用户可根据实际需要设置相应的警戒值,数据中心将计算得到的回归值与警戒值比较,如果回归值大于警戒值,则数据中心发出虫害预警并显示虫害等级;如果回归值小于警戒值,则数据中心仅显示虫害等级,无需进行预警。
其中,数据中心还可根据虫害等级的不同,发出不同的预警。假设将虫害等级分为三级,用户可根据实际需求设置第一阈值和第二阈值,用于划分虫害等级;其中,第一阈值小于第二阈值。当回归值小于第一阈值时,虫害等级为低,此时虫害发生的可能性较低;当回归值介于第一阈值和第二阈值之间时,虫害等级为中;当回归值大于第二阈值时,虫害等级为高,此时虫害发生的可能性较大。假设数据中心通过声音进行虫害预警,则可通过不同的声音频率来进行不同的虫害预警,虫害等级越高,声音预警的频率越高,用户通过声音的不同可直接确定虫害等级,迅速了解到农田情况。
结合本发明实施例,还存在一种优选的实现方案,在发出虫害预警的同时,数据中心根据昆虫种类、植物种类、农田位置和虫害等级等多项信息,对照所述虫害数据库确定相应的虫害解决方案,并推送给用户以便用户参考,从而能够使用户快速、准确地确定虫害对应的解决措施,降低虫害造成的经济损失。
以上所述即为本发明实施例提供的虫害识别预警方法,其具体实施流程还可参考图4。综上所述,本发明相比现有技术具有以下有益效果:本发明结合了不同的昆虫识别特征以及加权方法来确定昆虫种类,又结合昆虫特征和多维度的环境特征进行虫害等级的确定和虫害预警,识别更准确、全面,降低了工作人员的劳动强度,增加了害虫的识别准确率,显著提升害虫预防的效果,让虫害预警更加智能、可靠;确定虫害等级并预警后,数据中心还可根据虫害给出相应的解决方案,便于种植用户进行参考,从而快速解决虫害,降低虫害带来的经济损失。
实施例2:
在上述实施例1的基础上,本发明实施例还提供了一种基于多特征的虫害识别预警装置,用于实现实施例1所述的基于多特征的虫害识别预警方法。如图5所示,所述装置包括捕捉装置以及与捕捉装置无线通信的数据中心,所述捕捉装置用于捕捉农田区域内的昆虫,进而采集相关的昆虫识别特征并传送给所述数据中心,所述数据中心用于接收捕捉装置传来的数据并对数据进行分析处理。所述数据中心内还设有数据收集系统,所述数据收集系统用于收集农田对应的环境特征,并将所述环境特征存储于数据中心;其中,所述环境特征包括农田所在的地理位置、天气、气候、季节和植物种类中的一项或多项。在本发明实施例中,数据中心具体可以设置在不同的智能终端,比如智能平板、智能手机、计算机等,由用户进行管理。
结合图5,所述捕捉装置包括捕捉笼1、内摄像头2、振动探测仪3、外摄像头4和通道5,所述内摄像头2和所述振动探测仪3均位于所述捕捉笼1内部,所述外摄像头4位于所述捕捉笼1外部,所述通道5可设置于所述捕捉笼1的侧壁上,并连通所述捕捉笼1的内外部。其中,所述捕捉笼1用于容纳昆虫,所述内摄像头2用于采集捕捉笼1内昆虫的图像,所述振动探测仪3用于检测捕捉笼1内昆虫的翅膀振动频率,所述外摄像头4用于采集捕捉笼1外植物的图像,所述通道5用于使昆虫进入所述捕捉笼1内。
在本发明实施例中,所述内摄像头2可位于所述振动探测仪3之后,当昆虫从所述通道5进入所述捕捉笼1之后,所述振动探测仪3先对飞入昆虫的翅膀振动频率进行探测,并将采集的数据传送给所述数据中心;昆虫飞过所述振动探测仪3之后,所述内摄像头2对昆虫进行图片拍摄或录像,采集到高清晰度的昆虫图片或视频并传送给所述数据中心。所述外摄像头4可对农田的植物进行图片拍摄或录像,采集到高清晰度的植物图片或视频并传送给所述数据中心。数据中心收到捕捉装置传来的各项数据后,通过数据分析和加权计算后确定昆虫的种类,具体识别方法可参考实施例1中的步骤101-步骤103以及步骤101’-步骤103’,此处不再赘述。
继续参考图5,为诱导农田内的昆虫进入所述捕捉笼1,所述捕捉装置还包括位于所述捕捉笼1内的诱导器6,所述诱导器6内可放置对昆虫具有一定吸引作用的诱导剂,用于诱导昆虫通过所述通道5进入所述捕捉笼1内。其中,为进一步增强诱导剂对昆虫的诱导作用,所述诱导器6内还可设有风扇,用于加速诱导剂的挥发以及诱导剂在空气中的传播,从而更有效地吸引昆虫飞入所述捕捉笼1。考虑到某些昆虫具有趋光性,如果是在夜间进行昆虫的诱导捕捉,则除采用诱导剂以外,还可通过光诱导的方法,具体可在诱导器6内设置光源,从而吸引昆虫从所述通道5飞入所述捕捉笼1内。
进一步地,为避免出现昆虫飞入所述捕捉笼1之后出现停滞,使得所述内摄像头2和所述振动探测仪3无法进行数据采集的情况,所述捕捉笼1内还可设置振动板,振动板处于振动状态,从而迫使进入所述捕捉笼1内的昆虫进行飞行,便于进行数据和图片的采集。
参考图6,所述捕捉装置还可包括位于所述捕捉笼1内的一个或多个挡板7,所述一个或多个挡板7用于将所述捕捉笼1内部划分为多个区域,不同的区域内可分别设置内摄像头2、振动探测仪3、通道5和诱导器6;其中,不同区域内的诱导器6可放置不同的诱导剂,用于诱导不同种类的昆虫,即每个区域用于捕捉不同的昆虫并进行数据和图片采集,从而使得所述装置可同时对多种虫害进行预警。
进一步参考图5和图6,所述捕捉装置还包括设置在所述捕捉笼1外部的天线8和太阳能板9。所述天线8可设置于所述捕捉笼1顶部,用于实现所述捕捉装置与所述数据中心的无线通信;所述天线8内部可由WLAN天线以及WLAN路由集成,并通过WIFI信号与数据中心进行数据传输,将昆虫图片、翅膀振动频率和植物图片传至数据中心;其中,WLAN传输速率优选的控制在10Mbs以上,以确保高清晰度图片的快速传输。所述太阳能板9也可设于所述捕捉笼1顶部,用于将太阳能转换为电能,进而为所述捕捉装置供电。所述太阳能板9具体包括太阳能电池板、充电控制器、蓄电池和变压器,所述太阳能电池板收集的电能通过所述充电控制器存储到所述蓄电池中;当外接电源正常时,所述捕捉装置可由外接电源供电,而当外接电源出现故障或农田所在区域停电时,所述蓄电池则可继续为所述捕捉装置供电,所述蓄电池中存储的电能经过所述变压器进行电压的转换,最终可输出36V或者24V或者12V的电压,从而可保证所述捕捉装置的正常使用,避免停电带来的使用障碍,而且节能环保、安全可靠。
结合从所述捕捉装置获取的昆虫特征以及自身收集的多维环境特征,所述数据中心可结合GBRT模型进行特征分析,从而实时监测农田的虫害等级并进行虫害预警,具体分析过程及预警方法可参考实施例1,此处不再赘述。
在本发明实施例提供的虫害识别预警装置中,利用捕捉装置先对昆虫进行诱导捕捉,从而可便于对昆虫的相关识别特征的采集,具体通过捕捉装置的外摄像头、内摄像头和振动探测仪可分别收集农田区域内的植物特征和昆虫特征,并传送至数据中心进行综合分析,确定昆虫种类,增加了昆虫种类的识别准确率;数据中心还可收集环境特征,综合昆虫特征和环境特征的多维度特征来确定虫害等级并预警,增加了虫害等级的识别准确率,预警更加智能可靠;捕捉笼内可通过挡板划分为多个区域,并设置不同的诱导剂以诱导不同的昆虫进行相应的区域,从而可对多种虫害进行预警;捕捉装置设置有太阳能板,当外接电源出现故障时可利用太阳能实现捕捉装置的供电,节能环保、安全可靠。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于多特征的虫害识别预警方法,其特征在于,包括:
对农田的昆虫进行诱导捕捉并采集相应的昆虫识别特征,数据中心通过对不同昆虫识别特征进行加权分析,确定昆虫种类;
数据中心根据昆虫种类和农田的植物种类判断昆虫是否为害虫,如果为害虫,则将该害虫对应的虫害指数进行更新;
获取农田对应的环境特征,数据中心通过对虫害指数和环境特征综合分析后确定虫害等级,并根据虫害等级大小发出相应预警;
所述数据中心通过对不同昆虫识别特征进行加权分析,确定昆虫种类;具体为,通过对昆虫识别特征进行加权分析后,得到所有可能的昆虫种类对应的总评分,取分数最高的为昆虫分类结果,设置评分阈值,如果得到的最高总评分高于评分阈值,则确定昆虫种类;如果得到的最高总评分低于评分阈值,则识别结果仍存在一定的不确定性,将对应的昆虫识别特征传送给专家系统,由相关昆虫专家分析后给出昆虫种类;或者,当最高总评分小于评分阈值时,重新进行匹配,若重新评分后结果仍不变,则由专家介入分析;
所述数据中心根据昆虫种类和农田的植物种类判断昆虫是否为害虫,具体为,所述数据中心内建立有虫害数据库,所述虫害数据库中详细记录有昆虫的种类、名称、特性、示例图像、危害植物范围、危害症状、危害规律、防治规律和地理位置分布等信息;数据中心接收到相应的图像和数据后,通过分析处理后可与所述虫害数据库进行匹配,最终对照虫害数据库确定昆虫种类;在某些特殊情况下,比如数据中心出现分析故障,使得数据中心无法确定昆虫种类时,数据中心将获取的所述昆虫识别特征传送至专家系统,由相关昆虫专家分析后给出昆虫种类的结果,并将结果再返回至数据中心,由数据中心判断该昆虫是否为害虫;
其中,所述昆虫识别特征包括昆虫图片、翅膀振动频率和植物图片中的一项或多项;所述植物图片包括昆虫在植物上留下的咬嗜痕迹或破坏痕迹,通过分析植物图片的咬嗜部位、咬嗜形状和破坏程度,可对识别昆虫种类识别起到一定的作用;所述环境特征包括农田所在的地理位置、天气、气候、季节和植物种类中的一项或多项。
2.根据权利要求1所述的基于多特征的虫害识别预警方法,其特征在于,所述昆虫识别特征包括昆虫图片和翅膀振动频率,则所述数据中心通过对不同昆虫识别特征进行加权分析,确定昆虫种类,具体为:
根据在昆虫种类识别中的重要程度,所述昆虫图片和所述翅膀振动频率分别被赋予不同的权重;
数据中心通过对所述昆虫图片进行识别分析,得到可能的一种或多种昆虫的第一分数;通过对所述翅膀振动频率进行识别分析,得到可能的一种或多种昆虫的第二分数;
对于可能的每种昆虫,将对应的第一分类分数和第二分类分数进行加权求和,得到每种昆虫的总分数,并取总分数最高的昆虫种类作为识别结果。
3.根据权利要求2所述的基于多特征的虫害识别预警方法,其特征在于,数据中心通过机器学习模型或深度学习模型对所述昆虫图片或所述翅膀振动频率进行识别分析,以得到相应的分数;其中,所述机器学习模型选用SVM模型,所述深度学习模型选用深度卷积神经网络模型。
4.根据权利要求1所述的基于多特征的虫害识别预警方法,其特征在于,所述昆虫识别特征包括昆虫图片、翅膀振动频率和植物图片,则所述数据中心通过对不同昆虫识别特征进行加权分析,确定昆虫种类,具体为:
根据在昆虫种类识别中的重要程度,所述昆虫图片、所述翅膀振动频率和所述植物图片分别被赋予不同的权重;
数据中心通过对所述昆虫图片进行识别分析,得到可能的一种或多种昆虫与待识别昆虫间的第一相似度;通过对所述翅膀振动频率进行识别分析,得到可能的一种或多种昆虫与待识别昆虫间的第二相似度;通过对所述植物图片进行识别分析,得到可能的一种或多种昆虫与待识别昆虫间的第三相似度;
对于可能的每种昆虫,将对应的第一相似度、第二相似度和第三相似度进行加权求和,得到每种昆虫与待识别昆虫之间的总相似度,并取总相似度最高的昆虫种类作为识别结果。
5.根据权利要求1-4任一所述的基于多特征的虫害识别预警方法,其特征在于,所述数据中心通过对虫害指数和环境特征综合分析后确定虫害等级,并根据虫害等级大小发出相应预警,具体为:
数据中心通过梯度提升回归树模型对虫害指数和环境特征进行计算后得到回归值,并根据回归值的大小确定虫害等级;
将回归值与警戒值比较,如果回归值大于预设阈值,则数据中心发出虫害预警并显示虫害等级;如果回归值小于警戒值,则数据中心仅显示虫害等级。
6.一种基于多特征的虫害识别预警装置,其特征在于,用于实现权利要求1-4任一所述的基于多特征的虫害识别预警方法,所述基于多特征的虫害识别预警装置包括捕捉装置以及与捕捉装置无线通信的数据中心,所述捕捉装置包括捕捉笼(1)、内摄像头(2)、振动探测仪(3)、外摄像头(4)和通道(5),所述内摄像头(2)和所述振动探测仪(3)均位于所述捕捉笼(1)内部,所述外摄像头(4)位于所述捕捉笼(1)外部,所述通道(5)连通所述捕捉笼(1)的内外部;
其中,所述内摄像头(2)用于采集捕捉笼(1)内昆虫的图像,所述振动探测仪(3)用于检测捕捉笼(1)内昆虫的翅膀振动频率,所述外摄像头(4)用于采集捕捉笼(1)外植物的图像,所述通道(5)用于使昆虫进入所述捕捉笼(1)内。
7.根据权利要求6所述的基于多特征的虫害识别预警装置,其特征在于,所述捕捉装置还包括位于所述捕捉笼(1)内的诱导器(6),所述诱导器(6)内放置诱导剂,用于诱导昆虫通过所述通道(5)进入所述捕捉笼(1)内;其中,所述诱导器(6)内设有风扇,用于加速诱导剂的挥发。
8.根据权利要求7所述的基于多特征的虫害识别预警装置,其特征在于,所述捕捉装置还包括位于所述捕捉笼(1)内的一个或多个挡板(7),所述一个或多个挡板(7)用于将所述捕捉笼(1)内部划分为多个区域,对应不同的区域分别设置内摄像头(2)、振动探测仪(3)、通道(5)和诱导器(6);其中,不同区域内的诱导器(6)放置不同的诱导剂,用于诱导不同种类的昆虫。
9.根据权利要求6所述的基于多特征的虫害识别预警装置,其特征在于,所述数据中心内设有数据收集系统,所述数据收集系统用于收集农田对应的环境特征,并将所述环境特征存储于所述数据中心;其中,所述环境特征包括农田所在的地理位置、天气、气候、季节和植物种类中的一项或多项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910012980.XA CN109726700B (zh) | 2019-01-07 | 2019-01-07 | 一种基于多特征的虫害识别预警方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910012980.XA CN109726700B (zh) | 2019-01-07 | 2019-01-07 | 一种基于多特征的虫害识别预警方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109726700A CN109726700A (zh) | 2019-05-07 |
CN109726700B true CN109726700B (zh) | 2021-06-11 |
Family
ID=66298250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910012980.XA Active CN109726700B (zh) | 2019-01-07 | 2019-01-07 | 一种基于多特征的虫害识别预警方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109726700B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220128514A1 (en) * | 2019-02-11 | 2022-04-28 | The Trustees Of The Stevens Institute Of Technology | Wood boring insect detection system and method |
CN110378303B (zh) * | 2019-07-25 | 2021-07-09 | 杭州睿琪软件有限公司 | 用于对象识别的方法及系统 |
CN110490086B (zh) * | 2019-07-25 | 2021-08-20 | 杭州睿琪软件有限公司 | 一种用于对象识别结果二次确认的方法及系统 |
CN110796148B (zh) * | 2019-10-12 | 2020-07-07 | 广西大学 | 一种荔枝虫害监测识别系统和监测识别方法 |
CN111340070B (zh) * | 2020-02-11 | 2024-03-26 | 杭州睿琪软件有限公司 | 植物病虫害诊断方法和系统 |
CN112309407B (zh) * | 2020-09-23 | 2022-07-01 | 北京农业智能装备技术研究中心 | 一种天牛发生测报系统及方法 |
CN112931456B (zh) * | 2021-04-13 | 2024-03-29 | 山东农业大学 | 一种大田作物昆虫采集设备及虫害监测预警方法 |
CN114296151A (zh) * | 2021-12-31 | 2022-04-08 | 重庆沁旭熊猫雷笋股份有限公司 | 用于雷竹病虫害检测的辅助装置 |
CN114414521A (zh) * | 2022-01-20 | 2022-04-29 | 淮北师范大学 | 基于红外多光谱传感器的牛奶主要成分测量方法 |
CN114982731B (zh) * | 2022-06-21 | 2024-01-12 | 黄淮学院 | 一种用于防治病虫害的智慧农业监控预警系统 |
CN116258373B (zh) * | 2023-03-15 | 2024-02-09 | 杭州盈禾嘉田科技有限公司 | 一种基于大数据的病虫害测报预警系统及方法 |
CN117437385B (zh) * | 2023-12-21 | 2024-04-02 | 武汉新普惠科技有限公司 | 基于视觉分析的农业害虫识别系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107711756A (zh) * | 2017-11-03 | 2018-02-23 | 桂林电子科技大学 | 基于物联网的农作物害虫智能测报系统 |
WO2018085028A1 (en) * | 2016-11-04 | 2018-05-11 | GE Lighting Solutions, LLC | Luminaire disease vector attenuator and surveillance device |
CN109002853A (zh) * | 2018-07-18 | 2018-12-14 | 宁夏智启连山科技有限公司 | 农作物种类与病虫害类型的联合识别方法及装置 |
CN109147282A (zh) * | 2018-07-03 | 2019-01-04 | 华南农业大学 | 一种智能稻田虫害等级预报系统和预报方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160227753A1 (en) * | 2013-10-11 | 2016-08-11 | Bed Bug Central, Llc | Insect trap having a removable and replaceable floor |
-
2019
- 2019-01-07 CN CN201910012980.XA patent/CN109726700B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018085028A1 (en) * | 2016-11-04 | 2018-05-11 | GE Lighting Solutions, LLC | Luminaire disease vector attenuator and surveillance device |
CN107711756A (zh) * | 2017-11-03 | 2018-02-23 | 桂林电子科技大学 | 基于物联网的农作物害虫智能测报系统 |
CN109147282A (zh) * | 2018-07-03 | 2019-01-04 | 华南农业大学 | 一种智能稻田虫害等级预报系统和预报方法 |
CN109002853A (zh) * | 2018-07-18 | 2018-12-14 | 宁夏智启连山科技有限公司 | 农作物种类与病虫害类型的联合识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109726700A (zh) | 2019-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109726700B (zh) | 一种基于多特征的虫害识别预警方法和装置 | |
Chen et al. | An AIoT based smart agricultural system for pests detection | |
Chamoso et al. | UAVs applied to the counting and monitoring of animals | |
CN106844614A (zh) | 一种户型图功能区域快速识别系统 | |
CN113920474B (zh) | 一种智能监管柑橘种植态势的物联网系统及方法 | |
CN111767802B (zh) | 一种对象异常状态的检测方法和装置 | |
CN103489006A (zh) | 一种基于计算机视觉的水稻病虫草害诊断方法 | |
CN108829762A (zh) | 基于视觉的小目标识别方法和装置 | |
CN114723667A (zh) | 一种农业精细化种植及灾害预防控制系统 | |
WO2019133973A1 (en) | Crop health sensing system | |
CN114460080A (zh) | 一种水稻病虫智能监控系统 | |
CN114818909A (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
CN112116206A (zh) | 一种基于大数据的智慧农业系统 | |
CN115601585A (zh) | 基于图片分析的农业病虫害诊断方法及装置 | |
CN108064745A (zh) | 动物嚎叫监测系统以及基于机器学习的嚎叫状态识别方法 | |
Gai et al. | Cherry detection algorithm based on improved YOLOv5s network | |
CN112580671A (zh) | 一种基于深度学习的稻穗多发育期自动检测方法及系统 | |
CN116300608A (zh) | 一种基于大数据的智慧农业远程监控系统 | |
Araneta et al. | Controlled Environment for Spinach Cultured Plant with Health Analysis using Machine Learning | |
Mazare et al. | Pests detection system for agricultural crops using intelligent image analysis | |
Fang et al. | Classification system study of soybean leaf disease based on deep learning | |
FAISAL | A pest monitoring system for agriculture using deep learning | |
CN112580610A (zh) | 一种基于全卷积神经网络的香蕉枯萎病遥感快速检测方法 | |
CN112164041A (zh) | 基于多尺度深度神经网络的黄龙病自动诊疗系统及方法 | |
CN111507314A (zh) | 虫害控制设施人工智能影像数据采集系统 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210519 Address after: Room 017, building B, block 1, Gaonong biological park headquarters, 888 Gaoxin Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000 Applicant after: Wuhan Ainong Yunlian Technology Co., Ltd Address before: 430223 floor 9-1, building 6, No.18 huashiyuan North Road, Donghu New Technology Development Zone, Wuhan City, Hubei Province Applicant before: WUHAN NANBO NETWORK TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |