CN114022656A - 一种智能风吸式led特征光谱害虫诱杀系统及方法 - Google Patents
一种智能风吸式led特征光谱害虫诱杀系统及方法 Download PDFInfo
- Publication number
- CN114022656A CN114022656A CN202111297490.2A CN202111297490A CN114022656A CN 114022656 A CN114022656 A CN 114022656A CN 202111297490 A CN202111297490 A CN 202111297490A CN 114022656 A CN114022656 A CN 114022656A
- Authority
- CN
- China
- Prior art keywords
- pest
- pests
- led
- prior
- deep learning
- 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
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 180
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000001228 spectrum Methods 0.000 title claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 34
- 230000006378 damage Effects 0.000 claims abstract description 28
- 241000238631 Hexapoda Species 0.000 claims abstract description 11
- 238000013178 mathematical model Methods 0.000 claims abstract description 3
- 201000010099 disease Diseases 0.000 claims description 46
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 46
- 238000013136 deep learning model Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 10
- 238000013434 data augmentation Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000001932 seasonal effect Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 239000000575 pesticide Substances 0.000 description 5
- 241000894007 species Species 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 241001124076 Aphididae Species 0.000 description 3
- 241000258937 Hemiptera Species 0.000 description 3
- 241000209094 Oryza Species 0.000 description 3
- 241001414989 Thysanoptera Species 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 241001465828 Cecidomyiidae Species 0.000 description 2
- 241000426497 Chilo suppressalis Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 241001249129 Scirpophaga incertulas Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 241000008892 Cnaphalocrocis patnalis Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 241001556089 Nilaparvata lugens Species 0.000 description 1
- 241000176086 Sogatella furcifera Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000295 emission spectrum Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000002319 phototactic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000001926 trapping method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M1/00—Stationary means for catching or killing insects
- A01M1/08—Attracting and catching insects by using combined illumination or colours and suction effects
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06M—COUNTING MECHANISMS; COUNTING OF OBJECTS NOT OTHERWISE PROVIDED FOR
- G06M1/00—Design features of general application
- G06M1/27—Design features of general application for representing the result of count in the form of electric signals, e.g. by sensing markings on the counter drum
- G06M1/272—Design features of general application for representing the result of count in the form of electric signals, e.g. by sensing markings on the counter drum using photoelectric means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Pest Control & Pesticides (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Insects & Arthropods (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Environmental Sciences (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明涉及一种智能风吸式LED特征光谱害虫诱杀系统和方法，系统主要包括LED灯、太阳能电池板、储虫笼、灯体、负风式风扇、控制板、GPRS组件、监控相机、底座；在灯体中设置有LED灯，LED灯下方安装有风扇用于产生负风压力，灯体下方还还安装有储虫笼；在LED两侧装有监控相机，用于监控灯光周围的害；LED等上方安装有太阳能电池板；采用LED特征波长引诱害虫，在LED灯的下方安装负风式风扇，当害虫靠近灯光时，风扇产生的负风压力将害虫吸入系统中的害虫存储笼；在LED两侧装有监控相机，实时监控灯光周围的害虫，采集不同时间段出现的害虫种类及频率，通过建立害虫种类出现频率‑时间段的数学模型，控制LED灯发出对应的特征波长诱杀害虫。
Description
技术领域
本发明涉及智能设备领域，尤其是一种智能风吸式LED特征光谱害虫诱杀系统及方法。
背景技术
长期以来，我国将农业作为国民经济发展的基础。近年来，受气候变化、生态环境恶化、农作物布局调整等因素的影响，农作物病虫害种类越来越多，发生面积越来越大，程度越来越严重。为了保证防治效果不下降，农药使用量逐年增加。据统计，我国在2012-2014年平均每年使用农药31.1万吨，相较于2009-2011年，增长9.2％。农药的过量使用不仅会造成生产成本增加，还存在一系列安全隐患，不利于农业的可持续发展。为控制和减少农药的使用，国家农业部也下发了相应的文件，文件要求在减少农药使用量的同时，保证病虫害的防治效果不下降，提出建设智能化网点，健全病虫害监测体系来防治病虫害的方案。
虫害监测是病虫害监测体系的重要组成部分，害虫识别与计数是农业虫害监测和预报的基础。传统的害虫识别技术是通过人工进行检测、识别，通常采用盘拍、诱集等方法，利用肉眼在收集现场检查害虫，依靠人的经验或查阅相关专业图书判别害虫的种类，甚至需要求助于昆虫学家；而害虫计数也是通过人为计数。这不仅会浪费大量的人力财力，而且往往由于害虫数量巨大需要较长的时间，且识别和计数的准确率会受到人员主观因素的影响。这与现代农业追求高效能的发展要求不符，除此之外，近些年来，农业害虫发生次数频繁，且影响范围大，而我国农民植保知识缺乏不能满足当前虫害监测的需求。因此，我们要开发一些新方法，可以快速、准确的对害虫进行自动计数和识别，这样不但有助于减少害虫带来的损失，而且可以促进精细农业的发展。研究害虫自动检测与识别技术，开发视觉型智能控制系统，有利于降低防治成本、提高防治效果。
发明内容
为了解决上述技术问题，本发明通过太阳能储能系统实现整系统的节能环保，将深度学习引进农作物害虫识别与计数领域，运用智能分析方法和吸引害虫的发光材料的研发，对LED光谱的实时调控，实现对害虫的针对性诱捕，为了更大程度的捕杀，专门设计了风吸式控制系统，通过大功率风机，实现害虫的吸入式杀灭。
本发明的技术方案为：一种智能风吸式LED特征光谱害虫诱杀系统，包括LED灯、太阳能电池板、储虫笼、灯体、负风式风扇、控制板、GPRS组件、监控相机、底座；
在灯体中设置有LED灯，LED灯下方安装有风扇用于产生负风压力，灯体下方还还安装有储虫笼；在LED两侧装有监控相机；LED灯上方安装有太阳能电池板；
在LED两侧的监控相机，用于实时监控灯光周围的害虫，采集不同时间段出现的害虫种类及频率，通过建立害虫种类出现频率-时间段的数学模型，控制LED灯发出对应的特征波长诱杀害虫，当害虫靠近灯光时，通过在LED灯的下方的负风式风扇产生的负风压力将害虫吸入系统中的害虫存储笼完成诱杀。
根据本发明的另一方面，提出一种智能风吸式LED特征光谱害虫诱杀方法，包括如下步骤：
步骤一、通过LED两侧安装的监控相机，实时监控灯光周围的害虫；
步骤二、监控相机采集不同时间段出现的害虫图像，进行深度学习模型训练，得到训练好的病虫害识别深度学习模型；
步骤三、将LED灯光周围监控相机实时拍摄的害虫图像输入到病虫害识别深度学习模型中，进行害虫计数和识别，获取其种类，自适应控制LED灯发出对应的特征波长诱杀害虫。
进一步的，所述步骤二中，
深度学习模型是将某段时间害虫的种类和数量作为2个变量，运用SSD网络深度学习的方法，构建得到的模型，其对害虫图像进行学习，并根据前段时间害虫的种类和数量学习的结果，在后段时间中，自适应调整发光光谱，针对性的诱捕害虫，最大限度的杀灭季节性害虫。
进一步的，所述步骤二具体包括如下步骤：
步骤2.1、输入病虫害图像；
步骤2.2、对病虫害图像进行预处理；
步骤2.3、对病虫害特征进行提取，得到提取的病虫害特征；
步骤2.4、利用得到的病虫害特征对病虫害识别深度学习模型进行训练获得训练好的模型。
进一步的，所述步骤2.2、对病虫害图像进行预处理采用ESPCN方法，将图像尺寸放大，体现更多的细节信息，以提高识别和计数的准确性。
进一步的，所述步骤2.3、对病虫害特征进行提取，采用深度学习的方法，即基于SSD网络进行特征提取，所述SSD网络是以VGG16为基础网络，去掉VGG16的全连接层，并增加4个卷积层来提取特征；利用最后的六个卷积层来进行检测；分别输出先验框的类别置信度和目标边框的位置，经过优选层的过滤，最后选取置信度最高的Prior Box作为优选框，得到提取的特征。
进一步的，所述步骤2.4中，所述病虫害识别深度学习模型采用SSD网络；
其中，在设计先验框时，针对每个单元格设置尺度不同或者宽高比不同的先验框，预测的边界框是以这些先验框为基准的，先验框采用8×8的单元格和4×4的单元格，每个单元格使用4个不同的先验框，每个先验框均会有4个坐标输出和C个类别输出；假设特征图有m×n个单元格，每个单元格产生k个先验框，那么就会有m×n×4×k个位置和m×n×k×C个类别输出；在计算的过程中，并不是所有的先验框都参与计算，而是通过优选先验框进行筛选计算；
进一步的，所述步骤2.4中，所述病虫害识别深度学习模型采用SSD网络；
SSD网络采用特征金字塔结构进行检测，即检测时利用了多层特征图，SSD算法检测时利用了后面六个卷积层的不同大小的特征图，在多个特征图上进行softmax分类和位置回归。
进一步的，所述步骤2.4、利用得到的病虫害特征对病虫害识别深度学习模型进行训练获得训练好的模型，其中SSD训练过程运用了先验框匹配策略来选取正负样本，把与Ground Truth匹配的先验框称为正样本；反之，若一个先验框没有与任何Ground Truth匹配，那么该先验框只能与背景匹配，这样的先验框称为负样本；匹配有两个原则：
1)找到与每个真实目标IOU最大的先验框，该先验框与其匹配，这样可以保证每个真实目标至少有一个先验框；
2)对于剩余未匹配的先验框，若Ground Truth与先验框的IOU大于某个阈值，那么该先验框也与这个Ground Truth匹配。
进一步的，所述步骤2.4、利用得到的病虫害特征对病虫害识别深度学习模型进行训练获得训练好的模型，在SSD网络的训练过程中，进行数据增广和正负样本挖掘；SSD网络在训练过程中运用的数据增广方法有水平翻转、随机旋转、颜色扭曲、利用随机采集块域的方法来增加样本中小目标的数量。
有益效果：
1、本发明首次提出基于机器视觉和深度学习结合进行害虫检测与监测；
2、本发明根据害虫某段时间出现的种类和数量，进行自适应的控制诱捕灯的发光光谱，针对性诱捕季节性害虫；
3、本发明设计可以根据害虫的出现，自适应控制风机，节能环保；
4、本发明采用太阳能，实现能力自给自足，并且还有GPS系统，有防盗功能。
附图说明
图1本发明的系统结构示意图；
图2本发明的方法流程图；
图3本发明的SSD深度网络训练示意图；
图4本发明SSD网络示意图；
图5本发明的先验框设计示意图，(a)图像先验框，(b)8×8特征图，(c)4×4特征图；
图6为本发明的优选框筛选过程。
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、完整的描述，显然，所描述的实施例仅为本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。
根据本发明的实施例，提出一种智能风吸式LED特征光谱害虫诱杀系统，害虫诱杀系统整体结构如图1所示，包括LED灯、太阳能电池板、储虫笼、灯体、负风式风扇、控制板、GPRS组件、监控相机、底座等部件。
在灯体中设置有LED灯，LED灯下方安装有风扇用于产生负风压力，灯体下方还安装有储虫笼；在LED两侧装有监控相机，用于监控灯光周围的害虫；LED等上方安装有太阳能电池板；
本发明采用LED特征波长引诱害虫，在LED灯的下方安装负风式风扇，当害虫靠近灯光时，风扇产生的负风压力将害虫吸入系统中的害虫存储笼。
在LED两侧装有监控相机，实时监控灯光周围的害虫，采集不同时间段出现的害虫种类及频率，通过不同害虫种类构建模型，控制LED灯发出对应的特征波长诱杀害虫。
该模型把某段时间害虫的种类和数量作为2个变量，运用中SSD网络深度学习的方法，构建一个模型，对害虫进行学习，并根据前段时间害虫的种类和数量学习的结果，在后段时间中，自适应调整发光光谱，针对性的诱捕害虫，最大限度的杀灭季节性害虫。
本发明主要针对稻田农业害虫，我们得出的结论如下：
| 农田主要害虫种类 | 趋光波段范围 | 扑灯节律 |
| 稻纵卷叶螟、三化螟、二化螟 | 350～400(紫光) | 19:30－22:30 |
| 中华稻蝗 | 350～400(紫光) | 18:30－19:30 |
| 蚜虫、蓟马、粉虱 | 550～590(绿黄光) | 18:30－19:30 |
| 稻瘿蚊、褐飞虱、白背飞虱 | 430～450(蓝光) | 20:30－22:30 |
| 大螟 | 350～400(紫光) | 22:30－01:30 |
灯的循环设计如下：
| 时间段 | 开关LED灯操作 | 诱杀水稻害虫种类 |
| 17:30－18:30 | 紫光灯开，黄绿蓝光灯关 | 中华稻蝗 |
| 18:30－19:30 | 紫蓝光灯关，黄绿光灯开 | 蚜虫、蓟马、粉虱 |
| 19:30－20:30 | 黄绿蓝光灯关，紫光灯开 | 二化螟、三化螟 |
| 20:30－22:30 | 黄绿紫光灯关，蓝光灯开 | 稻瘿蚊 |
| 22:30－01:30 | 黄绿蓝光灯关，紫光灯开 | 大螟 |
| 01:30－05:30 | 关灯，节约用电 | 害虫活动少 |
| 05:30－06:30 | 紫蓝光灯关，黄绿光灯开 | 蚜虫、蓟马、粉虱 |
| 06:30－16:00 | 全部关灯，进入充电程序 |
根据系统的功能，进行害虫诱杀系统的整体设计、建模及加工制造，提升害虫诱杀系统的智能性从而提高害虫诱杀的效率，最大程度地减小害虫对环境及农作物的危害。
根据本发明的另一实施例，提出一种智能风吸式LED特征光谱害虫诱杀方法，其流程如图2所示：包括如下步骤：
步骤一、通过LED两侧安装的监控相机，实时监控灯光周围的害虫；
步骤二、监控相机采集不同时间段出现的害虫图像，进行深度学习模型训练，得到训练好的病虫害识别深度学习模型；
步骤三、将LED灯光周围监控相机实时拍摄的害虫图像输入到病虫害识别深度学习模型中，进行害虫计数和识别，获取其种类，自适应控制LED灯发出对应的特征波长诱杀害虫。
根据一个实施例，所述步骤二中，深度学习模型是将某段时间害虫的种类和数量作为2个变量，运用SSD网络深度学习的方法，构建得到的模型，其对害虫图像进行学习，并根据前段时间害虫的种类和数量学习的结果，在后段时间中，自适应调整发光光谱，针对性的诱捕害虫，最大限度的杀灭季节性害虫。
根据一个实施例，所述步骤二如图3所示，具体包括如下步骤,：
步骤2.1、输入病虫害图像；
步骤2.2、对病虫害图像进行预处理；
步骤2.3、对病虫害特征进行提取，得到提取的病虫害特征；
步骤2.4、利用得到的病虫害特征对病虫害识别深度学习模型进行训练获得训练好的模型。
进一步的，其中，所述步骤2.2，对病虫害图像预处理的步骤具体如下：
由于采集的害虫图像中包含的害虫体积小，形状纹理结构较为复杂，且部分密度较大，有重叠现象。普通相机受像素、焦距、光照等因素的限制，不能清晰地拍摄出害虫的外形特征，这给害虫的识别与计数带来了一定的困难。超分辨率是通过软件或硬件方法，提高图像分辨率的一种技术，其核心思想是用时间带宽换取空间分辨率。对于害虫图像分辨率较低，不能清晰地显示害虫的形态特征和颜色特征的问题，超分辨率重建可以使低分辨率的图像输出为高分辨率图像，展现更多低分辨率图像显示不清楚的细节，对后续的识别与计数提供有效的帮助。传统的高分辨率方法采用插值的进行超分辨率重建，这种方法虽然计算简单，但是也存在一些明显的缺陷，如利用插值方法进行重建的前提条件是假设像素灰度值的变化一个连续、平滑的过程，在实际情况中，这种假设并不成立。近几年，深度学习超分辨率重建有了飞速的发展，基于深度神经网络的几种模型在单张图像超分辨率重建的精度和计算性能方面取得了巨大成功。本步骤采用ESPCN方法，将图像尺寸放大，体现更多的细节信息，以提高识别和计数的准确性。
所述步骤2.3，对病虫害特征进行提取，具体如下：
鉴于害虫种类繁多，普通的匹配方法已不能满足需要，因此本发明设计采用深度学习的方法，所述的病虫害识别深度学习模型即基于SSD网络的模型，进行害虫识别和计数，。
SSD网络是以VGG16为基础网络，去掉VGG16的全连接层，并增加4个卷积层来提取特征。利用最后的六个卷积层来进行检测(图4中conv4_3、conv7、conv8_2、conv9_2、conv10_2、conv11_2)；
分别输出先验框(Prior Box)的类别置信度和目标边框的位置，经过优选层的过滤，最后选取置信度最高的Prior Box作为优选框。
根据一个实施例，本发明的SSD网络主要设计如下：
首先，先验框机制的设计
SSD借鉴了Faster-RCNN的anchor机制，每个单元格设置尺度不同或者宽高比不同的先验框，预测的边界框是以这些先验框为基准的，如下图5(a)-(c)所示，图中的猫和狗分别采用8×8的单元格和4×4的单元格，每个单元格使用4个不同的先验框，每个先验框均会有4个坐标输出和C个类别输出。假设特征图有m×n个单元格，每个单元格产生k个先验框，那么就会有m×n×4×k个位置和m×n×k×C个类别输出。由于检测过程中会产生大量的先验框，如SSD会产生8732个先验框，会影响速度，在计算的过程中，并不是所有的先验框都参与计算，而是有一个优选框的筛选过程，参见图6。
筛选候选框层，经过注意力机制得到Attention特征图(注意力特征图)，对其再进行候选框筛选，每个像素会有9个候选框。候选框以对应像素为中心，使用了三个尺度和三种长款比例得到。然后每个候选框经过softmax层采用二分类，判断其为害虫或者非害虫。同时，记录每个候选框的4个坐标。最后将越界框和重复面积区域超过70％区域剔除，在将其余的候选框按照置信率排序保留前200个，作为优选框。
其次，特征金字塔检测方式设计如下：在SSD之前的一些目标检测算法，如Faster-RCNN和YOLO，只利用顶层特征进行检测；而SSD采用了特征金字塔结构进行检测，即检测时利用了多层特征图。SSD算法检测时利用了conv4_3、conv7、conv8_2、conv9_2、conv10_2、conv11_2这些不同大小的特征图，在多个特征图上进行softmax分类和位置回归。
SSD网络训练过程运用了先验框匹配策略来选取正负样本。通常把与GroundTruth匹配的先验框称为正样本。反之，若一个先验框没有与任何Ground Truth匹配，那么该先验框只能与背景匹配，这样的先验框称为负样本。匹配有两个原则：1)找到与每个真实目标IOU最大的先验框，该先验框与其匹配，这样可以保证每个真实目标至少有一个先验框。2)如果仅仅按照第一条原则匹配，很多先验框会是负样本，导致正负样本及其不均衡。这样就需要第二个原则：对于剩余未匹配的先验框，若Ground Truth与先验框的IOU大于某个阈值，那么该先验框也与这个Ground Truth匹配。
在SSD的训练过程中，还运用了一些训练技巧，如数据增广和难负样本挖掘。SSD在训练过程中运用的数据增广方法有水平翻转、随机旋转、颜色扭曲、利用随机采集块域的方法来增加样本中小目标的数量等。正负样本挖掘控制正负样本的比例始终保持在1:3左右。通过这些数据增广方法和难负样本挖掘策略可以提升SSD模型的检测性能。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，且应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
Claims (10)
1.一种智能风吸式LED特征光谱害虫诱杀系统，其特征在于，包括LED灯、太阳能电池板、储虫笼、灯体、负风式风扇、控制板、GPRS组件、监控相机、底座；
在灯体中设置有LED灯，LED灯下方安装有风扇用于产生负风压力，灯体下方还还安装有储虫笼；在LED两侧装有监控相机；LED灯上方安装有太阳能电池板；
在LED两侧的监控相机，用于实时监控灯光周围的害虫，采集不同时间段出现的害虫种类及频率，通过建立害虫种类出现频率-时间段的数学模型，控制LED灯发出对应的特征波长诱杀害虫，当害虫靠近灯光时，通过在LED灯的下方的负风式风扇产生的负风压力将害虫吸入系统中的害虫存储笼完成诱杀。
2.一种智能风吸式LED特征光谱害虫诱杀方法，其特征在于，包括如下步骤：
步骤一、通过LED两侧安装的监控相机，实时监控灯光周围的害虫；
步骤二、监控相机采集不同时间段出现的害虫图像，进行深度学习模型训练，得到训练好的病虫害识别深度学习模型；
步骤三、将LED灯光周围监控相机实时拍摄的害虫图像输入到病虫害识别深度学习模型中，进行害虫计数和识别，获取其种类，自适应控制LED灯发出对应的特征波长诱杀害虫。
3.根据权利要求2所述的一种智能风吸式LED特征光谱害虫诱杀方法，其特征在于，所述步骤二中，
深度学习模型是将某段时间害虫的种类和数量作为2个变量，运用SSD网络深度学习的方法，构建得到的模型，其对害虫图像进行学习，并根据前段时间害虫的种类和数量学习的结果，在后段时间中，自适应调整发光光谱，针对性的诱捕害虫，最大限度的杀灭季节性害虫。
4.根据权利要求2所述的一种智能风吸式LED特征光谱害虫诱杀方法，其特征在于，所述步骤二具体包括如下步骤：
步骤2.1、输入病虫害图像；
步骤2.2、对病虫害图像进行预处理；
步骤2.3、对病虫害特征进行提取，得到提取的病虫害特征；
步骤2.4、利用得到的病虫害特征对病虫害识别深度学习模型进行训练获得训练好的模型。
5.根据权利要求4所述的一种智能风吸式LED特征光谱害虫诱杀方法，其特征在于，所述步骤2.2、对病虫害图像进行预处理采用ESPCN方法，将图像尺寸放大，体现更多的细节信息，以提高识别和计数的准确性。
6.根据权利要求4所述的一种智能风吸式LED特征光谱害虫诱杀方法，其特征在于，所述步骤2.3、对病虫害特征进行提取，采用深度学习的方法，即基于SSD网络进行特征提取，所述SSD网络是以VGG16为基础网络，去掉VGG16的全连接层，并增加4个卷积层来提取特征；利用最后的六个卷积层来进行检测；分别输出先验框的类别置信度和目标边框的位置，经过优选层的过滤，最后选取置信度最高的Prior Box作为优选框，得到提取的特征。
7.根据权利要求4所述的一种智能风吸式LED特征光谱害虫诱杀方法，其特征在于，所述步骤2.4中，所述病虫害识别深度学习模型采用SSD网络；
其中，在设计先验框时，针对每个单元格设置尺度不同或者宽高比不同的先验框，预测的边界框是以这些先验框为基准的，先验框采用8×8的单元格和4×4的单元格，每个单元格使用4个不同的先验框，每个先验框均会有4个坐标输出和C个类别输出；假设特征图有m×n个单元格，每个单元格产生k个先验框，那么就会有m×n×4×k个位置和m×n×k×C个类别输出；在计算的过程中，并不是所有的先验框都参与计算，而是通过优选先验框进行筛选计算。
8.根据权利要求4所述的一种智能风吸式LED特征光谱害虫诱杀方法，其特征在于，所述步骤2.4中，所述病虫害识别深度学习模型采用SSD网络；
SSD网络采用特征金字塔结构进行检测，即检测时利用了多层特征图，SSD算法检测时利用了后面六个卷积层的不同大小的特征图，在多个特征图上进行softmax分类和位置回归。
9.根据权利要求4所述的一种智能风吸式LED特征光谱害虫诱杀方法，其特征在于，所述步骤2.4、利用得到的病虫害特征对病虫害识别深度学习模型进行训练获得训练好的模型，其中SSD训练过程运用了先验框匹配策略来选取正负样本，把与Ground Truth匹配的先验框称为正样本；反之，若一个先验框没有与任何Ground Truth匹配，那么该先验框只能与背景匹配，这样的先验框称为负样本；匹配有两个原则：
1)找到与每个真实目标IOU最大的先验框，该先验框与其匹配，这样可以保证每个真实目标至少有一个先验框；
2)对于剩余未匹配的先验框，若Ground Truth与先验框的IOU大于某个阈值，那么该先验框也与这个Ground Truth匹配。
10.根据权利要求4所述的一种智能风吸式LED特征光谱害虫诱杀方法，其特征在于，所述步骤2.4、利用得到的病虫害特征对病虫害识别深度学习模型进行训练获得训练好的模型，在SSD网络的训练过程中，进行数据增广和正负样本挖掘；SSD网络在训练过程中运用的数据增广方法有水平翻转、随机旋转、颜色扭曲、利用随机采集块域的方法来增加样本中小目标的数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111297490.2A CN114022656A (zh) | 2021-11-04 | 2021-11-04 | 一种智能风吸式led特征光谱害虫诱杀系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111297490.2A CN114022656A (zh) | 2021-11-04 | 2021-11-04 | 一种智能风吸式led特征光谱害虫诱杀系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114022656A true CN114022656A (zh) | 2022-02-08 |
Family
ID=80060791
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111297490.2A Pending CN114022656A (zh) | 2021-11-04 | 2021-11-04 | 一种智能风吸式led特征光谱害虫诱杀系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114022656A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114903020A (zh) * | 2022-05-16 | 2022-08-16 | 中科安芯(深圳)科技有限公司 | 特定趋光波段粮仓害虫诱捕系统及其控制方法 |
| CN116569898A (zh) * | 2023-07-12 | 2023-08-11 | 闽都创新实验室 | 害虫智能防治方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030032838A (ko) * | 2001-10-19 | 2003-04-26 | 주식회사 세스코 | 원격 방제 시스템 및 그 방법 및 실시간 방제 방법 |
| CN107578089A (zh) * | 2017-09-13 | 2018-01-12 | 中国水稻研究所 | 一种农作物灯诱测报害虫的自动识别与计数方法 |
| CN111109217A (zh) * | 2018-11-01 | 2020-05-08 | 江苏中域齐民网络科技有限公司 | 一种智能杀虫灯控制系统 |
| CN214508920U (zh) * | 2020-10-19 | 2021-10-29 | 广西壮族自治区农业科学院植物保护研究所 | 多功能一体化太阳能诱虫灯 |
-
2021
- 2021-11-04 CN CN202111297490.2A patent/CN114022656A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030032838A (ko) * | 2001-10-19 | 2003-04-26 | 주식회사 세스코 | 원격 방제 시스템 및 그 방법 및 실시간 방제 방법 |
| CN107578089A (zh) * | 2017-09-13 | 2018-01-12 | 中国水稻研究所 | 一种农作物灯诱测报害虫的自动识别与计数方法 |
| CN111109217A (zh) * | 2018-11-01 | 2020-05-08 | 江苏中域齐民网络科技有限公司 | 一种智能杀虫灯控制系统 |
| CN214508920U (zh) * | 2020-10-19 | 2021-10-29 | 广西壮族自治区农业科学院植物保护研究所 | 多功能一体化太阳能诱虫灯 |
Non-Patent Citations (2)
| Title |
|---|
| 涂海华 等: "LED多光谱循环式太阳能杀虫灯在葡萄园中的应用研究", 中外葡萄与葡萄酒, no. 01, 15 January 2016 (2016-01-15), pages 10 - 13 * |
| 陈天娇 等: "基于深度学习的病虫害智能化识别系统", 中国植保导刊, vol. 39, no. 04, 25 April 2019 (2019-04-25), pages 26 - 34 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114903020A (zh) * | 2022-05-16 | 2022-08-16 | 中科安芯(深圳)科技有限公司 | 特定趋光波段粮仓害虫诱捕系统及其控制方法 |
| CN114903020B (zh) * | 2022-05-16 | 2024-05-14 | 中科芯禾(深圳)科技有限公司 | 特定趋光波段粮仓害虫诱捕系统及其控制方法 |
| CN116569898A (zh) * | 2023-07-12 | 2023-08-11 | 闽都创新实验室 | 害虫智能防治方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
| CA3172012C (en) | Insect monitoring system and method | |
| CN114022656A (zh) | 一种智能风吸式led特征光谱害虫诱杀系统及方法 | |
| CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
| CN106845408A (zh) | 一种复杂环境下的街道垃圾识别方法 | |
| CN108040997B (zh) | 一种基于机器视觉的虫害监测方法 | |
| CN109376728A (zh) | 一种基于多特征融合和bp神经网络的稻田杂草识别方法及其应用 | |
| CN102523953A (zh) | 作物信息融合方法及病害监测系统 | |
| CN102930249A (zh) | 基于颜色和模型的农田害虫识别和计数方法 | |
| CN109325495A (zh) | 一种基于深度神经网络建模的作物图像分割系统及方法 | |
| CN108174832A (zh) | 杀灭蚊虫的方法及装置 | |
| CN109344699A (zh) | 基于分层深度卷积神经网络的冬枣病害识别方法 | |
| CN114693616B (zh) | 一种基于改进目标检测模型与卷积神经网络的水稻病害检测方法、设备和介质 | |
| CN106373136A (zh) | 一种基于颜色和特征的害虫识别计数方法 | |
| 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 | |
| Wang et al. | Accurate detection and precision spraying of corn and weeds using the improved YOLOv5 model | |
| CN115862004A (zh) | 一种玉米果穗表面缺陷检测方法及装置 | |
| CN114092808A (zh) | 基于图像和深度学习的农作物病虫害检测防治装置及方法 | |
| CN117036926A (zh) | 一种融合深度学习与图像处理的杂草识别方法 | |
| CN103226709B (zh) | 一种美国白蛾幼虫网幕图像识别方法 | |
| CN113283538B (zh) | 一种基于卷积神经网络的昆虫分类及计数方法 | |
| Modi et al. | An automated weed identification framework for sugarcane crop: a deep learning approach | |
| Sornalakshmi et al. | A technical survey on deep learning and AI solutions for plant quality and health indicators monitoring in agriculture | |
| CN115984625A (zh) | 一种复杂背景下的柑橘病害机器视觉识别方法 | |
| Mamdouh et al. | Artificial intelligence-based detection and counting of olive fruit flies: a comprehensive survey |
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 |