CN110516712B - 虫害图像识别方法、虫害监控方法、装置、设备及介质 - Google Patents
虫害图像识别方法、虫害监控方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN110516712B CN110516712B CN201910707649.XA CN201910707649A CN110516712B CN 110516712 B CN110516712 B CN 110516712B CN 201910707649 A CN201910707649 A CN 201910707649A CN 110516712 B CN110516712 B CN 110516712B
- Authority
- CN
- China
- Prior art keywords
- image
- classified
- information
- pest
- classification
- 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 238
- 241000238631 Hexapoda Species 0.000 title claims abstract description 170
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 238000012806 monitoring device Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 76
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 12
- 241000894007 species Species 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 abstract description 4
- 230000002265 prevention Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 230000009683 detection of insect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Animal Husbandry (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- General Business, Economics & Management (AREA)
- Marine Sciences & Fisheries (AREA)
- Economics (AREA)
- Agronomy & Crop Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种虫害图像识别方法、装置、计算机设备及存储介质,在获取待识别虫害图像之后,将所述待识别虫害图像输入到预设的种类识别模型中进行识别,得到所述待识别虫害图像的种类信息;根据所述种类信息对所述待识别虫害图像进行图像划分,得到分类图像和每一所述分类图像的种类信息;将每一所述分类图像输入到所述种类信息对应的虫龄识别模型中,得到虫龄信息。通过多个不同的模型对待识别虫害图像进行多层次的识别和图像分割,得到虫害相关的信息,保证了更加精准和有效地识别,为后续地虫情预测和防治提供了有效的支持。另外地,本发明还公开了一种虫害监控方法、装置、计算机设备及存储介质。
Description
技术领域
本发明涉及图像识别领域,尤其涉及一种虫害图像识别方法、虫害监控方法、装置、设备及介质。
背景技术
随着计算机技术地不断发展,特别是涉及机器学习技术的兴起,越来越多的应用领域中都开始利用了机器学习技术来帮助人们决策、代替重复性工作、减少人工劳动力和成本。我国是农业大国,在科技创新的不断推动下,我国农业向现代化、信息化农业转变取得显著成效。而在农业发展过程中,虫害的侵袭是影响较大的因素,目前对于虫害的检测主要集中在利用光谱技术和计算机视觉技术实现对虫虫害情的分析和预测。然而,目前的检测手段普遍效率不高。
发明内容
本发明实施例一方面提供一种虫害图像识别方法、装置、计算机设备及存储介质,以解决对虫害图像识别效率不高的问题。
本发明实施例另一方面提供一种虫害监控方法、装置、计算机设备及存储介质,以解决对虫害监测不够精确的问题。
本发明实施例第一方面,提供一种虫害图像识别方法,包括:
获取待识别虫害图像,将所述待识别虫害图像输入到预设的种类识别模型中进行识别,得到所述待识别虫害图像的种类信息;
根据所述种类信息对所述待识别虫害图像进行图像划分,得到分类图像和每一所述分类图像的种类信息;
将每一所述分类图像输入到所述种类信息对应的虫龄识别模型中,得到虫龄信息。
本发明实施例第二方面,提供一种虫害监控方法,包括:
获取待识别图像集,所述待识别图像集包括至少一幅待识别虫害图像;
采用上述虫害图像识别方法对所述待识别图像集中的待识别虫害图像进行识别,得到分类图像和每一所述分类图像的识别信息,所述识别信息包括种类信息和虫龄信息;
对所述分类图像和对应的识别信息进行统计,得到所述待识别图像集的虫情信息。
本发明实施例第三方面,提供一种虫害图像识别装置,包括:
待识别虫害图像获取模块,用于获取待识别虫害图像,将所述待识别虫害图像输入到预设的种类识别模型中进行识别,得到所述待识别虫害图像的种类信息;
图像划分模块,用于根据所述种类信息对所述待识别虫害图像进行图像划分,得到分类图像和每一所述分类图像的种类信息;
虫龄信息识别模块,用于将每一所述分类图像输入到所述种类信息对应的虫龄识别模型中,得到虫龄信息。
本发明实施例第四方面,提供一种虫害图像识别装置,包括:
图像集获取模块,用于获取待识别图像集,所述待识别图像集包括至少一幅待识别虫害图像;
图像识别模块,用于采用上述虫害图像识别方法对所述待识别图像集中的待识别虫害图像进行识别,得到分类图像和每一所述分类图像的识别信息,所述识别信息包括种类信息和虫龄信息;
虫情信息统计模块,用于对所述分类图像和对应的识别信息进行统计,得到所述待识别图像集的虫情信息。
本发明实施例第五方面,提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述虫害图像识别方法,或者,所述处理器执行所述计算机程序时实现上述虫害监控方法。
本发明实施例第六方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述虫害图像识别方法,或者,所述计算机程序被处理器执行时实现上述虫害监控方法。
上述虫害图像识别方法、装置、计算机设备及存储介质中,在获取待识别虫害图像之后,将所述待识别虫害图像输入到预设的种类识别模型中进行识别,得到所述待识别虫害图像的种类信息;根据所述种类信息对所述待识别虫害图像进行图像划分,得到分类图像和每一所述分类图像的种类信息;将每一所述分类图像输入到所述种类信息对应的虫龄识别模型中,得到虫龄信息。通过多个不同的模型对待识别虫害图像进行多层次的识别和图像分割,得到虫害相关的信息,保证了更加精准和有效地识别,为后续地虫情预测和防治提供了有效的支持。
上述虫害监控方法、装置、计算机设备及存储介质中,在获取待识别图像集之后,所述待识别图像集包括至少一幅待识别虫害图像;采用虫害图像识别方法对所述待识别图像集中的待识别虫害图像进行识别,得到分类图像和每一所述分类图像的识别信息,所述识别信息包括种类信息和虫龄信息;对所述分类图像和对应的识别信息进行统计,得到所述待识别图像集的虫情信息。通过上述实施例中地虫害图像识别方法对待识别图像集进行识别,保证了识别的精度和效率。进一步地,对待识别图像集中的虫情信息进行统计,更直观、便捷地对虫情进行了呈现,以供后续更好地制定治理策略。
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的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中虫害图像识别方法或者虫害监控方法的一应用环境示意图;
图2是本发明一实施例中虫害图像识别方法的一流程图;
图3是本发明一实施例中虫害图像识别方法的一流程图;
图4是本发明一实施例中虫害图像识别方法的一流程图;
图5是本发明一实施例中虫害图像识别方法的一流程图;
图6是本发明一实施例中虫害监控方法的一流程图;
图7是本发明一实施例中虫害图像识别装置的一示意图;
图8是本发明一实施例中虫害图像识别装置的另一示意图;
图9是本发明一实施例中虫害监控装置的一示意图;
图10是本发明一实施例中计算机设备的一示意图。
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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动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。
本发明实施例提供的虫害图像识别方法,可应用在如图1的应用环境中,其中,客户端(计算机设备)通过网络与服务器进行通信。服务端获取待识别虫害图像,将所述待识别虫害图像输入到预设的种类识别模型中进行识别,得到所述待识别虫害图像的种类信息;根据所述种类信息对所述待识别虫害图像进行图像划分,得到分类图像和每一所述分类图像的种类信息;将每一所述分类图像输入到所述种类信息对应的虫龄识别模型中,得到虫龄信息。其中,客户端(计算机设备)可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种虫害图像识别方法,以该方法应用在图1中的服务端为例进行说明,包括如下步骤:
S21:获取待识别虫害图像,将所述待识别虫害图像输入到预设的种类识别模型中进行识别,得到所述待识别虫害图像的种类信息。
其中,待识别虫害图像为包括有虫害的待识别图像。该待识别虫害图像可以为具有图像采集功能的客户端采集的图像。示例性地,可以为虫害捕获装置中的图像采集装置实时采集的捕获的虫害的图像,然后通过网络发送至服务端。可选地,该待识别虫害图像是实时传输到服务端的,或者,该待识别虫害图像是定时发送至服务端的。
种类识别模型为预设的一个识别模型,该种类识别模型用于识别输入图像中的虫害具体是什么虫害,或者该虫害是属于哪一种类的虫害,具体可以根据应用的需要来调整样本数据而实现。该种类识别模型通过预先训练神经网络模型或者SVM分类器得到。种类信息为种类识别模型对待识别虫害图像的识别结果。可以理解地,该种类信息可以为一项或者两项以上,即待识别虫害图像中可以包括有不止一个虫害,则该种类识别模型对待识别虫害图像中的每一个虫害都进行了种类的识别。该种类信息反映了待识别虫害图像中每一虫害的种类类别。优选地,该种类信息的数量和待识别虫害图像中的虫害的数量相同。进一步地,该种类信息中还包括了待识别虫害图像中对应虫害的位置,该位置可以通过像素点信息体现。此时,该种类识别模型可以为语义图像分割模型。
S22:根据所述种类信息对所述待识别虫害图像进行图像划分,得到分类图像和每一所述分类图像的种类信息。
在得到待识别虫害图像的种类信息之后,根据种类信息对该待识别虫害图像进行图像划分。具体地,可以根据种类信息直接对待识别虫害图像进行图像划分。示例性地,若一待识别虫害图像的种类信息为A、B和C。则在该步骤中直接将待识别虫害图像划分为三幅分类图像,每一分类图像对应待识别虫害图像中每一种类信息对应的部分。
在一个具体实施方式中,在对所述待识别虫害图像进行图像划分,得到分类图像和每一所述分类图像的种类信息之后,还包括对每一分类图像进行归一化处理,即将每一分类图像进行图像尺寸的调整,将分类图像调整成统一的尺寸,可以通过预设一个标准尺寸的形式来实现。
S23:将每一所述分类图像输入到所述种类信息对应的虫龄识别模型中,得到虫龄信息。
虫龄识别模型为预设的识别模型。具体地,可以每一虫龄识别模型都对应一个种类的虫害,即为不同种类的虫害训练不同的虫龄识别模型。由于不同虫害的区别较大,通过一个识别模型识别对训练样本的样本数据要求较高,而且识别精度不好保证,因此,预先为不同种类的虫害训练不同的虫龄识别模型。在该步骤中,通过种类信息将不同的分类图像输入到对应的虫龄识别模型中进行识别,得到虫龄信息。其中,虫龄信息可以为具体的虫害年龄数值,也可以根据不同生长期进行划分,具体可以通过样本数据的标注数据来调整。
在本实施例中,在获取待识别虫害图像之后,将所述待识别虫害图像输入到预设的种类识别模型中进行识别,得到所述待识别虫害图像的种类信息;根据所述种类信息对所述待识别虫害图像进行图像划分,得到分类图像和每一所述分类图像的种类信息;将每一所述分类图像输入到所述种类信息对应的虫龄识别模型中,得到虫龄信息。通过多个不同的模型对待识别虫害图像进行多层次的识别和图像分割,得到虫害相关的信息,保证了更加精准和有效地识别,为后续的虫情预测和防治提供了有效的支持。
在一个实施例中,如图3所示,在所述根据所述种类信息对所述待识别虫害图像进行图像划分,得到分类图像和每一所述分类图像的种类信息之后,所述虫害图像识别方法还包括:
S31:若所述分类图像的种类信息为第一预设信息,则将对应的所述分类图像与预设的待分类库中的每一基准分类信息进行相似度计算,得到至少一个相似度值。
其中,第一预设信息为预设的条件信息,可以根据实际应用需要进行设定。在一个具体实施方式中,第一预设信息可以为体现为种类识别模型中未存在的虫害类型或者在种类识别模型中未匹配到一个特别合适的虫害类型的情况。可选地,将第一预设信息设置为体现种类识别模型中未识别出或者未确定的类型。
待分类库为预设的一个存储数据库,用于存储种类识别模型中未识别出的分类图像,还可以存储其他暂时没分类的虫害图像。基准分类信息为待分类库中相似图像或者同一类图像的基准信息,通过和基准分类信息进行相似度计算,可以确定分类图像是否和待分类库中的某一部分图像是属于同一种类的虫害。可选地,相似度计算可以通过相似度计算算法来实现,可选地,可以采用余弦距离算法、欧式距离算法或者皮尔逊相似度算法等进行相似度计算。
S32:若存在任一所述相似度值满足预设的相似度条件,则将所述分类图像存储至所述预设的待分类库中的目标分类集中,其中,所述目标分类集的所述基准分类信息和所述分类图像的相似度值满足预设的相似度条件。
具体地,相似度条件可以为一个具体的相似度阈值,具体的数值设定可以根据对应的相似度计算算法来确定。可选地,可以将该相似度条件设置为相似度值超过70%、80%、85%或者90%(相似度阈值)等。若存在任一个相似度值超过该相似度阈值,则将所述分类图像存储至所述预设的待分类库中的目标分类集中,所述目标分类集的所述基准分类信息和所述分类图像的相似度值满足预设的相似度条件。
在一个具体实施方式中,若不存在所述相似度值满足预设的相似度条件,则根据所述分类图像建立待选分类集。即为该分类图像建立一个新的集合,并且,为该待选分类集确定一个基准分类信息,该基准分类信息可以为将该待选分类集中的分类图像进行向量转化后的向量信息。
在本实施例中,若所述分类图像的种类信息为第一预设信息,则将对应的所述分类图像与预设的待分类库中的每一基准分类信息进行相似度计算,得到至少一个相似度值;若存在任一所述相似度值满足预设的相似度条件,则将所述分类图像存储至所述预设的待分类库中的目标分类集中,其中,所述目标分类集的所述基准分类信息和所述分类图像的相似度值满足预设的相似度条件。通过待分类库进一步辅助确定分类图像的种类信息,也为后续增加的虫害新种类的模型识别提供样本数据。
在一个实施例中,如图4所示,在所述将对应的所述分类图像与预设的待分类库中的每一基准分类信息进行相似度计算之前,所述虫害图像识别方法还包括:
S41:根据预设的触发条件对所述待分类库中的待分类图像进行归类,得到至少一个分类集合。
该触发条件可以为预设的时间或者预设的数量,具体地,该触发条件可以设置一个时间周期,每隔一段时间对所述待分类库中的待分类图像进行归类。或者设置一个数量值,当所述待分类库中的待分类图像达到该数量值时,对所述待分类库中的待分类图像进行归类。进一步地,也可以通过指令触发该归类的过程。可选地,可以对待分类库中的待分类图像两两进行向量相似度计算的方式,将相似度高的待分类图像划分到一个分类集合中。进一步地,也可以将待分类库中的待分类图像进行向量转化,再通过聚类算法或者神经网络模型进行归类,得到至少一个分类集合。
S42:根据每一所述分类集合中的分类图像确定对应分类集合的基准分类信息。
在得到至少一个分类集合之后,进一步确定每个分类集合的基准分类信息。具体地,可以将每一所述分类集合中的分类图像进行向量转化,然后进行向量的均值计算,将得到的结果确定为该分类集合的基准分类信息。以供后续新的分类图像进行相似程度的确定。
在本实施例中,根据预设的触发条件对所述待分类库中的待分类图像进行归类,得到至少一个分类集合;根据每一所述分类集合中的分类图像确定对应分类集合的基准分类信息。通过预先对待分类库的待分类图像进行归类,并且确定每一分类集合的基准分类信息,可以对待分类库进行合理的类型划分,为后续的图像分类提供便利,而且通过基准分类信息进行比对基准,也提高了后续分类的效率。
在一个实施例中,如图5所示,所述根据预设的触发条件对所述待分类库中的待分类图像进行归类,得到至少一个分类集合,包括:
S51:若所述待分类库中的待分类图像符合所述预设的触发条件,则将所述待分类库中的待分类图像进行特征向量转化,得到每一待分类图像的分类向量。
在所述待分类库中的待分类图像符合所述预设的触发条件之后,将所述待分类库中的待分类图像进行特征向量转化。具体地,可以将所述待分类图像转化为HOG特征向量、LBP特征向量、Haar特征向量或PCA特征向量等。将待分类库中的每一待分类图像进行特征向量转化,即得到每一待分类图像的分类向量。
S52:将预设数量的分类向量设置为初始聚类点,根据所述初始聚类点采用聚类算法对所述分类向量进行聚类分析,得到不同的分类向量簇。
在该步骤中,通过将预设数量的分类向量设置为初始聚类点,该预设数量可以预先通过实际需要设定。聚类算法又称群分析,它是研究(样品或指标)分类问题的一种统计分析方法,同时也是数据挖掘的一个重要分析方法。可选地,聚类算法可以为K-Means(K均值)聚类、均值漂移聚类、基于密度的聚类方法或者凝聚层次聚类等算法实现。
优选地,采用K-Means(K均值)聚类算法对所述对分类向量进行聚类分析,得到不同的分类向量簇。具体地,根据分类向量的数量设定K值,并将预设数量的分类向量为初始聚类点。当所有点都分配完毕后,对这个聚类簇中的所有点重新计算(例如计算平均值)得到该簇的新的中心点。然后再通过迭代的方式进行分配中心点和更新聚类簇的中心点的步骤,直至聚类簇的中心点的变化很小,或者达到指定的迭代次数。将符合预设数量的聚类簇作为分类向量簇。
S53:按照预设的向量距离计算每一分类向量簇的向量数量。
可以按照实际精度需求设定向量距离。再通过距离算法计算每一分类向量簇中每一分类向量到聚类簇中心的向量距离,例如:欧氏距离算法、曼哈顿距离算法、切比雪夫距离算法、闵可夫斯基距离算法、标准化欧氏距离算法、马氏距离或者汉明距离算法。统计每一分类向量簇中小于后者等于预设的向量距离的向量数据,即得到对应的分类向量簇的向量数量。
S54:将所述向量数量超过预设数量阈值的分类向量簇确定为分类集。
预先设置一个预设数量阈值,将向量数量超过该预设数量阈值的分类向量簇确定为分类集。
在本实施例中,若所述待分类库中的待分类图像符合所述预设的触发条件,则将所述待分类库中的待分类图像进行特征向量转化,得到每一待分类图像的分类向量;将预设数量的分类向量设置为初始聚类点,根据所述初始聚类点采用聚类算法对所述分类向量进行聚类分析,得到不同的分类向量簇;按照预设的向量距离计算每一分类向量簇的向量数量;将所述向量数量超过预设数量阈值的分类向量簇确定为分类集。通过向量转化并且采用聚类算法对所述待分类库中的待分类图像进行归类,保证了对待分类图像归类的效率和精度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
本发明一实施例还提供了一种虫害监控方法,可应用在如图1的应用环境中,其中,客户端(计算机设备)通过网络与服务端进行通信。服务端获取待识别图像集,所述待识别图像集包括至少一幅待识别虫害图像;采用虫害图像识别方法对所述待识别图像集中的待识别虫害图像进行识别,得到分类图像和每一所述分类图像的识别信息,所述识别信息包括种类信息和虫龄信息;对所述分类图像和对应的识别信息进行统计,得到所述待识别图像集的虫情信息。其中,客户端(计算机设备)可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图6所示,提供一种虫害监控方法,以该方法应用在图1中的服务端为例进行说明,包括如下步骤:
S61:获取待识别图像集,所述待识别图像集包括至少一幅待识别虫害图像。
其中,待识别图像集为由至少一幅待识别虫害图像组成的图像集。该待识别图像集可以为同一采集装置或者同一客户端在预设时间段内收集的待识别虫害图像的集合,也可以为多个客户端在预设时间段内手机的待识别虫害图像的集合。该待识别图像集可以根据不同的客户端采集的图像数据进行区分,以利于后续对不同客户端的虫情进行分开检测。示例性地,对同一目标区域的虫害进行捕获的多个虫害捕获装置,多个虫害捕获装置分别位于该目标区域的不同方位,以更全面地对虫情进行分析。
S62:采用虫害图像识别方法对所述待识别图像集中的待识别虫害图像进行识别,得到分类图像和每一所述分类图像的识别信息,所述识别信息包括种类信息和虫龄信息。
通过上述实施例中任一实施例所述的虫害图像识别方法对待识别图像集中的待识别虫害图像进行识别,得到了分类图像和每一所述分类图像的识别信息。其中,识别信息包括种类信息和虫龄信息。可以理解地,分类图像的数量可以为很多个,具体根据待识别图像集中待识别虫害图像以及每一待识别虫害图像中的虫害数量来决定。
S63:对所述待识别图像集中的所述分类图像和对应的识别信息进行统计,得到所述待识别图像集的虫情信息。
将一个待识别图像集中的分类图像和对应的识别信息进行统计,即可以直观地得到该待识别图像集的虫情信息。具体地,虫情信息可以包括该待识别图像集中虫害的数量、虫害种类、每一种类的虫害的数量或者每一种类的虫害中的虫龄的分布中至少一项。可以直观地获知某目标区域的虫害情况,以进行有针对性地治理。
在一个具体实施方式中,待识别图像集可以为至少两个,且每一待识别图像集对应一个客户端所采集的虫害图像数据。如此,就可以有针对性、更精细地对虫情进行检测。
在一个具体实施方式中,在得到所述待识别图像集的虫情信息之后,该虫害监控方法还包括:
对所述虫情信息转化为可视化图像数据,并将所述可视化图像数据发送到监控端,以使所述监控端显示所述可视化图像数据。通过将虫情信息转化为可视化图像数据,并进行显示,以更直观地对虫情进行监测。
在本实施例中,在获取待识别图像集之后,所述待识别图像集包括至少一幅待识别虫害图像;采用虫害图像识别方法对所述待识别图像集中的待识别虫害图像进行识别,得到分类图像和每一所述分类图像的识别信息,所述识别信息包括种类信息和虫龄信息;对所述分类图像和对应的识别信息进行统计,得到所述待识别图像集的虫情信息。通过上述实施例中地虫害图像识别方法对待识别图像集进行识别,保证了识别的精度和效率。进一步地,对待识别图像集中的虫情信息进行统计,更直观、便捷地对虫情进行了呈现,以供后续更好地制定治理策略。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种虫害图像识别装置,该虫害图像识别装置与上述实施例中虫害图像识别方法一一对应。如图7所示,该虫害图像识别装置包括待识别虫害图像获取模块71、图像划分模块72和虫龄信息识别模块73。
各功能模块详细说明如下:
待识别虫害图像获取模块71,用于获取待识别虫害图像,将所述待识别虫害图像输入到预设的种类识别模型中进行识别,得到所述待识别虫害图像的种类信息;
图像划分模块72,用于根据所述种类信息对所述待识别虫害图像进行图像划分,得到分类图像和每一所述分类图像的种类信息;
虫龄信息识别模块73,用于将每一所述分类图像输入到所述种类信息对应的虫龄识别模型中,得到虫龄信息。
优选地,该虫害图像识别装置还用于若所述分类图像的种类信息为第一预设信息,则将对应的所述分类图像与预设的待分类库中的每一基准分类信息进行相似度计算,得到至少一个相似度值;若存在任一所述相似度值满足预设的相似度条件,则将所述分类图像存储至所述预设的待分类库中的目标分类集中,其中,所述目标分类集的所述基准分类信息和所述分类图像的相似度值满足预设的相似度条件。
优选地,所述虫害图像识别装置还包括图像归类模块81和基准分类信息确定模块82。
图像归类模块81,用于根据预设的触发条件对所述待分类库中的待分类图像进行归类,得到至少一个分类集合;
基准分类信息确定模块82,用于根据每一所述分类集合中的分类图像确定对应分类集合的基准分类信息。
优选地,图像归类模块81还用于若所述待分类库中的待分类图像符合所述预设的触发条件,则将所述待分类库中的待分类图像进行特征向量转化,得到每一待分类图像的分类向量;将预设数量的分类向量设置为初始聚类点,根据所述初始聚类点采用聚类算法对所述分类向量进行聚类分析,得到不同的分类向量簇;按照预设的向量距离计算每一分类向量簇的向量数量;将所述向量数量超过预设数量阈值的分类向量簇确定为分类集合。
关于虫害图像识别装置的具体限定可以参见上文中对于虫害图像识别方法的限定,在此不再赘述。上述虫害图像识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一实施例中,提供一种虫害监控装置,该虫害监控装置与上述实施例中虫害监控方法一一对应。如图9所示,该虫害监控装置包括图像集获取模块91、图像识别模块92和虫情信息统计模块93。各功能模块详细说明如下:
图像集获取模块91,用于获取待识别图像集,所述待识别图像集包括至少一幅待识别虫害图像;
图像识别模块92,用于采用虫害图像识别方法对所述待识别图像集中的待识别虫害图像进行识别,得到分类图像和每一所述分类图像的识别信息,所述识别信息包括种类信息和虫龄信息;
虫情信息统计模块93,用于对所述分类图像和对应的识别信息进行统计,得到所述待识别图像集的虫情信息。
关于虫害监控装置的具体限定可以参见上文中对于虫害监控方法的限定,在此不再赘述。上述虫害监控装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于上述实施例中所述的虫害图像识别方法中所使用到的数据,或者,该计算机设备的数据库用于上述实施例中所述的虫害监控方法中所使用到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种虫害图像识别方法,或者该计算机程序被处理器执行时以实现一种虫害监控方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述虫害图像识别方法,或者,所述处理器执行所述计算机程序时实现上述虫害监控方法。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述虫害图像识别方法,或者,所述计算机程序被处理器执行时实现上述虫害监控方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (9)
1.一种虫害图像识别方法,其特征在于,包括:
获取待识别虫害图像,将所述待识别虫害图像输入到预设的种类识别模型中进行识别,得到所述待识别虫害图像的种类信息;
根据所述种类信息对所述待识别虫害图像进行图像划分,得到分类图像和每一所述分类图像的种类信息;其中,每一所述分类图像对应所述待识别虫害图像中的一种种类信息;
将每一所述分类图像输入到所述种类信息对应的虫龄识别模型中,得到虫龄信息;
在所述根据所述种类信息对所述待识别虫害图像进行图像划分,得到分类图像和每一所述分类图像的种类信息之后,所述虫害图像识别方法还包括:
若所述分类图像的种类信息为第一预设信息,则将对应的所述分类图像与预设的待分类库中的每一基准分类信息进行相似度计算,得到至少一个相似度值,所述第一预设信息为所述种类识别模型中未识别出或者未确定的类型,每一所述基准分类信息为所述预设的待分类库中,每一分类集合中的分类图像进行向量转化并进行向量均值计算得到;
若存在任一所述相似度值满足预设的相似度条件,则将所述分类图像存储至所述预设的待分类库中的目标分类集中,其中,所述目标分类集的所述基准分类信息和所述分类图像的相似度值满足预设的相似度条件。
2.如权利要求1所述的虫害图像识别方法,其特征在于,在所述将对应的所述分类图像与预设的待分类库中的每一基准分类信息进行相似度计算之前,所述虫害图像识别方法还包括:
根据预设的触发条件对所述待分类库中的待分类图像进行归类,得到至少一个分类集合;
根据每一所述分类集合中的分类图像确定对应分类集合的基准分类信息。
3.如权利要求2所述的虫害图像识别方法,其特征在于,所述根据预设的触发条件对所述待分类库中的待分类图像进行归类,得到至少一个分类集合,包括:
若所述待分类库中的待分类图像符合所述预设的触发条件,则将所述待分类库中的待分类图像进行特征向量转化,得到每一待分类图像的分类向量;
将预设数量的分类向量设置为初始聚类点,根据所述初始聚类点采用聚类算法对所述分类向量进行聚类分析,得到不同的分类向量簇;
按照预设的向量距离计算每一分类向量簇的向量数量;
将所述向量数量超过预设数量阈值的分类向量簇确定为分类集。
4.一种虫害监控方法,其特征在于,包括:
获取待识别图像集,所述待识别图像集包括至少一幅待识别虫害图像;
采用如权利要求1-3中任一项所述的虫害图像识别方法对所述待识别图像集中的待识别虫害图像进行识别,得到分类图像和每一所述分类图像的识别信息,所述识别信息包括种类信息和虫龄信息;
对所述待识别图像集中的所述分类图像和对应的识别信息进行统计,得到所述待识别图像集的虫情信息。
5.一种虫害图像识别装置,其特征在于,包括:
待识别虫害图像获取模块,用于获取待识别虫害图像,将所述待识别虫害图像输入到预设的种类识别模型中进行识别,得到所述待识别虫害图像的种类信息;
图像划分模块,用于根据所述种类信息对所述待识别虫害图像进行图像划分,得到分类图像和每一所述分类图像的种类信息;其中,每一所述分类图像对应所述待识别虫害图像中的一种种类信息;
虫龄信息识别模块,用于将每一所述分类图像输入到所述种类信息对应的虫龄识别模型中,得到虫龄信息;
所述虫害图像识别装置还用于:
若所述分类图像的种类信息为第一预设信息,则将对应的所述分类图像与预设的待分类库中的每一基准分类信息进行相似度计算,得到至少一个相似度值;所述第一预设信息为所述种类识别模型中未识别出或者未确定的类型,每一所述基准分类信息为所述预设的待分类库中,每一分类集合中的分类图像进行向量转化并进行向量均值计算得到;
若存在任一所述相似度值满足预设的相似度条件,则将所述分类图像存储至所述预设的待分类库中的目标分类集中,其中,所述目标分类集的所述基准分类信息和所述分类图像的相似度值满足预设的相似度条件。
6.如权利要求5所述的虫害图像识别装置,其特征在于,所述虫害图像识别装置还包括:
图像归类模块,用于根据预设的触发条件对所述待分类库中的待分类图像进行归类,得到至少一个分类集合;
基准分类信息确定模块,用于根据每一所述分类集合中的分类图像确定对应分类集合的基准分类信息。
7.一种虫害监控装置,其特征在于,包括:
图像集获取模块,用于获取待识别图像集,所述待识别图像集包括至少一幅待识别虫害图像;
图像识别模块,用于采用如权利要求1-3中任一项所述的虫害图像识别方法对所述待识别图像集中的待识别虫害图像进行识别,得到分类图像和每一所述分类图像的识别信息,所述识别信息包括种类信息和虫龄信息;
虫情信息统计模块,用于对所述分类图像和对应的识别信息进行统计,得到所述待识别图像集的虫情信息。
8.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述虫害图像识别方法,或者,所述处理器执行所述计算机程序时实现如权利要求4所述虫害监控方法。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述虫害图像识别方法,或者,所述计算机程序被处理器执行时实现如权利要求4所述虫害监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910707649.XA CN110516712B (zh) | 2019-08-01 | 2019-08-01 | 虫害图像识别方法、虫害监控方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910707649.XA CN110516712B (zh) | 2019-08-01 | 2019-08-01 | 虫害图像识别方法、虫害监控方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110516712A CN110516712A (zh) | 2019-11-29 |
CN110516712B true CN110516712B (zh) | 2023-04-07 |
Family
ID=68625037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910707649.XA Active CN110516712B (zh) | 2019-08-01 | 2019-08-01 | 虫害图像识别方法、虫害监控方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516712B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021125936A1 (en) * | 2019-12-20 | 2021-06-24 | Collaborative Research In Engineering, Science & Technology (Crest) Center | A rf model based insect identification method |
CN111445062B (zh) * | 2020-03-17 | 2023-08-29 | 深圳数联天下智能科技有限公司 | 虫害位置预测方法、装置、计算机设备和存储介质 |
CN111814866A (zh) * | 2020-07-02 | 2020-10-23 | 深圳市万物云科技有限公司 | 一种病虫害预警方法、装置、计算机设备及存储介质 |
CN112686250A (zh) * | 2020-12-23 | 2021-04-20 | 三梁环境技术(山西)有限公司 | 一种煤矸石分类方法、装置、设备及存储介质 |
CN114586760B (zh) * | 2022-03-29 | 2023-03-03 | 广东省农业科学院植物保护研究所 | 一种基于大数据的农药喷淋方法,系统及可读存储介质 |
CN115136827A (zh) * | 2022-05-25 | 2022-10-04 | 深圳华云信息系统有限公司 | 虫情监测方法、装置、电子设备及存储介质 |
CN116206208B (zh) * | 2023-05-05 | 2023-07-07 | 河东区志远苗木种植专业合作社 | 一种基于人工智能的林业病虫害快速分析系统 |
CN117237820B (zh) * | 2023-09-26 | 2024-06-25 | 中化现代农业有限公司 | 害虫危害程度的确定方法、装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106332855A (zh) * | 2015-07-06 | 2017-01-18 | 宁波高新区鹏博科技有限公司 | 一种病虫害自动预警系统 |
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 |
CN108280190A (zh) * | 2018-01-24 | 2018-07-13 | 深圳前海大数金融服务有限公司 | 图像分类方法、服务器及存储介质 |
CN108537108A (zh) * | 2018-02-12 | 2018-09-14 | 中国农业大学 | 一种东亚飞蝗龄期识别方法及装置 |
CN109213732A (zh) * | 2018-06-28 | 2019-01-15 | 努比亚技术有限公司 | 一种改善相册分类的方法、移动终端及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030026484A1 (en) * | 2001-04-27 | 2003-02-06 | O'neill Mark | Automated image identification system |
-
2019
- 2019-08-01 CN CN201910707649.XA patent/CN110516712B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106332855A (zh) * | 2015-07-06 | 2017-01-18 | 宁波高新区鹏博科技有限公司 | 一种病虫害自动预警系统 |
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 |
CN108280190A (zh) * | 2018-01-24 | 2018-07-13 | 深圳前海大数金融服务有限公司 | 图像分类方法、服务器及存储介质 |
CN108537108A (zh) * | 2018-02-12 | 2018-09-14 | 中国农业大学 | 一种东亚飞蝗龄期识别方法及装置 |
CN109213732A (zh) * | 2018-06-28 | 2019-01-15 | 努比亚技术有限公司 | 一种改善相册分类的方法、移动终端及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110516712A (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516712B (zh) | 虫害图像识别方法、虫害监控方法、装置、设备及介质 | |
Liang et al. | Rice blast disease recognition using a deep convolutional neural network | |
CN109035299B (zh) | 目标跟踪方法、装置、计算机设备及存储介质 | |
CN111222423B (zh) | 基于作业区域的目标识别方法、装置、计算机设备 | |
CN111860147B (zh) | 行人重识别模型优化处理方法、装置和计算机设备 | |
CN111126208B (zh) | 行人归档方法、装置、计算机设备及存储介质 | |
Chopda et al. | Cotton crop disease detection using decision tree classifier | |
CN111950329A (zh) | 目标检测及模型训练方法、装置、计算机设备和存储介质 | |
CN110516558B (zh) | 样本数据获取方法、装置、计算机设备及存储介质 | |
WO2021003938A1 (zh) | 图像分类方法、装置、计算机设备和存储介质 | |
Khan et al. | Situation recognition using image moments and recurrent neural networks | |
WO2020177366A1 (zh) | 基于时序数据的数据处理方法、装置和计算机设备 | |
CN110008082B (zh) | 异常任务智能监测方法、装置、设备及存储介质 | |
CN110046577B (zh) | 行人属性预测方法、装置、计算机设备和存储介质 | |
CN116071600B (zh) | 一种基于多分类概率的农作物遥感识别方法及装置 | |
CN111159476B (zh) | 目标对象的搜索方法、装置、计算机设备及存储介质 | |
CN111985340A (zh) | 基于神经网络模型的人脸识别方法、装置和计算机设备 | |
Kumar et al. | Segmentation of rice seedling using deep learning algorithm | |
CN111209929A (zh) | 访问数据处理方法、装置、计算机设备及存储介质 | |
CN114359787A (zh) | 目标属性识别方法、装置、计算机设备及存储介质 | |
Mar et al. | Cow detection and tracking system utilizing multi-feature tracking algorithm | |
CN117058518B (zh) | 基于yolo改进的深度学习目标检测方法、装置和计算机设备 | |
US11755929B2 (en) | System and method for time series pattern recognition | |
CN112699858A (zh) | 无人平台烟尘雾感知方法、系统、计算机设备及存储介质 | |
CN111177084A (zh) | 一种文件分类方法、装置、计算机设备及存储介质 |
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 |