CN114549516B - 一种应用于多种类高密度极小虫体行为学的智能分析系统 - Google Patents
一种应用于多种类高密度极小虫体行为学的智能分析系统 Download PDFInfo
- Publication number
- CN114549516B CN114549516B CN202210201354.7A CN202210201354A CN114549516B CN 114549516 B CN114549516 B CN 114549516B CN 202210201354 A CN202210201354 A CN 202210201354A CN 114549516 B CN114549516 B CN 114549516B
- Authority
- CN
- China
- Prior art keywords
- behavioral
- behavior
- unit
- density
- biological
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 44
- 241000238631 Hexapoda Species 0.000 title claims abstract description 40
- 230000003542 behavioural effect Effects 0.000 claims abstract description 56
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 25
- 230000000694 effects Effects 0.000 claims abstract description 17
- 238000004088 simulation Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000011217 control strategy Methods 0.000 claims abstract description 11
- 230000000007 visual effect Effects 0.000 claims abstract description 9
- 230000033001 locomotion Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000002955 isolation Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 2
- 230000003020 moisturizing effect Effects 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 4
- 230000002349 favourable effect Effects 0.000 abstract description 3
- 238000004141 dimensional analysis Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 39
- 238000011160 research Methods 0.000 description 10
- 241000238876 Acari Species 0.000 description 6
- 238000012549 training Methods 0.000 description 4
- 230000004791 biological behavior Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 241000934067 Acarus Species 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; CARE OF BIRDS, FISHES, INSECTS; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K67/00—Rearing or breeding animals, not otherwise provided for; New breeds of animals
- A01K67/033—Rearing or breeding invertebrates; New breeds of invertebrates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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
- G06T7/0012—Biomedical image inspection
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/693—Acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; CARE OF BIRDS, FISHES, INSECTS; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K29/00—Other apparatus for animal husbandry
- A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10056—Microscopic 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
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Abstract
本申请公开了一种应用于多种类高密度极小虫体行为学的智能分析系统,包括操作平台子系统和分析子系统;操作平台子系统用于提供可获取极小虫体行为的活动媒介,并拍摄极小虫体行为;分析子系统中的行为采集模块通过操作平台子系统获取高密度极小虫体昆虫的行为学视频,分析建模模块根据行为学视频,获取多种类高密度极小昆虫的行为学大数据,建立行为学模型,模拟预测模块根据行为学模型,动态预测大田生态系统中极小类害虫综合防治策略和防治成效,可视化演示模块用于显示上述行为数据。本申请能够精准高效获取极小类害虫行为学大数据资源,并进行多维度分析建模,为科研人员探索大田生态系统中生物群落间的行为机制提供了有利工具。
Description
技术领域
本申请属于生物行为研究技术领域,具体涉及一种应用于多种类高密度极小虫体行为学的智能分析系统。
背景技术
自深度学习技术快速发展之后,利用计算机视觉处理和分析各行各业中的视频数据,以提高目标检测精度和效率,降低成本已成为必然趋势。在植物保护领域中(尤其是极小类目标,例如螨类)天敌与害虫、不同天敌之间、不同害虫之间的捕食行为学研究分析方面尚没有一款成熟的分析系统能够满足多种类高密度行为学量化分析建模的需求,大多数研究者只能采用以人工观察统计为主计算机分析为辅的研究模式,这种模式直接导致研究效率低、误差高,且受制于虫体数量单一或较少的限制,致使研究模型因素单一,无法拟合大田多种随机因素共存的生境。虽然,随着计算机技术的不断发展,有不少研究者增强了计算机辅助研究开发设计的权重,利用机器视觉创新了很多研究方法,在针对肉眼清晰可见的单个或少数几个昆虫行为学分析方面取得了显著成效,但是这些创新还无法满足高密度下极小型昆虫在受害植株叶片生境上的行为学研究分析。
发明内容
本申请提出了一种应用于多种类高密度极小虫体行为学的智能分析系统,能够将复杂行为学的全过程数字化,并建立大数据集,为重要行为学参数的计算和探索挖掘研究更深层次、更多维度、更高密度的系统性复杂生物学问题提供基础大数据。
为实现上述目的,本申请提供了如下方案:
一种应用于多种类高密度极小虫体行为学的智能分析系统,包括操作平台子系统和分析子系统;
所述操作平台子系统用于提供可获取极小虫体行为的活动媒介,并拍摄所述极小虫体行为;
所述分析子系统包括行为采集模块、分析建模模块、模拟预测模块和可视化演示模块;
所述行为采集模块用于通过所述操作平台子系统获取高密度极小虫体的行为学视频;
所述分析建模模块用于根据所述行为学视频,获取多种类高密度极小昆虫的行为学大数据,并基于所述行为学大数据,建立行为学模型;
所述模拟预测模块用于根据所述行为学模型,动态预测大田生态系统中极小类害虫综合防治策略和防治成效;
所述可视化演示模块用于显示所述行为学视频、所述行为学模型和所述综合防治策略和成效。
可选的,所述操作平台子系统包括活动媒介和视频采集设备;
所述活动媒介为受害植株的组织结构,并在所述组织结构的表面结构上采用蚕丝保湿材料设计所述活动媒介的范围;
所述视频采集设备用于拍摄高密度极小虫体昆虫。
可选的,所述操作平台子系统还包括隔离箱和万向活动设备;
所述活动媒介和所述视频采集设备位于所述隔离箱内,所述隔离箱用于规避负面影响因子,所述负面影响因子为所述视频采集设备在拍摄过程中受到的干扰因素;
所述视频采集设备与所述万向活动设备连接,所述万向活动设备用于调整所述视频采集设备的空间位置。
可选的,所述行为采集模块包括画面校准单元和拍摄控制单元;
所述画面校准单元用于根据所述视频采集设备拍摄的画面,生成拍摄调整数据;
所述拍摄控制单元用于根据所述拍摄调整数据,调整所述视频采集设备的空间位置和拍摄参数。
可选的,所述分析建模模块包括生物个体识别单元、生物个体行为单元和建模单元;
所述生物个体识别单元用于根据生物特征,识别所述行为学视频中的生物个体;
所述生物个体行为单元用于分析所述生物个体的行为动作,获取所述生物个体的行为学大数据;
所述建模单元用于根据所述行为学大数据,建立所述行为学模型。
可选的,所述建模单元包括行为学线性模型和行为学非线性模型;
所述行为学线性模型包括所述生物个体的平均速率、瞬时速率、步长、运动轨迹、攻击力、捕食时长和捕食成功率;
基于所述行为学线性模型,建立所述行为学非线性模型。
可选的,所述生物个体行为单元包括定位子单元和追踪子单元;
所述定位子单元用于定位所述生物个体行为全过程的位置信息;
所述个体追踪子单元用于记录所述生物个体在所述行为全过程中的所述位置信息。
可选的,所述个体定位子单元和所述个体追踪子单元均采用极小虫体监测算法。
可选的,所述模拟预测模块包括模拟单元和综合预测单元;
所述模拟单元用于模拟大田生态系统中极小类害虫发生数据;
所述综合预测单元用于根据所述极小类害虫的所述行为学模型,获得所述综合防治策略和预期的防治成效。
本申请的有益效果为:
本申请公开了一种应用于多种类高密度极小虫体行为学的智能分析系统,能够精准高效获取大田生产端极小类害虫行为学大数据资源,并进行多维度的分析建模,为科研人员探索大田生态系统中生物群落间的行为机制提供了有利工具,从而更好地发挥极小类害虫IPM综合防治精髓。
附图说明
为了更清楚地说明本申请的技术方案,下面对实施例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是本申请的一些实施例,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为本申请实施例的应用于多种类高密度极小虫体行为学的智能分析系统结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
如图1所示,为本申请实施例的应用于多种类高密度极小虫体行为学的智能分析系统结构示意图,主要包括操作平台子系统和分析子系统两大部分。
具体的,操作平台子系统用于提供可获取极小虫体行为的活动媒介,并拍摄极小虫体行为。
分析子系统包括行为采集模块、分析建模模块、模拟预测模块和可视化演示模块。行为采集模块用于通过操作平台子系统获取高密度极小虫体昆虫的行为学视频。分析建模模块用于根据行为学视频,获取多种类高密度极小昆虫的行为学大数据,并基于行为学大数据,建立行为学模型。模拟预测模块用于根据行为学模型,动态推演预测大田生态系统中极小类害虫综合防治策略和防治成效。可视化演示模块用于显示行为学视频、行为学模型和综合防治策略和成效。
下面,具体介绍上述组成部分在本实施例中的结构组成和功能实现。
在本实施例中,操作平台子系统主要包括活动媒介和视频采集设备,活动媒介为受害植株的组织结构,即鲜活叶片,并在此基础上,充分考虑叶片表面结构影响,结合水牢设计活动媒介的范围,从而充分模拟极小虫体害虫的实际活动与植株叶片表面结构影响之间的联系,极大地增强了实验设计与大田生境拟合度。
视频采集设备由显微镜和高清镜头组成,二者成一体式设计,高清镜头与显微镜的目镜相连,同时显微镜的准焦调节和高清镜头的拍摄参数又可单独调整,通过显微镜发现高密度极小虫体昆虫,再通过高清镜头完成拍摄。在本实施例中,以螨虫作为目标生物为例,展开生物行为研究。
进一步的,为了规避在拍摄过程中,高清镜头可能受到的诸如噪音、光照等负面影响因子的干扰,在本实施例中,还增加了隔离箱,将活动媒介和高清镜头置于其中,为螨虫的自然活动和高清拍摄提供了理想环境。
更进一步的,在本实施例中还增加了万向活动设备,用于调整视频采集设备的空间位置,满足视频采集设备的微调联动,包括视频采集设备距离活动媒介的距离、方位、拍摄角度等。
基于本实施例设计的操作平台子系统,本实施例相应的设计的分析子系统,由行为采集模块、分析建模模块、模拟预测模块和可视化演示模块构成。
在本实施例中,行为采集模块由画面校准单元和拍摄控制单元组成。画面校准单元和拍摄控制单元联动,拍摄控制单元分别调整显微镜的校准和高清镜头的参数,画面校准单元根据高清镜头拍摄的画面及画面清晰度的变化,生成拍摄调整数据,拍摄控制单元用于根据拍摄调整数据,调整视频采集设备的空间位置和拍摄参数,首先调整高清镜头与显微镜目镜的距离和空间位置关系,保证高清镜头拍摄到的目镜中的画面能够是最清晰的,再调整显微镜物镜与活动媒介的距离,使目镜中的图像变得清晰,最后调整整个视频采集设备与活动媒介的空间位置关系,从而获得预期的拍摄角度和拍摄内容,在这个调整过程冲,还要实时调整显微镜的校准,以保证高清镜头拍摄到的目镜中的画面是清晰的。
在行为采集模块的控制下,驱动视频采集设备清晰的拍摄螨虫的个体行为,从而获取高清晰的行为学视频。
基于螨虫极小的生物个体,在本实施例中,分析建模模块由生物个体识别单元、生物个体行为单元和建模单元组成。生物个体识别单元用于根据生物特征向量,识别行为学视频中的每一个生物个体。由于螨虫个体微小且数量较多,对每一个螨虫个体进行准确的识别,是后期行为研究的前提。
生物个体行为单元用于分析每一个生物个体的行为动作,获取每一个生物个体的行为学大数据,在本实施例中,行为大数据包括运动速率、平均速率、瞬时速率、步长、运动轨迹、攻击力、捕食时长、捕食成功率等。在本实施例中,生物个体行为单元又分为定位子单元和追踪子单元。定位子单元用于定位每一个生物个体的行为全过程位置信息;个体追踪子单元用于记录每一个生物个体在行为全过程的所有位置信息,二者均通过极小虫体监测算法,对螨虫行为学进行研究,判断螨虫当前的行为动作。本实施例采用的极小虫体监测算法,害虫监测算法共为三部分:一是预处理算法对样本数据进行增强处理。主要过程为利用Labelme图像标注工具进行多种类害虫样本图像数据标注,基于标注图像省进行通道变换生成伪彩图(单通道PNG图像),基于PNG图像生成目标小图和背景小图训练样本。生成目标小图训练样本的算法是循环搜索含有螨虫目标的标注图像,再循环搜索该图像中的螨虫目标,对每一个螨虫目标,获取已标注的位置坐标信息,再随机生成矩形的左上角和右下角坐标,将随机生成的矩形与该螨虫位置面积求IOU(交并比),如果IOU大于0.98,则将随机生成的矩形区域截图,作为小图样本。生成背景小图训练样本的算法判断是循环搜索含有螨虫目标的标注图像,获取该图像中所有螨虫目标的位置坐标,求这些坐标的最大外接矩形,上下左右分别延伸矩形4个边,将图像划分为9个互斥区域,其中有8个区域不包含任何螨虫目标,对这8个区域随机抽样并截图生成1~8个背景小图。二是识别模型训练。基于BiSeNet(Bilateral Segmentation Network)V2构建害虫识别检测模型,实现了螨虫语义分割检测的高精度和高效率。三是后处理。对网络输出矩阵out进行sofmax操作得到每个像素的置信度分布score_map和类别分布class_map,对class_map进行连通域分析,获取每个目标的位置信息,再通过矩阵交集获取score_map上对应目标区域的置信度分布,对区域内所有置信度求平均作为该目标的置信度,输出目标位置和置信度信息。本实施例采用的极小虫体监测算法,能够重复规避肉眼观察法误差大、效率低,数字图像噪音随机性强,机器学习技术特征差、稳定性不强,以及深度学习高精度长耗时的矛盾,兼具数字图像和深度学习的优势,在多种极小虫体的识别与跟踪领域具有很好的可行性。为研究害虫与天敌间的行为学机制提供帮助。
在获取目标生物的行为大数据后,即可通过行为大数据构建新的行为学模型,做出针对性的生物行为研究。在本实施例中,行为学模型包括行为学线性模型和行为学非线性模型。
行为学线性模型包括生物个体的运动速度、运动轨迹、攻击行为和捕食行为。首先,绘制每一个生物个体的行为轨迹图,获取生物个体的行为学参数,行为学参数包括运动速度、角度变化和瞬时速度变化等;然后建立包含有生物个体的运动速率、平均速率、瞬时速率、步长、运动轨迹、攻击力、捕食时长、捕食成功率等的行为学线性模型。
随后,基于行为学线性模型,建立行为学的莱维游走模型和其他非线性模型。
在本实施例中,模拟预测模块包括模拟单元和综合预测单元。
模拟单元用于输入当前大田生态系统中的极小类害虫数据,包括害虫的种类、数量、密度,以及种内、种间关系等。
综合预测单元用于根据极小类害虫数据和前述建立的行为学模型,模拟推演大田生态系统中极小类害虫的综合防治策略及对应的防治成效。
在本实施例中,可视化演示模块可采用通用的显示设备,用于显示上述过程中的行为学视频和行为学模型,并将模拟推演的综合防治策略和相对应的防治成效进行一对一的展示。
本实施例提供的智能分析系统,能够精准高效获取大田生产端极小类害虫行为学大数据资源,并进行多维度的分析建模,为科研人员探索大田生态系统中生物群落间的行为机制提供了有利工具,从而更好地发挥极小类害虫IPM综合防治精髓。
以上所述的实施例仅是对本申请优选方式进行的描述,并非对本申请的范围进行限定,在不脱离本申请设计精神的前提下,本领域普通技术人员对本申请的技术方案做出的各种变形和改进,均应落入本申请权利要求书确定的保护范围内。
Claims (5)
1.一种应用于多种类高密度极小虫体行为学的智能分析系统,其特征在于,包括操作平台子系统和分析子系统;
所述操作平台子系统用于提供可获取极小虫体行为的活动媒介,并拍摄所述极小虫体行为;
所述分析子系统包括行为采集模块、分析建模模块、模拟预测模块和可视化演示模块;
所述行为采集模块用于通过所述操作平台子系统获取高密度极小虫体的行为学视频;
所述分析建模模块用于根据所述行为学视频,获取多种类高密度极小昆虫的行为学大数据,并基于所述行为学大数据,建立行为学模型;
所述模拟预测模块用于根据所述行为学模型,动态预测大田生态系统中极小类害虫综合防治策略和防治成效;
所述可视化演示模块用于显示所述行为学视频、所述行为学模型和所述综合防治策略和成效;
所述分析建模模块包括生物个体识别单元、生物个体行为单元和建模单元;
所述生物个体识别单元用于根据生物特征,识别所述行为学视频中的生物个体;
所述生物个体行为单元用于分析所述生物个体的行为动作,获取所述生物个体的行为学大数据;
所述建模单元用于根据所述行为学大数据,建立所述行为学模型;
所述建模单元包括行为学线性模型和行为学非线性模型;
所述行为学线性模型包括生物个体的运动速度、运动轨迹、攻击行为和捕食行为,首先,绘制每一个生物个体的行为轨迹图,获取生物个体的行为学参数,行为学参数包括运动速度、角度变化和瞬时速度变化;然后建立包含有生物个体的运动速率、平均速率、瞬时速率、步长、运动轨迹、攻击力、捕食时长、捕食成功率等的行为学线性模型;
基于所述行为学线性模型,建立所述行为学非线性模型;
所述生物个体行为单元包括定位子单元和追踪子单元;
所述定位子单元用于定位所述生物个体行为全过程的位置信息;
所述个体追踪子单元用于记录所述生物个体在所述行为全过程中的所述位置信息;
所述个体定位子单元和所述个体追踪子单元均采用极小虫体监测算法。
2.根据权利要求1所述的应用于多种类高密度极小虫体行为学的智能分析系统,其特征在于,
所述操作平台子系统包括活动媒介和视频采集设备;
所述活动媒介为受害植株的组织结构,并在所述组织结构的表面结构上采用蚕丝保湿材料设计所述活动媒介的范围;
所述视频采集设备用于拍摄高密度极小虫体昆虫。
3.根据权利要求2所述的应用于多种类高密度极小虫体行为学的智能分析系统,其特征在于,
所述操作平台子系统还包括隔离箱和万向活动设备;
所述活动媒介和所述视频采集设备位于所述隔离箱内,所述隔离箱用于规避负面影响因子,所述负面影响因子为所述视频采集设备在拍摄过程中受到的干扰因素;
所述视频采集设备与所述万向活动设备连接,所述万向活动设备用于调整所述视频采集设备的空间位置。
4.根据权利要求3所述的应用于多种类高密度极小虫体行为学的智能分析系统,其特征在于,
所述行为采集模块包括画面校准单元和拍摄控制单元;
所述画面校准单元用于根据所述视频采集设备拍摄的画面,生成拍摄调整数据;
所述拍摄控制单元用于根据所述拍摄调整数据,调整所述视频采集设备的空间位置和拍摄参数。
5.根据权利要求1所述的应用于多种类高密度极小虫体行为学的智能分析系统,其特征在于,
所述模拟预测模块包括模拟单元和综合预测单元;
所述模拟单元用于模拟大田生态系统中极小类害虫发生数据;
所述综合预测单元用于根据所述极小类害虫的所述行为学模型,获得所述综合防治策略和预期的防治成效。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210201354.7A CN114549516B (zh) | 2022-03-03 | 2022-03-03 | 一种应用于多种类高密度极小虫体行为学的智能分析系统 |
PCT/CN2023/074712 WO2023165299A1 (zh) | 2022-03-03 | 2023-02-07 | 一种应用于多种类高密度极小虫体行为学的智能分析系统 |
US18/449,412 US11967182B2 (en) | 2022-03-03 | 2023-08-14 | Intelligent analysis system applied to ethology of various kinds of high-density minimal polypides |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210201354.7A CN114549516B (zh) | 2022-03-03 | 2022-03-03 | 一种应用于多种类高密度极小虫体行为学的智能分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114549516A CN114549516A (zh) | 2022-05-27 |
CN114549516B true CN114549516B (zh) | 2023-01-17 |
Family
ID=81661916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210201354.7A Active CN114549516B (zh) | 2022-03-03 | 2022-03-03 | 一种应用于多种类高密度极小虫体行为学的智能分析系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11967182B2 (zh) |
CN (1) | CN114549516B (zh) |
WO (1) | WO2023165299A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114549516B (zh) * | 2022-03-03 | 2023-01-17 | 石河子大学 | 一种应用于多种类高密度极小虫体行为学的智能分析系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105987685A (zh) * | 2016-07-04 | 2016-10-05 | 西北农林科技大学 | 一种基于双目视觉的昆虫行为学研究辅助系统 |
CN111144236A (zh) * | 2019-12-10 | 2020-05-12 | 华南师范大学 | 一种蜚蠊交配行为分析的方法、系统及存储介质 |
CN113298023A (zh) * | 2021-06-11 | 2021-08-24 | 长江大学 | 一种基于深度学习及图像技术的昆虫动态行为识别方法 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160031419A1 (en) * | 2012-01-17 | 2016-02-04 | Nelson And Nelson Enterprises, Llc. | Reciprocating windshield wiper |
CN102722716B (zh) * | 2012-05-22 | 2014-03-12 | 中国农业大学 | 河蟹单目标行为分析方法 |
US10810485B2 (en) * | 2016-09-13 | 2020-10-20 | Intel Corporation | Dynamic context-selective convolutional neural network for time series data classification |
CN108074224B (zh) * | 2016-11-09 | 2021-11-05 | 生态环境部环境规划院 | 一种陆生哺乳动物与鸟类的监测方法及其监测装置 |
CN108522342B (zh) * | 2018-01-23 | 2020-09-11 | 北京师范大学 | 一种基于动作和叫声的动物行为监测、分析及预警系统及其工作方法 |
CN110276278A (zh) * | 2019-06-04 | 2019-09-24 | 刘嘉津 | 昆虫图像整体与多片段综合自动识别方法 |
CN110263398B (zh) * | 2019-06-10 | 2020-10-16 | 北京航空航天大学 | 一种基于piv的模型昆虫翅的驱动装置 |
WO2021087302A1 (en) * | 2019-10-31 | 2021-05-06 | President And Fellows Of Harvard College | Image processing for standardizing size and shape of organisms |
EP4046066A4 (en) * | 2019-11-07 | 2023-11-15 | Google LLC | MONITORING ANIMAL POSE DYNAMICS FROM MONOCULAR IMAGES |
CN111667480A (zh) * | 2020-06-11 | 2020-09-15 | 伯克利南京医学研究有限责任公司 | 一种多参数融合的行为学定量分析系统及方法 |
CN112167201A (zh) * | 2020-08-27 | 2021-01-05 | 张家口卷烟厂有限责任公司 | 烟虫预警反馈系统 |
AU2020103130A4 (en) * | 2020-10-30 | 2021-01-07 | Xi’an University of Technology | Habitat Identification Method Based on Fish Individual Dynamic Simulation Technology |
US20220159934A1 (en) * | 2020-11-25 | 2022-05-26 | Kyndryl, Inc. | Animal health and safety monitoring |
CN112580552B (zh) * | 2020-12-23 | 2023-12-12 | 中山大学 | 一种鼠类行为分析方法及装置 |
KR102454715B1 (ko) * | 2021-08-10 | 2022-10-17 | 인트플로우 주식회사 | 영상에 기반하여 동물의 승가 행위를 검출하는 장치 및 방법 |
JP2023034419A (ja) * | 2021-08-31 | 2023-03-13 | キヤノン株式会社 | システム、推定サーバ、それらの制御方法およびプログラム |
CN113963298A (zh) * | 2021-10-25 | 2022-01-21 | 东北林业大学 | 基于计算机视觉的野生动物识别跟踪与行为检测系统、方法、设备及存储介质 |
CN114549516B (zh) * | 2022-03-03 | 2023-01-17 | 石河子大学 | 一种应用于多种类高密度极小虫体行为学的智能分析系统 |
-
2022
- 2022-03-03 CN CN202210201354.7A patent/CN114549516B/zh active Active
-
2023
- 2023-02-07 WO PCT/CN2023/074712 patent/WO2023165299A1/zh unknown
- 2023-08-14 US US18/449,412 patent/US11967182B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105987685A (zh) * | 2016-07-04 | 2016-10-05 | 西北农林科技大学 | 一种基于双目视觉的昆虫行为学研究辅助系统 |
CN111144236A (zh) * | 2019-12-10 | 2020-05-12 | 华南师范大学 | 一种蜚蠊交配行为分析的方法、系统及存储介质 |
CN113298023A (zh) * | 2021-06-11 | 2021-08-24 | 长江大学 | 一种基于深度学习及图像技术的昆虫动态行为识别方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023165299A1 (zh) | 2023-09-07 |
US20230401896A1 (en) | 2023-12-14 |
US11967182B2 (en) | 2024-04-23 |
CN114549516A (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | C2FDA: Coarse-to-fine domain adaptation for traffic object detection | |
CN113112504B (zh) | 一种植物点云数据分割方法及系统 | |
Frintrop | Computational visual attention | |
CN111222486B (zh) | 手部姿态识别模型的训练方法、装置、设备及存储介质 | |
US20210319363A1 (en) | Method and system for generating annotated training data | |
CN111462010A (zh) | 图像处理模型的训练方法、图像处理方法、装置及设备 | |
CN113592896B (zh) | 基于图像处理的鱼类投喂方法、系统、设备及存储介质 | |
CN114549516B (zh) | 一种应用于多种类高密度极小虫体行为学的智能分析系统 | |
CN114897136A (zh) | 多尺度注意力机制方法及模块和图像处理方法及装置 | |
Mamdouh et al. | A New Model for Image Segmentation Based on Deep Learning. | |
Ye et al. | Recognition of terminal buds of densely-planted Chinese fir seedlings using improved YOLOv5 by integrating attention mechanism | |
Shin et al. | PathEdEx–Uncovering high-explanatory visual diagnostics heuristics using digital pathology and multiscale gaze data | |
Plum et al. | replicAnt: a pipeline for generating annotated images of animals in complex environments using Unreal Engine | |
CN111368663A (zh) | 自然场景中静态面部表情识别方法、装置、介质及设备 | |
CN116385830A (zh) | 一种基于深度学习的素描作品智能评价方法 | |
Peng et al. | Single shot state detection in simulation-based laparoscopy training | |
Grant-Jacob et al. | Generating images of hydrated pollen grains using deep learning | |
Hernández-Ferrándiz et al. | SCASA: From synthetic to real computer-aided sperm analysis | |
Yu | Realization of an Intelligent Image Processing Technology for the Analysis of Chinese Painting Color Education | |
Hou | Photo content classification using convolutional neural network | |
CN117173122B (zh) | 一种基于轻量级ViT的图像叶密度测定方法及装置 | |
Yang et al. | Etiquette action similarity evaluation based on posture recognition | |
Ng et al. | Benchmarking Object Detection Models with Mummy Nuts Datasets | |
Liu et al. | Multiple objects tracking based on snake model and selective attention mechanism | |
He | Image recognition technology based on neural network in robot vision system |
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 |