CN111028309A - 基于LoRa节点的昆虫密度图构建方法及装置 - Google Patents
基于LoRa节点的昆虫密度图构建方法及装置 Download PDFInfo
- Publication number
- CN111028309A CN111028309A CN201911241967.8A CN201911241967A CN111028309A CN 111028309 A CN111028309 A CN 111028309A CN 201911241967 A CN201911241967 A CN 201911241967A CN 111028309 A CN111028309 A CN 111028309A
- Authority
- CN
- China
- Prior art keywords
- gray
- image
- insect
- value
- threshold value
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
Abstract
本发明提供了一种基于LoRa节点的昆虫密度图构建方法及装置,所述方法包括:获取昆虫的RGB图片;将昆虫的RGB图片转换为灰度图像,所述灰度图像的灰度值范围为0‑255;通过改进的低复杂度的大率法计算出二值型灰度图的阈值;根据计算出来的阈值,将灰度图像转换为二值型灰度图,得到昆虫密度图。本发明的有益效果在于:通过改进的低复杂度的大率法计算出二值型灰度图的阈值;根据阈值将灰度图像转换为二值型灰度图,得到昆虫密度图,能够在降低阈值计算复杂度的同时提高昆虫密度识别率。
Description
技术领域
本发明涉及昆虫密度图构建方法及装置,尤其是指一种基于LoRa节点的昆 虫密度图构建方法及装置。
背景技术
在对昆虫诱捕器的昆虫密度进行统计时,需要将采集到的昆虫图片转换为 二值型灰度图,然后形成对昆虫密度图,在实际应用过程中,灰度值转为二值 型灰度图的阈值设置尤为重要,昆虫诱捕器在光线不同的条件下,摄像头成像 的亮度会受影响,进而影响灰度值,如果设置单一的阈值,光线的影响会直接 影响到昆虫密度识别的准确率。对于大部分灰度图阈值调节算法,其都可以通 过算法较为准确地确定合适的阈值,但算法复杂度都比较高,并不适用于一些 计算能力比较有限的处理系统,为了提高昆虫密度识别率,有必要对现有的昆 虫密度图构建方法进行改进。
发明内容
本发明所要解决的技术问题是:提供一种基于LoRa节点的昆虫密度图构建 方法,以提高昆虫密度识别率。
为了解决上述技术问题,本发明采用的技术方案为:一种基于LoRa节点的 昆虫密度图构建方法,包括以下步骤,
获取昆虫的RGB图片;
将昆虫的RGB图片转换为灰度图像,所述灰度图像的灰度值范围为0-255;
通过改进的低复杂度的大率法计算出二值型灰度图的阈值;
根据计算出来的阈值,将灰度图像转换为二值型灰度图,得到昆虫密度图。
进一步的,所述通过改进的低复杂度的大率法计算出二值型灰度图的阈值 包括,
统计灰度图像中灰度值在预设的灰度值区间出现的频次,所述预设的灰度 值区间为灰度值范围在0-255之间5等分得到的区间;
将出现频次最高的两个区间及在出现频次最高的两个区间之间的区间各分 为5等分,并从每个区间取5个值,计算其间类方差;
筛选出间类方差中最大的值作为二值灰度图的阈值。
进一步的,所述将昆虫的RGB图片转换为灰度图像包括,
将昆虫的RGB图片通过计算公式Gray=R*0.299+G*0.587+B*0.114转换 为灰度图像,其中,Gray为灰度值,Gray为灰度值,R为红色亮度值,G为绿 色亮度值,B为蓝色亮度值。
进一步的,所述获取昆虫的RGB图片具体包括,
通过MCU控制摄像头对昆虫诱捕器内的昆虫进行拍照,获取昆虫的RGB 图片。
为了解决上述技术问题,本发明采用的另一个技术方案为:一种基于LoRa 节点的昆虫密度图构建装置,包括,
图片获取模块,用于获取昆虫的RGB图片;
灰度图转换模块,用于将昆虫的RGB图片转换为灰度图像,所述灰度图像 的灰度值范围为0-255;
阈值计算模块,用于通过改进的低复杂度的大率法计算出二值型灰度图的 阈值;
二值型灰度图转换模块,用于根据计算出来的阈值,将灰度图像转换为二 值型灰度图,得到昆虫密度图。
进一步的,所述阈值计算模块包括,
频次统计单元,用于统计灰度图像中灰度值在预设的灰度值区间出现的频 次,所述预设的灰度值区间为灰度值范围在0-255之间5等分得到的区间;
间类方差计算单元,用于将出现频次最高的两个区间及在出现频次最高的 两个区间之间的区间各分为5等分,并从每个区间取5个值,计算其间类方差;
阈值筛选单元,用于筛选出间类方差中最大的值作为二值灰度图的阈值。
进一步的,所述灰度图转换模块具体用于,
将昆虫的RGB图片通过计算公式Gray=R*0.299+G*0.587+B*0.114转换 为灰度图像,其中,Gray为灰度值,Gray为灰度值,R为红色亮度值,G为绿 色亮度值,B为蓝色亮度值。
进一步的,所述图片获取模块具体用于,
通过MCU控制摄像头对昆虫诱捕器内的昆虫进行拍照,获取昆虫的RGB 图片。
本发明的有益效果在于:将昆虫的RGB图片转换为灰度图像,通过改进的 低复杂度的大率法计算出二值型灰度图的阈值;根据计算出来的阈值,将灰度 图像转换为二值型灰度图,得到昆虫密度图。能够在降低阈值计算复杂度的同 时提高昆虫密度识别率。
附图说明
下面结合附图详述本发明的具体结构。
图1为本发明的基于LoRa节点的昆虫密度图构建方法流程图;
图2为本发明的二值型灰度图的阈值计算流程图;
图3为本发明的基于LoRa节点的昆虫密度图构建装置的模块图;
图4为本发明的阈值计算模块的单元图。
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做出创造性劳 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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包 含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除 一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添 加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施 例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使 用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个” 及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且 包括这些组合。
如图1所示,本发明第一实施例为:一种基于LoRa节点的昆虫密度图构建 方法,以提高昆虫密度识别率。
为了解决上述技术问题,本发明采用的技术方案为:一种基于LoRa节点的 昆虫密度图构建方法,包括以下步骤,
S10、获取昆虫的RGB图片;
S20、将昆虫的RGB图片转换为灰度图像,所述灰度图像的灰度值范围为 0-255;
S30、通过改进的低复杂度的大率法计算出二值型灰度图的阈值;
S40、根据计算出来的阈值,将灰度图像转换为二值型灰度图,得到昆虫密 度图。
上述的基于LoRa节点的昆虫密度图构建方法,由于计算复杂度低,适用于 边缘计算处理,同时能够提高LoRa节点对昆虫密度识别的正确率。
如图2所示,在一具体实施方式中,所述通过改进的低复杂度的大率法计 算出二值型灰度图的阈值包括,
S31、统计灰度图像中灰度值在预设的灰度值区间出现的频次,所述预设的 灰度值区间为灰度值范围在0-255之间5等分得到的区间;
S32、将出现频次最高的两个区间及在出现频次最高的两个区间之间的区间 各分为5等分,并从每个区间取5个值,计算其间类方差;
S33、筛选出间类方差中最大的值作为二值灰度图的阈值。
例如,灰度值区间分别为0-50,51-100,101-150,151-200,201-2555,出现 最高频次的两个区间分别为51-100和151-200,那么将51-100和101-150和 151-200这三个区间各分为5等分,取出15个值,分别计算间类方差,比较间 类方差的大小,筛选出间类方差中最大的值作为二值灰度图的阈值。
本实施方式中,传统大律法:设图像有M个灰度值,取值范围为0-M-1,在 此范围内取一个灰度值t,将图像分为G0和G1两组,G0包含了像素的灰度值 为0-t,G1包含的像素的灰度值为t+1-M-1,用N表示图像像素总数,ni表示 灰度值为i的像素个数通过公式可以算出G0组像素在整体图像中所占的百分比 为W0,G1组像素在整体图像中所占的百分比为G1,两组分别的平均灰度值为 u0和u1,通过这些值可以计算出间类方差为g(t)=W0W1(u0-u1)2,通过不断调 整灰度值t,重复上述的计算,可以得出最大的g(t),此时对应的t值设为灰度值效果最佳。
改进的大律法:由传统大律法可知,要得出效果最佳的阈值,需要遍历所 有灰度值,进行n遍的间类方差运算,这对于处理能力比较差的MCU来说,不 切合实际。通过对摄像头成像的灰度值进行分析可知,灰度图属于比较简单的 图像,灰度分布比较有规律,统计各个灰度值以及出现的频率,画直角坐标系 图,横坐标为灰度值,纵坐标为灰度值出现频次,可发现背景底板以及昆虫在 直角坐标中分别出现两个波峰,通过这两个波峰来降低大律法的复杂度。
进一步的,所述将昆虫的RGB图片转换为灰度图像包括,
将昆虫的RGB图片通过计算公式Gray=R*0.299+G*0.587+B*0.114转 换为灰度图像,其中,Gray为灰度值,Gray为灰度值,R为红色亮度值,G为 绿色亮度值,B为蓝色亮度值。
进一步的,所述获取昆虫的RGB图片具体包括,
通过MCU控制摄像头对昆虫诱捕器内的昆虫进行拍照,获取昆虫的RGB图 片。
如图3所示,本发明第二实施例为:一种基于LoRa节点的昆虫密度图构建 装置,包括,
图片获取模块10,用于获取昆虫的RGB图片;
灰度图转换模块20,用于将昆虫的RGB图片转换为灰度图像,所述灰度图 像的灰度值范围为0-255;
阈值计算模块30,用于通过改进的低复杂度的大率法计算出二值型灰度图 的阈值;
二值型灰度图转换模块40,用于根据计算出来的阈值,将灰度图像转换为 二值型灰度图,得到昆虫密度图。
如图4所示,所述阈值计算模块30包括,
频次统计单元31,用于统计灰度图像中灰度值在预设的灰度值区间出现的 频次,所述预设的灰度值区间为灰度值范围在0-255之间5等分得到的区间;
间类方差计算单元32,用于将出现频次最高的两个区间及在出现频次最高 的两个区间之间的区间各分为5等分,并从每个区间取5个值,计算其间类方 差;
阈值筛选单元33,用于筛选出间类方差中最大的值作为二值灰度图的阈值。
进一步的,所述灰度图转换模块20具体用于,
将昆虫的RGB图片通过计算公式Gray=R*0.299+G*0.587+B*0.114转 换为灰度图像,其中,Gray为灰度值,Gray为灰度值,R为红色亮度值,G为 绿色亮度值,B为蓝色亮度值。
进一步的,所述图片获取模块10具体用于,
通过MCU控制摄像头对昆虫诱捕器内的昆虫进行拍照,获取昆虫的RGB图 片。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述基于LoRa节 点的昆虫密度图构建装置和各单元的具体实现过程,可以参考前述方法实施例 中的相应描述,为了描述的方便和简洁,在此不再赘述。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于 此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到 各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。 因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于LoRa节点的昆虫密度图构建方法,其特征在于:包括以下步骤,
获取昆虫的RGB图片;
将昆虫的RGB图片转换为灰度图像,所述灰度图像的灰度值范围为0-255;
通过改进的低复杂度的大率法计算出二值型灰度图的阈值;
根据计算出来的阈值,将灰度图像转换为二值型灰度图,得到昆虫密度图。
2.如权利要求1所述的基于LoRa节点的昆虫密度图构建方法,其特征在于:所述通过改进的低复杂度的大率法计算出二值型灰度图的阈值包括,
统计灰度图像中灰度值在预设的灰度值区间出现的频次,所述预设的灰度值区间为灰度值范围在0-255之间5等分得到的区间;
将出现频次最高的两个区间及在出现频次最高的两个区间之间的区间各分为5等分,并从每个区间取5个值,计算其间类方差;
筛选出间类方差中最大的值作为二值灰度图的阈值。
3.如权利要求1所述的基于LoRa节点的昆虫密度图构建方法,其特征在于:所述将昆虫的RGB图片转换为灰度图像包括,
将昆虫的RGB图片通过计算公式Gray=R*0.299+G*0.587+B*0.114转换为灰度图像,其中,Gray为灰度值,Gray为灰度值,R为红色亮度值,G为绿色亮度值,B为蓝色亮度值。
4.如权利要求1所述的基于LoRa节点的昆虫密度图构建方法,其特征在于:所述获取昆虫的RGB图片具体包括,
通过MCU控制摄像头对昆虫诱捕器内的昆虫进行拍照,获取昆虫的RGB图片。
5.一种基于LoRa节点的昆虫密度图构建装置,其特征在于:包括,
图片获取模块,用于获取昆虫的RGB图片;
灰度图转换模块,用于将昆虫的RGB图片转换为灰度图像,所述灰度图像的灰度值范围为0-255;
阈值计算模块,用于通过改进的低复杂度的大率法计算出二值型灰度图的阈值;
二值型灰度图转换模块,用于根据计算出来的阈值,将灰度图像转换为二值型灰度图,得到昆虫密度图。
6.如权利要求5所述的基于LoRa节点的昆虫密度图构建装置,其特征在于:所述阈值计算模块包括,
频次统计单元,用于统计灰度图像中灰度值在预设的灰度值区间出现的频次,所述预设的灰度值区间为灰度值范围在0-255之间5等分得到的区间;
间类方差计算单元,用于将出现频次最高的两个区间及在出现频次最高的两个区间之间的区间各分为5等分,并从每个区间取5个值,计算其间类方差;
阈值筛选单元,用于筛选出间类方差中最大的值作为二值灰度图的阈值。
7.如权利要求5所述的基于LoRa节点的昆虫密度图构建装置,其特征在于:所述灰度图转换模块具体用于,
将昆虫的RGB图片通过计算公式Gray=R*0.299+G*0.587+B*0.114转换为灰度图像,其中,Gray为灰度值,Gray为灰度值,R为红色亮度值,G为绿色亮度值,B为蓝色亮度值。
8.如权利要求5所述的基于LoRa节点的昆虫密度图构建装置,其特征在于:所述图片获取模块具体用于,
通过MCU控制摄像头对昆虫诱捕器内的昆虫进行拍照,获取昆虫的RGB图片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911241967.8A CN111028309B (zh) | 2019-12-06 | 2019-12-06 | 基于LoRa节点的昆虫密度图构建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911241967.8A CN111028309B (zh) | 2019-12-06 | 2019-12-06 | 基于LoRa节点的昆虫密度图构建方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111028309A true CN111028309A (zh) | 2020-04-17 |
CN111028309B CN111028309B (zh) | 2023-07-14 |
Family
ID=70204548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911241967.8A Active CN111028309B (zh) | 2019-12-06 | 2019-12-06 | 基于LoRa节点的昆虫密度图构建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111028309B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288795A (zh) * | 2020-10-29 | 2021-01-29 | 深圳大学 | 基于Faster-RCNN的昆虫密度计算方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105023272A (zh) * | 2015-06-26 | 2015-11-04 | 广州铁路职业技术学院 | 农作物叶子虫害检测方法和系统 |
CN105405120A (zh) * | 2015-10-22 | 2016-03-16 | 华北电力大学(保定) | 在天空图像中提取云图形的方法 |
WO2017133217A1 (en) * | 2016-02-03 | 2017-08-10 | Boe Technology Group Co., Ltd. | Method and apparatus for infrared thermal image contour extraction |
CN107516318A (zh) * | 2017-08-25 | 2017-12-26 | 四川长虹电器股份有限公司 | 基于模式搜索算法与萤火虫算法的图像多阈值分割方法 |
CN109948543A (zh) * | 2019-03-20 | 2019-06-28 | 广西科技大学 | 一种田间近景图像的导航线提取方法 |
-
2019
- 2019-12-06 CN CN201911241967.8A patent/CN111028309B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105023272A (zh) * | 2015-06-26 | 2015-11-04 | 广州铁路职业技术学院 | 农作物叶子虫害检测方法和系统 |
CN105405120A (zh) * | 2015-10-22 | 2016-03-16 | 华北电力大学(保定) | 在天空图像中提取云图形的方法 |
WO2017133217A1 (en) * | 2016-02-03 | 2017-08-10 | Boe Technology Group Co., Ltd. | Method and apparatus for infrared thermal image contour extraction |
CN107516318A (zh) * | 2017-08-25 | 2017-12-26 | 四川长虹电器股份有限公司 | 基于模式搜索算法与萤火虫算法的图像多阈值分割方法 |
CN109948543A (zh) * | 2019-03-20 | 2019-06-28 | 广西科技大学 | 一种田间近景图像的导航线提取方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288795A (zh) * | 2020-10-29 | 2021-01-29 | 深圳大学 | 基于Faster-RCNN的昆虫密度计算方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111028309B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103402117B (zh) | 基于Lab色度空间的视频图像偏色检测方法 | |
CN103167244B (zh) | 具有摄影功能的可携式电子装置及自动曝光控制摄影方法 | |
TWI389559B (zh) | 前景影像分離方法 | |
CN105678700B (zh) | 基于预测梯度的图像插值方法及系统 | |
CN108230367A (zh) | 一种对灰度视频中既定目标的快速跟踪定位方法 | |
CN104504662A (zh) | 一种基于同态滤波的图像处理方法及系统 | |
KR101941801B1 (ko) | Led 디스플레이에 이용되는 영상 처리 방법 및 장치 | |
CN104700405B (zh) | 一种前景检测方法和系统 | |
CN111311513B (zh) | 图像的颜色风格统一方法、设备及计算机存储介质 | |
CN111062331B (zh) | 图像的马赛克检测方法、装置、电子设备及存储介质 | |
CN111127360B (zh) | 一种基于自动编码器的灰度图像迁移学习方法 | |
CN103053163A (zh) | 图像生成装置、图像生成系统、方法及程序 | |
CN110414558B (zh) | 基于事件相机的特征点匹配方法 | |
CN102236790B (zh) | 一种图像处理方法和设备 | |
CN104036468A (zh) | 基于预放大非负邻域嵌入的单帧图像超分辨重建方法 | |
CN104380713A (zh) | 数码影像的坏点矫正方法和系统 | |
CN103258334A (zh) | 彩色图像的场景光源颜色估计方法 | |
CN109146983A (zh) | 一种多光源图像颜色恒常性计算方法 | |
CN110766636B (zh) | 一种用于ai芯片的智能图像处理方法 | |
CN104751441A (zh) | 图像噪声估测的方法与装置 | |
EP3363193B1 (en) | Device and method for reducing the set of exposure times for high dynamic range video imaging | |
CN111028309A (zh) | 基于LoRa节点的昆虫密度图构建方法及装置 | |
JP3608106B2 (ja) | 画像処理を用いた鋼材表面の劣化度評価システム | |
CN113068011A (zh) | 图像传感器、图像处理方法及系统 | |
CN112348754B (zh) | 一种低照度彩色图像增强方法及装置 |
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 |