CN111028309B - 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 PDF

Info

Publication number
CN111028309B
CN111028309B CN201911241967.8A CN201911241967A CN111028309B CN 111028309 B CN111028309 B CN 111028309B CN 201911241967 A CN201911241967 A CN 201911241967A CN 111028309 B CN111028309 B CN 111028309B
Authority
CN
China
Prior art keywords
gray
image
value
insect
gray level
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
Application number
CN201911241967.8A
Other languages
English (en)
Other versions
CN111028309A (zh
Inventor
周小安
王派虎
黄磊
张沛昌
蒋隽毅
谭鸿刚
许家俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN201911241967.8A priority Critical patent/CN111028309B/zh
Publication of CN111028309A publication Critical patent/CN111028309A/zh
Application granted granted Critical
Publication of CN111028309B publication Critical patent/CN111028309B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

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

基于LoRa节点的昆虫密度图构建方法及装置
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 (6)

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；
通过低复杂度的大律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；
所述通过低复杂度的大律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，计算其类间方差；
筛选出类间方差中最大的值作为二值型灰度图的阈值。
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， R为红色亮度值，G 为绿色亮度值，B为蓝色亮度值。
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。
4.一种基于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，用于通过低复杂度的大律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；
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；
类间方差计算单元，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，计算其类间方差；
阈值筛选单元，用于筛选出类间方差中最大的值作为二值型灰度图的阈值。
5.如权利要求4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， R为红色亮度值，G 为绿色亮度值，B为蓝色亮度值。
6.如权利要求4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。
CN201911241967.8A 2019-12-06 2019-12-06 基于LoRa节点的昆虫密度图构建方法及装置 Active CN111028309B (zh)

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 CN111028309A (zh) 2020-04-17
CN111028309B true 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)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
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

Also Published As

Publication number Publication date
CN111028309A (zh) 2020-04-17

Similar Documents

Publication Publication Date Title
CN106920221B (zh) 兼顾亮度分布和细节呈现的曝光融合方法
CN110930301B (zh) 图像处理方法、装置、存储介质及电子设备
CN109068025B (zh) 一种镜头阴影校正方法、系统及电子设备
CN104023230B (zh) 一种基于梯度关联性的无参考图像质量评价方法
CN101305398B (zh) 基于多个图像帧形成合成图像的方法
CN108230367A (zh) 一种对灰度视频中既定目标的快速跟踪定位方法
CN104637064A (zh) 一种基于边缘强度权重的离焦模糊图像清晰度检测方法
CN110211056A (zh) 基于局部中值直方图的自适应红外图像去条纹算法
WO2007075065A1 (en) Device of processing dead pixel
CN104504662A (zh) 一种基于同态滤波的图像处理方法及系统
US8625922B2 (en) Image processing method and program for determining whether sabotage has occurred to an image
CN103065334A (zh) 一种基于hsv颜色空间的偏色检测、校正方法及装置
CN110414558B (zh) 基于事件相机的特征点匹配方法
CN104700405B (zh) 一种前景检测方法和系统
DE102015102772B4 (de) Bildverarbeitungsvorrichtung und Verfahren für deren Steuerung
CN111368587B (zh) 场景检测方法、装置、终端设备及计算机可读存储介质
CN102306307B (zh) 一种彩色显微图像序列中固点噪声的定位方法
CN103268596A (zh) 一种降低图像噪声和使颜色接近标准的方法
CN103927734A (zh) 一种基于无参考的模糊图像质量评价方法
Li et al. Recent advances and challenges in video quality assessment
CN111028309B (zh) 基于LoRa节点的昆虫密度图构建方法及装置
CN102236790A (zh) 一种图像处理方法和设备
US11861814B2 (en) Apparatus and method for sensing image based on event
CN105279742B (zh) 一种快速的基于分块噪声能量估计的图像去噪方法
CN106375675A (zh) 一种航空相机多曝光图像融合方法

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