CN113744225A - 一种农业害虫智能检测方法 - Google Patents

一种农业害虫智能检测方法 Download PDF

Info

Publication number
CN113744225A
CN113744225A CN202110994503.5A CN202110994503A CN113744225A CN 113744225 A CN113744225 A CN 113744225A CN 202110994503 A CN202110994503 A CN 202110994503A CN 113744225 A CN113744225 A CN 113744225A
Authority
CN
China
Prior art keywords
agricultural pest
agricultural
adopting
data
pest
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
Application number
CN202110994503.5A
Other languages
English (en)
Inventor
庞海通
蔡卫明
马龙华
苏宏业
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.)
Zhejiang University ZJU
Zhejiang University of Science and Technology ZUST
Original Assignee
Zhejiang University ZJU
Zhejiang University of Science and Technology ZUST
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 Zhejiang University ZJU, Zhejiang University of Science and Technology ZUST filed Critical Zhejiang University ZJU
Priority to CN202110994503.5A priority Critical patent/CN113744225A/zh
Publication of CN113744225A publication Critical patent/CN113744225A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种农业害虫智能检测方法，该方法包括采用数据爬虫和图像实时拍摄的方式来收集农业害虫图像；采用人工遴选的方式清洗网络爬虫数据，剔除非农业害虫图片以及重合农业害虫图像，然后通过脚本运算的方式对遴选之后的爬虫图像数据以及实时采集图像数据做格式归一化处理；对经过归一化处理的图像数据采用数据增强的手段进行处理；采用开源工具LabelImg标注经过处理的所有图片数据来组成农业害虫图像数据集；建立农业害虫目标检测模型；对农业害虫目标检测模型中进行训练；对训练后的农业害虫目标检测模型进行精度评价；该方法对害虫的检测精度高，并且检测效率也高，能够减小劳动力强度，该方法在多种测试场景下表现优异，鲁棒性好。

Description

一种农业害虫智能检测方法
技术领域
本发明涉及农业智能化和信息化技术领域，尤其是涉及一种农业害虫智能检测方法。
背景技术
农业害虫的活跃时间涵盖了农作物的整个生长周期，无时无刻不在威胁着农业经济的收益。无论是在发达国家还是欠发达国家，农业害虫所造成的农业经济损失均占有较大权重。为了实现农业经济的最大化，减轻农业害虫造成的农作物收成损失，准确高效地检测农业害虫至关重要。
现阶段的农业害虫检测方法主要有以下几种：①人工调查；②灯光诱捕；③传统视觉；④深度学习。前两种方法存在工作量大、效率低、实时性差、智能化程度低等缺点；第三种方法大多在实验室环境下进行，鲁棒性较低，精测精度较；第四种方法的数据集规模一般较小，大多局限在单一场景，实际测试结果较差，实时性一般较差。
快速准确并且实时识别农业害虫对于提升农业害虫检测效率、提升农业领域的信息化和智能化水平以及增加农业经济收入至关重要，具有深远的意义。
发明内容
本发明所要解决的技术问题是提供一种检测效率高、检测精度高，并能够减小劳动力强度的农业害虫智能检测方法。
本发明所采用的技术方案是，一种农业害虫智能检测方法，包括下列步骤：
(1)、采用数据爬虫和图像实时拍摄的方式来收集农业害虫图像；采用数据爬虫的方式收集农业害虫图像的过程为：任意选取三种搜索引擎作为目标爬虫对象，确定农业害虫的中文名以及拉丁学名作为关键字信息进行搜索，分批次和分类别在互联网上爬取农业害虫彩色图片，针对每一类别的害虫，在每一个搜索引擎上进行两次不同关键字的图片数据爬取，然后人工合并去重，在完成所有类别的农业害虫图像爬取之后，依照农业害虫类别归纳整理所有的农业害虫图像；采用图像实时拍摄的方式收集农业害虫图像的过程为：选取工业高清摄像头作为图像采集设备，选取目标农业害虫作为图像采集对象，在自然拟真环境下分时段、分场景拍摄农业害虫彩色图像；
(2)、采用人工遴选的方式清洗网络爬虫数据，剔除非农业害虫图片以及重合农业害虫图像，然后通过脚本运算的方式对遴选之后的爬虫图像数据以及实时采集图像数据做格式归一化处理；
(3)、对经过归一化处理的图像数据采用数据增强的手段进行处理，所述数据增强的手段包括：噪声处理、模糊处理、90度旋转、180度旋转、270度旋转、平移裁切、缩放拉伸、镜像翻转以及叠加；
(4)、采用开源工具LabelImg标注步骤(3)中经过处理的所有图片数据，将标注后的农业害虫图像组成农业害虫图像数据集；
(5)、建立农业害虫目标检测模型；
(6)、将步骤(4)中的农业害虫图像数据集输入到步骤(5)的农业害虫目标检测模型中进行训练，得到训练后的农业害虫目标检测模型；
(7)、对训练后的农业害虫目标检测模型进行精度评价，得到评价后的农业害虫目标检测模型；采用分类精度mAP和检测速度FPS来对训练后的农业害虫目标检测模型进行精度评价，所述分类精度mAP为各个单一类别农业害虫检测精确率的平均值，检测速度FPS为每秒传输帧数或单张图片的检测速度；
(8)、任意选取一张农业害虫图像输入到评价后的农业害虫目标检测模型中进行农业害虫识别和检测。
本发明的有益效果是：上述一种农业害虫智能检测方法，该方法对害虫的检测精度高，并且检测效率也高，能够减小劳动力强度，该方法在多种测试场景下表现优异，鲁棒性好。
附图说明
图1为本发明一种农业害虫智能检测方法的流程图；
具体实施方式
以下参照附图并结合具体实施方式来进一步描述发明，以令本领域技术人员参照说明书文字能够据以实施，本发明保护范围并不受限于该具体实施方式。
本发明涉及一种农业害虫智能检测方法，包括下列步骤：
(1)、采用数据爬虫和图像实时拍摄的方式来收集农业害虫图像；采用数据爬虫的方式收集农业害虫图像的过程为：任意选取三种搜索引擎作为目标爬虫对象，确定农业害虫的中文名以及拉丁学名作为关键字信息进行搜索，分批次和分类别在互联网上爬取农业害虫彩色图片，针对每一类别的害虫，在每一个搜索引擎上进行两次不同关键字的图片数据爬取，然后人工合并去重，在完成所有类别的农业害虫图像爬取之后，依照农业害虫类别归纳整理所有的农业害虫图像；采用图像实时拍摄的方式收集农业害虫图像的过程为：选取工业高清摄像头作为图像采集设备，选取目标农业害虫作为图像采集对象，在自然拟真环境下分时段、分场景拍摄农业害虫彩色图像；由于通过网络爬虫获取得到的图片尺寸不一致以及实时采集部分获取到的图片尺寸较大，将两类图像数据的尺寸统一归一化为320×320，前者采用缩放策略，后者采用中心点裁切策略(以图像中心为依据，裁剪320×320的图像区域)；
(2)、采用人工遴选的方式清洗网络爬虫数据，剔除非农业害虫图片以及重合农业害虫图像，然后通过脚本运算的方式对遴选之后的爬虫图像数据以及实时采集图像数据做格式归一化处理；
(3)、对经过归一化处理的图像数据采用数据增强的手段进行处理，所述数据增强的手段包括：噪声处理、模糊处理、90度旋转、180度旋转、270度旋转、平移裁切、缩放拉伸、镜像翻转以及叠加；
(4)、采用开源工具LabelImg标注步骤(3)中经过处理的所有图片数据，将标注后的农业害虫图像组成农业害虫图像数据集；标注文件为.xml格式，包含图像的尺寸、通道数、农业害虫类别、农业害虫坐标点等信息；图片格式统一调整为.jpg，尺寸归一化为320×320；
(5)、建立农业害虫目标检测模型；
(6)、将步骤(4)中的农业害虫图像数据集输入到步骤(5)的农业害虫目标检测模型中进行训练，得到训练后的农业害虫目标检测模型；
(7)、对训练后的农业害虫目标检测模型进行精度评价，得到评价后的农业害虫目标检测模型；采用分类精度mAP和检测速度FPS来对训练后的农业害虫目标检测模型进行精度评价，所述分类精度mAP为各个单一类别农业害虫检测精确率的平均值，检测速度FPS为每秒传输帧数或单张图片的检测速度；
(8)、任意选取一张农业害虫图像输入到评价后的基于YOLOv4的果园害虫目标检测模型中进行农业害虫识别和检测。

Claims (1)

1.一种农业害虫智能检测方法，其特征在于：包括下列步骤：
(1)、采用数据爬虫和图像实时拍摄的方式来收集农业害虫图像；采用数据爬虫的方式收集农业害虫图像的过程为：任意选取三种搜索引擎作为目标爬虫对象，确定农业害虫的中文名以及拉丁学名作为关键字信息进行搜索，分批次和分类别在互联网上爬取农业害虫彩色图片，针对每一类别的害虫，在每一个搜索引擎上进行两次不同关键字的图片数据爬取，然后人工合并去重，在完成所有类别的农业害虫图像爬取之后，依照农业害虫类别归纳整理所有的农业害虫图像；采用图像实时拍摄的方式收集农业害虫图像的过程为：选取工业高清摄像头作为图像采集设备，选取目标农业害虫作为图像采集对象，在自然拟真环境下分时段、分场景拍摄农业害虫彩色图像；
(2)、采用人工遴选的方式清洗网络爬虫数据，剔除非农业害虫图片以及重合农业害虫图像，然后通过脚本运算的方式对遴选之后的爬虫图像数据以及实时采集图像数据做格式归一化处理；
(3)、对经过归一化处理的图像数据采用数据增强的手段进行处理，所述数据增强的手段包括：噪声处理、模糊处理、90度旋转、180度旋转、270度旋转、平移裁切、缩放拉伸、镜像翻转以及叠加；
(4)、采用开源工具LabelImg标注步骤(3)中经过处理的所有图片数据，将标注后的农业害虫图像组成农业害虫图像数据集；
(5)、建立农业害虫目标检测模型；
(6)、将步骤(4)中的农业害虫图像数据集输入到步骤(5)的农业害虫目标检测模型中进行训练，得到训练后的农业害虫目标检测模型；
(7)、对训练后的农业害虫目标检测模型进行精度评价，得到评价后的农业害虫目标检测模型；采用分类精度mAP和检测速度FPS来对训练后的农业害虫目标检测模型进行精度评价，所述分类精度mAP为各个单一类别农业害虫检测精确率的平均值，检测速度FPS为每秒传输帧数或单张图片的检测速度；
(8)、任意选取一张农业害虫图像输入到评价后的农业害虫目标检测模型中进行农业害虫识别和检测。
CN202110994503.5A 2021-08-27 2021-08-27 一种农业害虫智能检测方法 Pending CN113744225A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110994503.5A CN113744225A (zh) 2021-08-27 2021-08-27 一种农业害虫智能检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110994503.5A CN113744225A (zh) 2021-08-27 2021-08-27 一种农业害虫智能检测方法

Publications (1)

Publication Number Publication Date
CN113744225A true CN113744225A (zh) 2021-12-03

Family

ID=78733359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110994503.5A Pending CN113744225A (zh) 2021-08-27 2021-08-27 一种农业害虫智能检测方法

Country Status (1)

Country Link
CN (1) CN113744225A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875821A (zh) * 2018-06-08 2018-11-23 Oppo广东移动通信有限公司 分类模型的训练方法和装置、移动终端、可读存储介质
WO2020052169A1 (zh) * 2018-09-12 2020-03-19 深圳云天励飞技术有限公司 一种服饰属性识别检测方法及装置
CN111199245A (zh) * 2019-12-20 2020-05-26 湖南城市学院 油菜害虫识别方法
CN112231535A (zh) * 2020-10-23 2021-01-15 山东科技大学 一种农业病虫害领域多模态数据集制作方法、处理装置和存储介质
CN112668490A (zh) * 2020-12-30 2021-04-16 浙江托普云农科技股份有限公司 基于YOLOv4的害虫检测方法、系统、装置及可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875821A (zh) * 2018-06-08 2018-11-23 Oppo广东移动通信有限公司 分类模型的训练方法和装置、移动终端、可读存储介质
WO2020052169A1 (zh) * 2018-09-12 2020-03-19 深圳云天励飞技术有限公司 一种服饰属性识别检测方法及装置
CN111199245A (zh) * 2019-12-20 2020-05-26 湖南城市学院 油菜害虫识别方法
CN112231535A (zh) * 2020-10-23 2021-01-15 山东科技大学 一种农业病虫害领域多模态数据集制作方法、处理装置和存储介质
CN112668490A (zh) * 2020-12-30 2021-04-16 浙江托普云农科技股份有限公司 基于YOLOv4的害虫检测方法、系统、装置及可读存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘瑞兰, 苏宏业, 褚健: "基于改进模糊神经网络的软测量建模方法", 信息与控制, no. 04 *
孙红;李松;李民赞;刘豪杰;乔浪;张瑶;: "农业信息成像感知与深度学习应用研究进展", 农业机械学报, no. 05 *
魏杨;毕秀丽;肖斌;: "基于区域卷积神经网络的农业害虫检测方法", 计算机科学, no. 2 *

Similar Documents

Publication Publication Date Title
Jin et al. Weed identification using deep learning and image processing in vegetable plantation
CN114387520B (zh) 一种用于机器人采摘的密集李子精准检测方法及其系统
CN111179216B (zh) 一种基于图像处理与卷积神经网络的作物病害识别方法
CN110245720B (zh) 一种基于深度学习的柑橘病虫害智能诊断方法及系统
CN110321956B (zh) 一种基于人工智能的牧草病虫害治理方法及装置
Önler Real time pest detection using YOLOv5
CN115311657B (zh) 多源藻类图像目标检测方法、系统、电子设备及存储介质
Pramudhita et al. Strawberry Plant Diseases Classification Using CNN Based on MobileNetV3-Large and EfficientNet-B0 Architecture
CN113312999A (zh) 一种自然果园场景下的柑橘木虱高精度检测方法及装置
CN112861666A (zh) 一种基于深度学习的鸡群计数方法及应用
CN116563205A (zh) 基于小目标检测和改进YOLOv5的麦穗计数检测方法
CN116052222A (zh) 自然采集牛脸图像的牛脸识别方法
CN116682106A (zh) 一种基于深度学习的柑橘木虱智能检测方法及装置
CN111027436A (zh) 一种基于深度学习的东北黑木耳病虫害图像识别系统
CN118115879A (zh) 一种基于深度学习的自动化除草方法
CN118262149A (zh) 一种基于深度学习的农作物病虫害图像识别方法与系统
CN113936019A (zh) 一种基于卷积神经网络技术的大田作物产量估算方法
CN105631451A (zh) 一种基于安卓系统的植物叶片识别方法
CN117593252A (zh) 一种作物病害识别方法、计算机设备及存储介质
CN117392535A (zh) 一种面向复杂环境的果树花芽目标检测与白点率估算方法
CN113744225A (zh) 一种农业害虫智能检测方法
CN115147835B (zh) 一种基于改进RetinaNet的自然果园场景下的凤梨成熟度检测方法
CN110705698A (zh) 尺度自适应感知的目标计数深度网络设计方法
Goondram et al. Strawberry Detection using Mixed Training on Simulated and Real Data
CN115359324A (zh) 一种中华绒螯蟹头胸甲特征点识别的方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20211203