CN109784239A - 飞虫数量识别方法和装置 - Google Patents
飞虫数量识别方法和装置 Download PDFInfo
- Publication number
- CN109784239A CN109784239A CN201811643649.XA CN201811643649A CN109784239A CN 109784239 A CN109784239 A CN 109784239A CN 201811643649 A CN201811643649 A CN 201811643649A CN 109784239 A CN109784239 A CN 109784239A
- Authority
- CN
- China
- Prior art keywords
- image
- winged insect
- type
- recognition unit
- recognition
- 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
Landscapes
- Catching Or Destruction (AREA)
Abstract
本发明公开了一种飞虫数量识别方法和装置。该方法包括:获取待识别区域中的识别单元的图像;使用预先训练好的图像识别模型对识别单元的图像进行分析,得到识别单元的图像中飞虫的数量,其中,预先训练好的图像识别模型是使用多组数据通过机器学习训练得到的,多组数据中的每组数据至少包括图像和图像中包含的飞虫数量;将每个识别单元中的飞虫的数量求和,得到待识别区域的飞虫总数量。通过本发明,达到了提高虫害监测效率的效果。
Description
技术领域
本发明涉及目标检测领域,具体而言,涉及一种飞虫数量识别方法和装置。
背景技术
有害生物监测是商用有害生物防治工作中的一项重要的基础工作,具体指对有害生物的种类、数量、分布变化等资料进行整理分析,并对结果进行解释和反馈。
有害生物不仅可以直接通过叮咬和污染食物,危害人类的正常生活,更可以通过多种途径传播一系列传染病,造成更大范围的。常见的有害生物包括苍蝇、蚊子、老鼠、蟑螂等。
在商用有害生物防治领域,餐饮、酒店业从业者,以及制造工厂、食品加工厂等大型园区场所的管理人员,为保障生产场所的物资设施和食品安全,聘请专业的防治公司实施有害生物防治业务。
防治公司在开展防治工作的同时,为了评估实施的手段是否有效,需要长期、连续地收集鼠类、蚊类、蝇类和蟑螂等生物的出没和抓捕情况,对其种类、数量、密度、分布等变化等资料进行整理分析。对于餐饮、酒店业等企业而言,也需要应用有害生物监测数据来评估有害生物对生产和营业环境的影响,以便于及时调整生产和营业计划。
有害生物监测活动中,虫害监测工作主要包括蚊子、苍蝇、飞蛾等。苍蝇属于杂食性蝇类,以人的食物、人和畜禽的分泌物和排泄物、厨房残渣和其他垃圾以及植物的液汁等为食,常见的品种有家蝇、大头金蝇、丝光绿蝇、丽蝇、麻蝇等;蚊子的种类包括按蚊、伊蚊和库蚊等,通常雌性以血液作为食物,传播的疾病达80多种之多。
虫害监测在实际工作中,不仅需要耗费虫害防治员的时间精力来精确计数,还需要人员具备一定的昆虫知识,以识别特殊的飞虫种类,避免出现由于忽视了高危险级别的昆虫的存在,而造成环境卫生面临威胁、人员健康状况处在危险之下的情况发生。
目前有害生物监测主要通过虫害防治员在实施现场手动鉴别与计数。蚊蝇和飞虫的密度监测使用诱蚊灯、粘蚊板等,经过一定的时间取出,由虫害防治员手动鉴定种类,以及计数;蟑螂密度监测使用粘蟑纸或蟑螂屋。经过一定的时间清点蟑螂的捕获数量。
以上的工作中,测量蚊蝇等飞虫的虫害时存在人为计数耗费时间、准确度不保证,飞虫种类较多而难以辨别齐全的问题,尤其在虫害防治员的从业时间较短,不具备完备的昆虫知识储备时,难以辨别出特定飞虫的种类,可能就导致最终采取错误的除虫措施,无法达到消除虫害的目的。而且手动记录的数据需要经过后续处理和分析才能用于虫害评估,分析结果不能即时呈现。
针对相关技术中虫害监测效率低的问题,目前尚未提出有效的解决方案。
发明内容
本发明的主要目的在于提供一种飞虫数量识别方法和装置,以解决相关技术中虫害监测效率低的问题。
为了实现上述目的,根据本发明的一个方面,提供了一种飞虫数量识别方法,该方法包括:获取待识别区域中的识别单元的图像;使用预先训练好的图像识别模型对所述识别单元的图像进行分析,得到所述识别单元的图像中飞虫的数量,其中,所述预先训练好的图像识别模型是使用多组数据通过机器学习训练得到的,所述多组数据中的每组数据至少包括图像和图像中包含的飞虫数量;将每个所述识别单元中的飞虫的数量求和,得到所述待识别区域的飞虫总数量。
进一步地,所述多组数据中的每组数据还包括图像和图像中包含的飞虫种类,所述方法还包括:使用预先训练好的图像识别模型对所述识别单元的图像进行分析,得到所述识别单元的图像中飞虫的种类和每个种类对应的数量;按照种类对每个所述识别单元中的飞虫的数量求和,得到所述待识别区域的飞虫种类和每个种类对应的数量。
进一步地,在得到所述识别单元的图像中飞虫的种类和每个种类对应的数量之后,所述方法还包括:用不同颜色标记所述识别单元的图像中不同种类的飞虫。
进一步地,使用预先训练好的图像识别模型对所述识别单元的图像进行分析,得到所述识别单元的图像中飞虫的种类包括:使用预先训练好的图像识别模型对所述识别单元的图像进行分析,得到所述识别单元的图像中飞虫属于预设的种类集合中每个种类的概率;将概率最大值对应的种类作为所述识别单元的图像中飞虫的种类。
进一步地,在得到所述待识别区域的飞虫种类和每个种类对应的数量之后,所述方法还包括:获取待识别区域中飞虫的采集时间;根据所述采集时间和每个飞虫种类对应的数量计算每个飞虫种类在预设时间段内的虫害密度。
进一步地,在使用预先训练好的图像识别模型对所述识别单元的图像进行分析,得到所述识别单元的图像中飞虫的数量之前,所述方法还包括:采集预设数量的飞虫图像样本,其中,每组飞虫图像样本都包括图像和图像中包含的飞虫数量;基于所述预设数量的飞虫图像样本对图像识别模型进行模型训练,得到训练好的图像识别模型。
为了实现上述目的,根据本发明的另一方面,还提供了一种飞虫数量识别装置,该装置包括:获取单元,用于获取待识别区域中的识别单元的图像;第一模型处理单元,用于使用预先训练好的图像识别模型对所述识别单元的图像进行分析,得到所述识别单元的图像中飞虫的数量,其中,所述预先训练好的图像识别模型是使用多组数据通过机器学习训练得到的,所述多组数据中的每组数据至少包括图像和图像中包含的飞虫数量;第一求和单元,用于将每个所述识别单元中的飞虫的数量求和,得到所述待识别区域的飞虫总数量。
进一步地,所述多组数据中的每组数据还包括图像和图像中包含的飞虫种类,所述装置还包括:第二模型处理单元,用于使用预先训练好的图像识别模型对所述识别单元的图像进行分析,得到所述识别单元的图像中飞虫的种类和每个种类对应的数量;第二求和单元,用于按照种类对每个所述识别单元中的飞虫的数量求和,得到所述待识别区域的飞虫种类和每个种类对应的数量。
为了实现上述目的,根据本发明的另一方面,还提供了一种存储介质,包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行本发明所述的飞虫数量识别方法。
为了实现上述目的,根据本发明的另一方面,还提供了一种处理器,用于运行程序,其中,所述程序运行时执行本发明所述的飞虫数量识别方法。
本发明通过获取待识别区域中的识别单元的图像;使用预先训练好的图像识别模型对识别单元的图像进行分析,得到识别单元的图像中飞虫的数量,其中,预先训练好的图像识别模型是使用多组数据通过机器学习训练得到的,多组数据中的每组数据至少包括图像和图像中包含的飞虫数量;将每个识别单元中的飞虫的数量求和,得到待识别区域的飞虫总数量,解决了相关技术中虫害监测效率低的问题,进而达到了提高虫害监测效率的效果。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的飞虫数量识别方法的流程图;
图2是本发明实施例的蚊蝇识别过程示意图;
图3是本发明实施例的蚊蝇检测算法的示意图;
图4是根据本发明实施例的飞虫数量识别装置的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于描述,以下对本申请实施例涉及的几个术语进行说明:
CNN:卷积神经网络。
YOLO:一种基于CNN的目标检测算法。
本发明实施例提供了一种飞虫数量识别方法。
图1是根据本发明实施例的飞虫数量识别方法的流程图,如图1所示,该方法包括以下步骤:
步骤S102:获取待识别区域中的识别单元的图像;
步骤S104:使用预先训练好的图像识别模型对识别单元的图像进行分析,得到识别单元的图像中飞虫的数量,其中,预先训练好的图像识别模型是使用多组数据通过机器学习训练得到的,多组数据中的每组数据至少包括图像和图像中包含的飞虫数量;
步骤S106:将每个识别单元中的飞虫的数量求和,得到待识别区域的飞虫总数量。
该实施例采用获取待识别区域中的识别单元的图像;使用预先训练好的图像识别模型对识别单元的图像进行分析,得到识别单元的图像中飞虫的数量,其中,预先训练好的图像识别模型是使用多组数据通过机器学习训练得到的,多组数据中的每组数据至少包括图像和图像中包含的飞虫数量;将每个识别单元中的飞虫的数量求和,得到待识别区域的飞虫总数量,解决了相关技术中虫害监测效率低的问题,进而达到了提高虫害监测效率的效果。
在本发明实施例中,待识别区域可以是专门布置的用于粘蚊板,可以粘住许多小型的飞虫,为了数据准确,粘蚊板通常需要具有一定的尺寸,不能太小,而整个粘蚊板上可能粘有一定数量的各类飞虫,在这种情况下,可以将大尺寸的粘蚊板的图像进行分割,分割成一个一个大小相同的识别单元,需要说明的是,识别单元的划分可以是在机器识别之前先划分成多个识别单元,也可以是直接将待识别区域的整体图像进行机器识别,由机器在识别时进行识别单元的划分。每个识别单元的图像在进行模型识别时,可以仅得到识别单元图像中的飞虫数量,在一些情况下,也可以通过图像识别模型同时得到数量和种类,这取决于图像识别模型建立时的训练样本是否包含飞虫种类,在对每个识别单元中的飞虫数量识别出来之后,将所有的识别单元中的飞虫数量求和,得到待识别区域中的飞虫总数量,飞虫总数量可以作为该区域的飞虫数量的参考,相比于人工计算,本发明实施例的技术方案能够更加快速精确的计算出飞虫数量。
可选地,多组数据中的每组数据还包括图像和图像中包含的飞虫种类,使用预先训练好的图像识别模型对识别单元的图像进行分析,得到识别单元的图像中飞虫的种类和每个种类对应的数量;按照种类对每个识别单元中的飞虫的数量求和,得到待识别区域的飞虫种类和每个种类对应的数量。
如果模型训练时样本数据包括了图像和图像中包含的飞虫种类,则可以在模型识别时,识别出每种飞虫的种类,然后按照种类单独计算数量,得到对应于每个种类的数量,在进行种类计量时,可以将每一种飞虫单独计算,实际操作时,更方便的方法是将主要的飞虫种类单独计算,对于体积小形态不易识别的种类归为同一类“其他飞虫”,对这一类整体计数。
可选地,在得到识别单元的图像中飞虫的种类和每个种类对应的数量之后,用不同颜色标记识别单元的图像中不同种类的飞虫。
在识别出图像中的每个飞虫种类后,可以通过不同颜色标记识别出的不同种类的飞虫,例如用红色标记蚊子,用绿色标记苍蝇等,通过不同颜色的标记可以使用户更方便了解每种飞虫的分布情况。
可选地,使用预先训练好的图像识别模型对识别单元的图像进行分析,得到识别单元的图像中飞虫的种类包括:使用预先训练好的图像识别模型对识别单元的图像进行分析,得到识别单元的图像中飞虫属于预设的种类集合中每个种类的概率;将概率最大值对应的种类作为识别单元的图像中飞虫的种类。
在通过模型进行图像中的飞虫种类识别时,可能得到的结果是该飞虫可能属于预设种类集合中每个种类的概率,例如,属于蚊子的概率是0.9,属于苍蝇的概率是0.07,属于飞蛾的概率是0.03,这种情况下,即判断该飞虫属于蚊子。
可选地,在得到待识别区域的飞虫种类和每个种类对应的数量之后,获取待识别区域中飞虫的采集时间;根据采集时间和每个飞虫种类对应的数量计算每个飞虫种类在预设时间段内的虫害密度。
在待识别区域的飞虫种类和数量都识别出之后,可以计算出某一区域在某一时间段的虫害密度,例如,可以通过公式:虫害密度(只/小时)=捕获昆虫总数/部署粘蚊板的时长(采集时间),可以连续计算一段时间内的虫害密度,将计算结果以图表等形式展示出来,用户可以看到该区域的飞虫种类和数量的变化趋势,还可以将分析结果传送至手机应用程序,相关工作人员可从应用程序的数据仪表盘上即时查看分析结果,也能方便地结合该区域的历史数据,对虫害防治措施的有效性进行综合评估。
可选地,在使用预先训练好的图像识别模型对识别单元的图像进行分析,得到识别单元的图像中飞虫的数量之前,采集预设数量的飞虫图像样本,其中,每组飞虫图像样本都包括图像和图像中包含的飞虫数量;基于预设数量的飞虫图像样本对图像识别模型进行模型训练,得到训练好的图像识别模型。
在使用训练好的模型之前,需要进行模型训练,需要采集一定数量的图像样本数据,每组数据都包含了图像和该图像中包含的飞虫数量,基于一定数量的样本对图像识别模型进行训练和调试,可以得到训练好的符合一定精度的图像识别模型。
本发明实施例还提供了一种优选实施方式,下面结合该优选实施方式对本发明实施例的技术方案进行说明。
本发明实施例的技术方案可以作为一种昆虫种类和数量自动识别的方法,能够解决蚊蝇等飞虫的种类及数量的自动识别问题,该方法包括以下步骤:
数据采集步骤:
在实施现场部署粘蚊板,经过一定的时间,将集蚊设备取出,使用电子摄影设备,对粘蚊板进行拍摄,获得粘蚊板和飞虫图像素材,并通过联网的方式上传图像素材到服务器端,用于下一步的分析计算,电子摄影设备可以预先设置好位置和拍摄参数等,拍摄过程和上传过程可以自动执行。
蚊蝇识别步骤:在服务器端,应用图像识别技术,对采集的静态图像中的昆虫图像进行鉴别分析。应用图像识别技术,识别苍蝇、蚊子等已知品种的昆虫,在图像上用不同的颜色作出标记。可识别虫害种类包括苍蝇、蚊子、飞蛾等,其他体积较小或是形态不易识别种类的昆虫归为“其他飞虫”,并对各个类别的昆虫计数。
指标计算步骤:根据已分类的飞虫捕获种类和数量情况,汇总计算某一区域在某一时间段的虫害密度。
具体计算方法为:
虫害密度(只/小时)=捕获昆虫总数/部署粘蚊板的时长,
计算结果以图表的形式,展示某一时间段内的虫害密度,变化趋势,将分析结果传送至手机应用程序,相关工作人员可从应用程序的数据仪表盘上即时查看分析结果,也能方便地结合该区域的历史数据,对虫害防治措施的有效性进行综合评估。
其中,蚊蝇识别步骤是最复杂和重要的。图2是本发明实施例的蚊蝇识别过程示意图,如图2所示,这一步包含两个子步骤:矩形单元提取和蚊蝇检测。
矩形单元提取子步骤:粘蚊板上一般用矩形框划分为若干个单元,将各个矩形框部分的图像单独提取,可以方便后续处理。算法基于边缘检测实现,该步骤首先将彩色图片转为黑白图片,该黑白图片可看做一个矩阵,矩阵中每个数字为图片的一个像素值,范围0-1,0为全黑色,1为全白色,然后使用Sobel算子作用于该矩阵,得到的图片即是检测到的边缘,之后对检测到的边缘进一步处理,使之更清晰,之后通过形态学方法,可定位到图片中的矩形框。
Sobel算子的具体运算方法如下,黑白图像矩阵中第i行j列的元素周围的8个像素值分别记为a0-a7,对应关系为:
则计算结果中第i行j列的像素值计算公式如下:
Sx=(a2+2a3+a4)-(a0+2a7+a6)
Sy(α0+2a1+a2)-(a6+2a5+a4)
蚊蝇检测子步骤:上一步提取出的矩形单元是此步骤的输入,输出为矩形单元中蚊蝇的位置、每只蚊蝇的类别、蚊蝇数量,该步骤使用基于卷积神经网络(CNN)的算法实现。YOLO是基于CNN的一种目标检测算法,本发明实施例的算法是在其基础上改进的,图3是本发明实施例的蚊蝇检测算法的示意图,其中B=2,N=3,如图3所示,一个矩形单元的图片被分为7x7的网格,假设根据经验,认为每个格子最多有B个蚊虫,将矩形单元图片作为一个大型CNN的输入,输出为7x7xBx5个数字,即每个网格对应Bx5个输出数字,这5个数字分别记为x y w h c,称为一组数字,每组数字对应着一个蚊蝇,x和y表示该蚊蝇的检测框中心相对于格子左上角的坐标,w和h表示检测框的宽度和高度,c表示该检测框中包含蚊蝇的概率。在使用时,人为设定c的阈值Cmin,当算法输出的c大于Cmin时,则认为该检测框中包含蚊蝇,称该检测框为有效检测框,反之则不包含蚊蝇,称为无效检测框。
至此得到了蚊蝇的位置,假设蚊蝇的种类共有N种,将单个有效检测框作为另一个CNN的输入,输出为N个0到1的数字,每个数字都对应着该检测框中蚊蝇属于特定种类蚊蝇的概率,在N个数字中取最大值,就得到的该检测框中蚊蝇的种类。
需要注意的是,蚊蝇检测算法不局限于YOLO,在后续的产品开发中可能使用多种基于CNN的算法,都在本发明的保护范围之内。
需要说明的是,对于飞虫捕获的装置,可以使用粘蚊灯作为替代,虫害防治人员可使用一张白纸,将飞虫抖落至白纸上并拍照上传,同样可以使用本方法进行虫害密度的计数。图像采集的方式可以通过高精度的摄像头远程捕捉并截取图像,替代人工拍照的步骤,对于蚊蝇检测算法,学术界公开的算法很多,包括SSD、FastRCNN等,专业人员很容易通过在这些算法的基础上修改,替换原有的算法,对于其他虫害(蟑螂、臭虫、白蚁等)也可以使用本方法予以计算虫害密度。虫害防治的使用场所不限于餐饮业、酒店业、工厂园区等场景,也使用于学校、实验室、医院等室内外对于环境卫生有要求的场所。
本发明实施例的技术方案可以在虫害防治工作中,应用图像识别技术进行蚊蝇及其他飞虫的识别和计数的功能的保护,能够减少人工肉眼统计带来的数据偏差,加快数据处理和分析过程,提高虫害防治人员的业务执行效率,通过应用数字化的技术,自动识别蚊蝇种类和数量,提升蚊蝇识别的效率以及准确率,从而更全面、更及时地反映所处环境的虫害情况,提升虫害防治工作的有效性,最终提升对关键设施免于虫害侵袭的保护。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本发明实施例提供了一种飞虫数量识别装置,该装置可以用于执行本发明实施例的飞虫数量识别方法。
图4是根据本发明实施例的飞虫数量识别装置的示意图,如图4所示,该装置包括:
获取单元10,用于获取待识别区域中的识别单元的图像;
第一模型处理单元20,用于使用预先训练好的图像识别模型对识别单元的图像进行分析,得到识别单元的图像中飞虫的数量,其中,预先训练好的图像识别模型是使用多组数据通过机器学习训练得到的,多组数据中的每组数据至少包括图像和图像中包含的飞虫数量;
第一求和单元30,用于将每个识别单元中的飞虫的数量求和,得到待识别区域的飞虫总数量。
该实施例采用获取单元10,用于获取待识别区域中的识别单元的图像;第一模型处理单元20,用于使用预先训练好的图像识别模型对识别单元的图像进行分析,得到识别单元的图像中飞虫的数量,其中,预先训练好的图像识别模型是使用多组数据通过机器学习训练得到的,多组数据中的每组数据至少包括图像和图像中包含的飞虫数量;第一求和单元30,用于将每个识别单元中的飞虫的数量求和,得到待识别区域的飞虫总数量,从而解决了相关技术中虫害监测效率低的问题,进而达到了提高虫害监测效率的效果。
可选地,多组数据中的每组数据还包括图像和图像中包含的飞虫种类,该装置还包括:第二模型处理单元,用于使用预先训练好的图像识别模型对识别单元的图像进行分析,得到识别单元的图像中飞虫的种类和每个种类对应的数量;第二求和单元,用于按照种类对每个识别单元中的飞虫的数量求和,得到待识别区域的飞虫种类和每个种类对应的数量。
所述飞虫数量识别装置包括处理器和存储器,上述获取单元、第一模型处理单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来提高虫害监测效率。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现所述飞虫数量识别方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述飞虫数量识别方法。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:获取待识别区域中的识别单元的图像;使用预先训练好的图像识别模型对识别单元的图像进行分析,得到识别单元的图像中飞虫的数量,其中,预先训练好的图像识别模型是使用多组数据通过机器学习训练得到的,多组数据中的每组数据至少包括图像和图像中包含的飞虫数量;将每个识别单元中的飞虫的数量求和,得到待识别区域的飞虫总数量。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:获取待识别区域中的识别单元的图像;使用预先训练好的图像识别模型对识别单元的图像进行分析,得到识别单元的图像中飞虫的数量,其中,预先训练好的图像识别模型是使用多组数据通过机器学习训练得到的,多组数据中的每组数据至少包括图像和图像中包含的飞虫数量;将每个识别单元中的飞虫的数量求和,得到待识别区域的飞虫总数量。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种飞虫数量识别方法,其特征在于,包括:
获取待识别区域中的识别单元的图像;
使用预先训练好的图像识别模型对所述识别单元的图像进行分析,得到所述识别单元的图像中飞虫的数量,其中,所述预先训练好的图像识别模型是使用多组数据通过机器学习训练得到的,所述多组数据中的每组数据至少包括图像和图像中包含的飞虫数量;
将每个所述识别单元中的飞虫的数量求和,得到所述待识别区域的飞虫总数量。
2.根据权利要求1所述的方法,其特征在于,所述多组数据中的每组数据还包括图像和图像中包含的飞虫种类,所述方法还包括:
使用预先训练好的图像识别模型对所述识别单元的图像进行分析,得到所述识别单元的图像中飞虫的种类和每个种类对应的数量;
按照种类对每个所述识别单元中的飞虫的数量求和,得到所述待识别区域的飞虫种类和每个种类对应的数量。
3.根据权利要求2所述的方法,其特征在于,在得到所述识别单元的图像中飞虫的种类和每个种类对应的数量之后,所述方法还包括:
用不同颜色标记所述识别单元的图像中不同种类的飞虫。
4.根据权利要求2所述的方法,其特征在于,使用预先训练好的图像识别模型对所述识别单元的图像进行分析,得到所述识别单元的图像中飞虫的种类包括:
使用预先训练好的图像识别模型对所述识别单元的图像进行分析,得到所述识别单元的图像中飞虫属于预设的种类集合中每个种类的概率;
将概率最大值对应的种类作为所述识别单元的图像中飞虫的种类。
5.根据权利要求1所述的方法,其特征在于,在得到所述待识别区域的飞虫种类和每个种类对应的数量之后,所述方法还包括:
获取待识别区域中飞虫的采集时间;
根据所述采集时间和每个飞虫种类对应的数量计算每个飞虫种类在预设时间段内的虫害密度。
6.根据权利要求1所述的方法,其特征在于,在使用预先训练好的图像识别模型对所述识别单元的图像进行分析,得到所述识别单元的图像中飞虫的数量之前,所述方法还包括:
采集预设数量的飞虫图像样本,其中,每组飞虫图像样本都包括图像和图像中包含的飞虫数量;
基于所述预设数量的飞虫图像样本对图像识别模型进行模型训练,得到训练好的图像识别模型。
7.一种飞虫数量识别装置,其特征在于,包括:
获取单元,用于获取待识别区域中的识别单元的图像;
第一模型处理单元,用于使用预先训练好的图像识别模型对所述识别单元的图像进行分析,得到所述识别单元的图像中飞虫的数量,其中,所述预先训练好的图像识别模型是使用多组数据通过机器学习训练得到的,所述多组数据中的每组数据至少包括图像和图像中包含的飞虫数量;
第一求和单元,用于将每个所述识别单元中的飞虫的数量求和,得到所述待识别区域的飞虫总数量。
8.根据权利要求7所述的装置,其特征在于,所述多组数据中的每组数据还包括图像和图像中包含的飞虫种类,所述装置还包括:
第二模型处理单元,用于使用预先训练好的图像识别模型对所述识别单元的图像进行分析,得到所述识别单元的图像中飞虫的种类和每个种类对应的数量;
第二求和单元,用于按照种类对每个所述识别单元中的飞虫的数量求和,得到所述待识别区域的飞虫种类和每个种类对应的数量。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至6中任意一项所述的飞虫数量识别方法。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至6中任意一项所述的飞虫数量识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811643649.XA CN109784239A (zh) | 2018-12-29 | 2018-12-29 | 飞虫数量识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811643649.XA CN109784239A (zh) | 2018-12-29 | 2018-12-29 | 飞虫数量识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109784239A true CN109784239A (zh) | 2019-05-21 |
Family
ID=66499588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811643649.XA Pending CN109784239A (zh) | 2018-12-29 | 2018-12-29 | 飞虫数量识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784239A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363754A (zh) * | 2019-07-16 | 2019-10-22 | 上海秒针网络科技有限公司 | 灭蚊灯调节方法和装置、存储介质及电子装置 |
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 |
TWI793953B (zh) * | 2022-01-03 | 2023-02-21 | 逢甲大學 | 智能小黑蚊監測管理系統 |
WO2023203993A1 (ja) * | 2022-04-22 | 2023-10-26 | 日本農薬株式会社 | 害虫の検査のためのプログラム及びサーバ |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930249A (zh) * | 2012-10-23 | 2013-02-13 | 四川农业大学 | 基于颜色和模型的农田害虫识别和计数方法 |
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 |
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 |
CN106940789A (zh) * | 2017-03-10 | 2017-07-11 | 广东数相智能科技有限公司 | 一种基于视频识别的数量统计的方法、系统及装置 |
CN107292314A (zh) * | 2016-03-30 | 2017-10-24 | 浙江工商大学 | 一种基于cnn的鳞翅目昆虫种类自动鉴别方法 |
CN107346424A (zh) * | 2017-06-30 | 2017-11-14 | 成都东谷利农农业科技有限公司 | 灯诱昆虫识别计数方法及系统 |
CN107463958A (zh) * | 2017-08-04 | 2017-12-12 | 成都东谷利农农业科技有限公司 | 昆虫识别预警方法及系统 |
CN107578050A (zh) * | 2017-09-13 | 2018-01-12 | 浙江理工大学 | 水稻茎基部飞虱种类及其虫态的自动分类识别方法 |
CN108875825A (zh) * | 2018-06-12 | 2018-11-23 | 河南工业大学 | 一种基于图像分块的粮仓害虫检测方法 |
-
2018
- 2018-12-29 CN CN201811643649.XA patent/CN109784239A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930249A (zh) * | 2012-10-23 | 2013-02-13 | 四川农业大学 | 基于颜色和模型的农田害虫识别和计数方法 |
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 |
CN107292314A (zh) * | 2016-03-30 | 2017-10-24 | 浙江工商大学 | 一种基于cnn的鳞翅目昆虫种类自动鉴别方法 |
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 |
CN106940789A (zh) * | 2017-03-10 | 2017-07-11 | 广东数相智能科技有限公司 | 一种基于视频识别的数量统计的方法、系统及装置 |
CN107346424A (zh) * | 2017-06-30 | 2017-11-14 | 成都东谷利农农业科技有限公司 | 灯诱昆虫识别计数方法及系统 |
CN107463958A (zh) * | 2017-08-04 | 2017-12-12 | 成都东谷利农农业科技有限公司 | 昆虫识别预警方法及系统 |
CN107578050A (zh) * | 2017-09-13 | 2018-01-12 | 浙江理工大学 | 水稻茎基部飞虱种类及其虫态的自动分类识别方法 |
CN108875825A (zh) * | 2018-06-12 | 2018-11-23 | 河南工业大学 | 一种基于图像分块的粮仓害虫检测方法 |
Non-Patent Citations (1)
Title |
---|
汪玺主编: "《天然草原植被恢复与草地畜牧现代化技术》", 30 November 2004 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110363754A (zh) * | 2019-07-16 | 2019-10-22 | 上海秒针网络科技有限公司 | 灭蚊灯调节方法和装置、存储介质及电子装置 |
TWI793953B (zh) * | 2022-01-03 | 2023-02-21 | 逢甲大學 | 智能小黑蚊監測管理系統 |
WO2023203993A1 (ja) * | 2022-04-22 | 2023-10-26 | 日本農薬株式会社 | 害虫の検査のためのプログラム及びサーバ |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784239A (zh) | 飞虫数量识别方法和装置 | |
Preti et al. | Insect pest monitoring with camera-equipped traps: strengths and limitations | |
Ampatzidis et al. | Agroview: Cloud-based application to process, analyze and visualize UAV-collected data for precision agriculture applications utilizing artificial intelligence | |
Liao et al. | On precisely relating the growth of Phalaenopsis leaves to greenhouse environmental factors by using an IoT-based monitoring system | |
Miranda et al. | Pest detection and extraction using image processing techniques | |
Balch et al. | Automatically tracking and analyzing the behavior of live insect colonies | |
Dyrmann et al. | Pixel-wise classification of weeds and crops in images by using a fully convolutional neural network | |
US11397837B2 (en) | Systems and methods for pest forecasting using historical pesticide usage information | |
Groom et al. | Using object-based analysis of image data to count birds: mapping of Lesser Flamingos at Kamfers Dam, Northern Cape, South Africa | |
CN106332855A (zh) | 一种病虫害自动预警系统 | |
Estep et al. | Estimation of dispersal distances of Culex erraticus in a focus of eastern equine encephalitis virus in the southeastern United States | |
CN109344738A (zh) | 农作物病虫草害识别方法及装置 | |
Rong et al. | Pest Identification and Counting of Yellow Plate in Field Based on Improved Mask R‐CNN | |
CN110245604B (zh) | 基于卷积神经网络的蚊虫识别方法 | |
Diller et al. | A real-time remote surveillance system for fruit flies of economic importance: sensitivity and image analysis | |
CN113379769A (zh) | 一种农作物病虫害智能防御平台 | |
CN108829762A (zh) | 基于视觉的小目标识别方法和装置 | |
Rajasekaran et al. | Turmeric plant diseases detection and classification using artificial intelligence | |
CN116030343A (zh) | 一种基于机器视觉识别的农作物病虫害监管系统 | |
Kalfas et al. | Towards automatic insect monitoring on witloof chicory fields using sticky plate image analysis | |
Demirel et al. | Artificial intelligence in integrated pest management | |
Davis et al. | Development and evaluation of an attractive self-marking ovitrap to measure dispersal and determine skip oviposition in Aedes albopictus (Diptera: Culicidae) field populations | |
Schellhorn et al. | Real-time insect detection and monitoring: Breaking barriers to area-wide integrated management of insect pests | |
Chiwamba et al. | An application of machine learning algorithms in automated identification and capturing of fall armyworm (FAW) moths in the field | |
CN111066734B (zh) | 一种红火蚁饵料田间评价方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190521 |
|
RJ01 | Rejection of invention patent application after publication |