CN114581848A - 一种用于烟草仓储害虫的检测方法、系统及装置 - Google Patents
一种用于烟草仓储害虫的检测方法、系统及装置 Download PDFInfo
- Publication number
- CN114581848A CN114581848A CN202210211259.5A CN202210211259A CN114581848A CN 114581848 A CN114581848 A CN 114581848A CN 202210211259 A CN202210211259 A CN 202210211259A CN 114581848 A CN114581848 A CN 114581848A
- Authority
- CN
- China
- Prior art keywords
- unit
- concat
- pest
- tobacco storage
- conv2d
- 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
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明公开了一种用于烟草仓储害虫的检测方法、系统及装置,包括:构建YoloX目标检测模型,YoloX目标检测模型用于通过检测烟草仓储害虫图像,获取烟草仓储害虫图像中的害虫数量;采集具有不同时间戳的烟草仓储害虫图像,基于YoloX目标检测模型进行识别,获取害虫数量;根据时间戳、害虫数量,获取虫口密度动态曲线,并根据防治指标发出预警信息,其中,预警信息用于表示害虫数量超出防治指标的时间戳;本发明针对烟草仓储害虫的检测,识别准确度高,尤其是对于堆叠重合目标的识别,具有较高识别精度和准确度,为烟草仓储害虫智能监控提供了新的技术思路。
Description
技术领域
本发明涉及烟草害虫识别技术领域,具体而言,涉及一种用于烟草仓储害虫的检测方法、系统及装置。
背景技术
烟草仓储害虫烟叶及其制品贮存过程中取食为害的重要有害生物种类,其虫尸、虫粪污染烟叶及制品,部分种类还可为害烟草种子。据统计,贮存期以麻袋片包装的把烟,每年因仓储害虫造成的损失为0.7%~1%,最高可达6%,世界范围内每年所造成的经济损失约3亿美元,我国每年因虫害所造成的损失为2~4亿元人民币。烟草贮烟害虫多达30余种,其中最重要的就是烟草甲和烟草粉螟,我国各烟区烟站、复烤厂、烟厂仓库、卷烟车间等场所均有不同程度的发生和为害,对烟叶、卷烟的安全贮藏有较大的破坏作用。
因此,有效监测害虫发生情况至关重要,可以为制定防控措施提供科学依据。
目前烟草企业对于烟草仓储害虫的识别方法,更多集中在靠人工检验,但由于仓库面积大,害虫分布广,这种方式耗时耗力且无法整体分析结果和记录;另外,通过AI技术识别仓储害虫的方法,例如采用YOLOV3模型对仓储害虫进行实时检测,虽然对害虫具有一定的识别结果,但是,对于害虫的识别准确率较差,并且对于目标的微小特征的识别效果较差,例如烟草粉螟和烟草甲,因此,急需一种用于烟草仓储害虫的检测方法、系统及装置,提高对于烟草粉螟和烟草甲的识别准确度。
发明内容
为了解决上述问题,本申请提供了一种用于烟草仓储害虫的检测方法,包括:
构建YoloX目标检测模型,YoloX目标检测模型用于通过检测烟草仓储害虫图像,获取烟草仓储害虫图像中的害虫数量;
采集具有不同时间戳的烟草仓储害虫图像,基于YoloX目标检测模型进行识别,获取害虫数量;
根据时间戳、害虫数量,获取虫口密度动态曲线,并根据防治指标发出预警信息,其中,预警信息用于表示害虫数量超出防治指标的时间戳。
优选地,在采集烟草仓储害虫图像的过程中,通过嵌入复合性信息素诱捕器,诱捕烟草仓储害虫;
采集复合性信息素诱捕器的烟草仓储害虫图像。
优选地,在诱捕烟草仓储害虫的过程中,诱捕烟草仓储害虫包括烟草粉螟和烟草甲。
优选地,在构建YoloX目标检测模型的过程中,YoloX目标检测模型由CSPDarknet主干特征提取模块、FPN特征融合模块、Yolo Head特征识别模块组成;
CSPDarknet主干特征提取模块用于根据烟草仓储害虫图像,生成三个有效特征层;
FPN特征融合模块用于将三个有效特征层进行特征融合,获得不同尺度的特征信息;
Yolo Head特征识别模块用于根据不同尺度的特征信息,获取害虫数量。
优选地,在构建YoloX目标检测模型的过程中,
CSPDarknet主干特征提取模块由Inputs单元、Focus单元、五个Conv2D_BN_SiLU单元、三个CsPLayer单元、SPPBottleneck单元、四个CsPLayer单元组成;
Inputs单元通过Focus单元与第一Conv2D_BN_SiLU单元连接;
第一Conv2D_BN_SiLU单元通过第二Conv2D_BN_SiLU单元与第一CsPLayer单元连接;
第一CsPLayer单元通过第三Conv2D_BN_SiLU单元与第二CsPLayer单元连接;
第二CsPLayer单元通过第四Conv2D_BN_SiLU单元与第三CsPLayer单元连接;
第三CsPLayer单元通过第五Conv2D_BN_SiLU单元与SPPBottleneck单元连接;
SPPBottleneck单元与第四CsPLayer单元连接;
FPN模块由两个Conv2D单元、四个Concat+CSPLay单元、两个UpSanmpling2D单元、两个Downsample单元组成;
第一Conv2D单元分别与第四CsPLayer单元、第一UpSanmpling2D单元、第四Concat+CSPLay单元连接;
第一UpSanmpling2D单元通过第一Concat+CSPLay单元与第二Conv2D单元连接,其中,第一Concat+CSPLay单元还与第三Concat+CSPLay单元连接;
第二Conv2D单元分别与第二UpSanmpling2D单元、第三Concat+CSPLay单元连接;
第二UpSanmpling2D单元通过第三Conv2D单元与第一Downsample单元连接;
第一Downsample单元通过第三Concat+CSPLay单元与第二Downsample单元连接;
第二Downsample单元与第四Concat+CSPLay单元连接;
Yolo Head特征识别模块包括第一Yolo Head特征识别单元、第二Yolo Head特征识别单元、第三Yolo Head特征识别单元;
第一Yolo Head特征识别单元与第二Concat+CSPLay单元连接;
第二Yolo Head特征识别单元与第三Concat+CSPLay单元连接;
第三Yolo Head特征识别单元与第四Concat+CSPLay单元连接。
优选地,在构建YoloX目标检测模型的过程中,CSPDarknet主干特征提取模块还用于根据烟草仓储害虫图像,生成四个有效特征层;
FPN特征融合模块用于将四个有效特征层进行特征融合,获得不同尺度的特征信息。
优选地,在构建YoloX目标检测模型的过程中,FPN模块由四个Conv2D单元、七个Concat+CSPLay单元、三个UpSanmpling2D单元、三个Downsample单元组成;
第一Conv2D单元分别与第四CsPLayer单元、第七Concat+CSPLay单元、第一UpSanmpling2D单元连接,其中,第一UpSanmpling2D单元与第三CsPLayer单元连接;
第一UpSanmpling2D单元通过第一Concat+CSPLay单元与第二Conv2D单元连接;
第二Conv2D单元分别与第六Concat+CSPLay单元、第二UpSanmpling2D单元连接;
第二UpSanmpling2D单元通过第二Concat+CSPLay单元与第三Conv2D单元连接,其中,第二Concat+CSPLay单元与第二CsPLayer单元连接,第三Conv2D单元与第五Concat+CSPLay单元连接;
第三Conv2D单元通过第三UpSanmpling2D单元与第三Concat+CSPLay单元连接,其中,第三Concat+CSPLay单元分别与第四Conv2D单元、第一CsPLayer单元连接;
第四Conv2D单元通过第四Concat+CSPLay单元与第一Downsample单元连接;
第一Downsample单元通过第五Concat+CSPLay单元,与第二Downsample单元连接,其中,第二Downsample单元与第六Concat+CSPLay单元连接;
第六Concat+CSPLay单元通过第三Downsample单元与第七Concat+CSPLay单元连接;
Yolo Head特征识别模块包括第一Yolo Head特征识别单元、第二Yolo Head特征识别单元、第三Yolo Head特征识别单元、第四Yolo Head特征识别单元;
第一Yolo Head特征识别单元与第四Concat+CSPLay单元连接;
第二Yolo Head特征识别单元与第五Concat+CSPLay单元连接;
第三Yolo Head特征识别单元与第六Concat+CSPLay单元连接;
第四Yolo Head特征识别单元与第七Concat+CSPLay单元连接。
本发明还公开了一种用于烟草仓储害虫的检测系统,包括:
图像采集模块,用于采集烟草仓储害虫图像;
图像识别模块,用于通过用于烟草仓储害虫的检测方法,获取烟草仓储害虫图像的害虫种类和害虫数量;
图像分析模块,用于基于烟草仓储害虫图像的采集时间戳,根据害虫种类和害虫数量,生成虫口密度动态曲线;
预警模块,用于通过虫口密度动态曲线,根据防治指标生成预警信息。
优选地,检测系统还包括显示模块,用于显示虫口密度动态曲线、害虫种类、害虫数量、时间戳、预警信息;
通信模块,用于检测系统与移动设备端进行数据交互,在移动设备端中显示虫口密度动态曲线、害虫种类、害虫数量、时间戳、预警信息,其中,移动设备端包括可移动的智能电子产品。
本发明还公开了一种用于烟草仓储害虫的检测装置,包括:
仓储害虫诱捕装置,用于通过嵌入复合性信息素诱捕器,诱捕烟草仓储害虫;
图像采集分析装置,设置在仓储害虫诱捕装置的正上方,用于采集烟草仓储害虫的图像,并获取烟草仓储害虫的种类和数量,以及,根据采集图像的时间戳,和烟草仓储害虫的种类和数量,生成的预警信号。
本发明公开了以下技术效果:
本发明针对烟草仓储害虫的检测,与现有技术相比,识别准确度高,尤其是对于堆叠重合目标的识别,具有较高识别精度和准确度,为烟草仓储害虫智能监控提供了新的技术思路。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将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仅是本发明的一些实施例,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是本发明所述的用于检测烟害虫的YoloX模型示意图;
图2是本发明所述的烟草仓储害虫智能监控装置;
图3是本发明所述的改进的YoloX模型示意图。
具体实施方式
下为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
如图1-3所示,本发明提供了一种用于烟草仓储害虫的检测方法,包括:
构建YoloX目标检测模型,YoloX目标检测模型用于通过检测烟草仓储害虫图像,获取烟草仓储害虫图像中的害虫数量;
采集具有不同时间戳的烟草仓储害虫图像,基于YoloX目标检测模型进行识别,获取害虫数量;
根据时间戳、害虫数量,获取虫口密度动态曲线,并根据防治指标发出预警信息,其中,预警信息用于表示害虫数量超出防治指标的时间戳。
进一步优选地,在采集烟草仓储害虫图像的过程中,通过嵌入复合性信息素诱捕器,诱捕烟草仓储害虫;
采集复合性信息素诱捕器的烟草仓储害虫图像。
进一步优选地,在诱捕烟草仓储害虫的过程中,诱捕烟草仓储害虫包括烟草粉螟和烟草甲。
进一步优选地,在构建YoloX目标检测模型的过程中,YoloX目标检测模型由CSPDarknet主干特征提取模块、FPN特征融合模块、Yolo Head特征识别模块组成;
CSPDarknet主干特征提取模块用于根据烟草仓储害虫图像,生成三个有效特征层;
FPN特征融合模块用于将三个有效特征层进行特征融合,获得不同尺度的特征信息;
Yolo Head特征识别模块用于根据不同尺度的特征信息,获取害虫数量。
进一步优选地,在构建YoloX目标检测模型的过程中,
CSPDarknet主干特征提取模块由Inputs单元、Focus单元、五个Conv2D_BN_SiLU单元、三个CsPLayer单元、SPPBottleneck单元、四个CsPLayer单元组成;
Inputs单元通过Focus单元与第一Conv2D_BN_SiLU单元连接;
第一Conv2D_BN_SiLU单元通过第二Conv2D_BN_SiLU单元与第一CsPLayer单元连接;
第一CsPLayer单元通过第三Conv2D_BN_SiLU单元与第二CsPLayer单元连接;
第二CsPLayer单元通过第四Conv2D_BN_SiLU单元与第三CsPLayer单元连接;
第三CsPLayer单元通过第五Conv2D_BN_SiLU单元与SPPBottleneck单元连接;
SPPBottleneck单元与第四CsPLayer单元连接;
FPN模块由两个Conv2D单元、四个Concat+CSPLay单元、两个UpSanmpling2D单元、两个Downsample单元组成;
第一Conv2D单元分别与第四CsPLayer单元、第一UpSanmpling2D单元、第四Concat+CSPLay单元连接;
第一UpSanmpling2D单元通过第一Concat+CSPLay单元与第二Conv2D单元连接,其中,第一Concat+CSPLay单元还与第三Concat+CSPLay单元连接;
第二Conv2D单元分别与第二UpSanmpling2D单元、第三Concat+CSPLay单元连接;
第二UpSanmpling2D单元通过第三Conv2D单元与第一Downsample单元连接;
第一Downsample单元通过第三Concat+CSPLay单元与第二Downsample单元连接;
第二Downsample单元与第四Concat+CSPLay单元连接;
Yolo Head特征识别模块包括第一Yolo Head特征识别单元、第二Yolo Head特征识别单元、第三Yolo Head特征识别单元;
第一Yolo Head特征识别单元与第二Concat+CSPLay单元连接;
第二Yolo Head特征识别单元与第三Concat+CSPLay单元连接;
第三Yolo Head特征识别单元与第四Concat+CSPLay单元连接。
进一步优选地,在构建YoloX目标检测模型的过程中,CSPDarknet主干特征提取模块还用于根据烟草仓储害虫图像,生成四个有效特征层;
FPN特征融合模块用于将四个有效特征层进行特征融合,获得不同尺度的特征信息。
进一步优选地,在构建YoloX目标检测模型的过程中,FPN模块由四个Conv2D单元、七个Concat+CSPLay单元、三个UpSanmpling2D单元、三个Downsample单元组成;
第一Conv2D单元分别与第四CsPLayer单元、第七Concat+CSPLay单元、第一UpSanmpling2D单元连接,其中,第一UpSanmpling2D单元与第三CsPLayer单元连接;
第一UpSanmpling2D单元通过第一Concat+CSPLay单元与第二Conv2D单元连接;
第二Conv2D单元分别与第六Concat+CSPLay单元、第二UpSanmpling2D单元连接;
第二UpSanmpling2D单元通过第二Concat+CSPLay单元与第三Conv2D单元连接,其中,第二Concat+CSPLay单元与第二CsPLayer单元连接,第三Conv2D单元与第五Concat+CSPLay单元连接;
第三Conv2D单元通过第三UpSanmpling2D单元与第三Concat+CSPLay单元连接,其中,第三Concat+CSPLay单元分别与第四Conv2D单元、第一CsPLayer单元连接;
第四Conv2D单元通过第四Concat+CSPLay单元与第一Downsample单元连接;
第一Downsample单元通过第五Concat+CSPLay单元,与第二Downsample单元连接,其中,第二Downsample单元与第六Concat+CSPLay单元连接;
第六Concat+CSPLay单元通过第三Downsample单元与第七Concat+CSPLay单元连接;
Yolo Head特征识别模块包括第一Yolo Head特征识别单元、第二Yolo Head特征识别单元、第三Yolo Head特征识别单元、第四Yolo Head特征识别单元;
第一Yolo Head特征识别单元与第四Concat+CSPLay单元连接;
第二Yolo Head特征识别单元与第五Concat+CSPLay单元连接;
第三Yolo Head特征识别单元与第六Concat+CSPLay单元连接;
第四Yolo Head特征识别单元与第七Concat+CSPLay单元连接。
本发明还公开了一种用于烟草仓储害虫的检测系统,包括:
图像采集模块,用于采集烟草仓储害虫图像;
图像识别模块,用于通过用于烟草仓储害虫的检测方法,获取烟草仓储害虫图像的害虫种类和害虫数量;
图像分析模块,用于基于烟草仓储害虫图像的采集时间戳,根据害虫种类和害虫数量,生成虫口密度动态曲线;
预警模块,用于通过虫口密度动态曲线,根据防治指标生成预警信息。
进一步优选地,检测系统还包括显示模块,用于显示虫口密度动态曲线、害虫种类、害虫数量、时间戳、预警信息;
通信模块,用于检测系统与移动设备端进行数据交互,在移动设备端中显示虫口密度动态曲线、害虫种类、害虫数量、时间戳、预警信息,其中,移动设备端包括可移动的智能电子产品。
本发明还公开了一种用于烟草仓储害虫的检测装置,包括:
仓储害虫诱捕装置,用于通过嵌入复合性信息素诱捕器,诱捕烟草仓储害虫;
图像采集分析装置,设置在仓储害虫诱捕装置的正上方,用于采集烟草仓储害虫的图像,并获取烟草仓储害虫的种类和数量,以及,根据采集图像的时间戳,和烟草仓储害虫的种类和数量,生成的预警信号。
本发明对于害虫的识别算法,采用基于Tensorflow2搭建的YoloX目标检测模型,烟草仓储害虫图片输入网络后,经CSPDarknet主干特征提取网络得到三个有效特征层,在经过FPN将三个有效特征层进行特征融合,获得不同尺度的特征信息,通过Yolo Head对于特征点判断是否有目标害虫,最后进行得分筛选与非最大抑制,筛选出得分高于0.5置信度的预测框及筛选出一定区域内属于同一种类得分最大的预测框,最后获得检测结果。模型网络结构图如图1所示,YoloX目标检测模型对于烟草粉螟和烟草甲平均识别率超过95%。
设计了烟草仓储害虫智能监控装置(如图2),主要有以下功能:
1、嵌入复合性信息素诱捕器,可以同时诱捕烟仓中的两种主要害虫烟草粉螟和烟草甲。
2、每天定时拍摄诱板图片,通过无线网络传输,上传至后台数据库。
3、构建两种害虫图像识别算法模型,在后台可对获取的图像识别出上述两种害虫,并自动计数。
4、根据获取的虫口数量,后台可绘制虫口密度动态曲线,并根据防治指标发出预报信息。
5、监测数据可在终端设备(电脑或手机)上查看,并可设置开机、关机时间和图像获取时间。
6、可同时获取不同仓库监控装置的诱虫数据,为害虫防治提供决策。
7、该装置可采用外接电源或充电电池进行工作.
本发明基于上述的YoloX目标检测模型进行识别时发现,对于细小目标的识别,存在一定的不准确性,以及当出现重叠情况时,不能很好对重叠部分实现识别与区分,因此,对上述YoloX目标检测模型进行了改进,增加了一个有效特征层,目的是增强对于小特征目标的识别,对于害虫的识别算法,采用基于Tensorflow2搭建的YoloX目标检测模型,烟草仓储害虫图片输入网络后,经CSPDarknet主干特征提取网络得到四个有效特征层,在经过FPN将四个有效特征层进行特征融合,获得不同尺度的特征信息,通过Yolo Head对于特征点判断是否有目标害虫,最后进行得分筛选与非最大抑制,筛选出得分高于0.5置信度的预测框及筛选出一定区域内属于同一种类得分最大的预测框,最后获得检测结果。模型网络结构图如图3所示,YoloX目标检测模型对于烟草粉螟和烟草甲平均识别率超过98%。
Claims (10)
1.一种用于烟草仓储害虫的检测方法,其特征在于,包括:
构建YoloX目标检测模型,所述YoloX目标检测模型用于通过检测烟草仓储害虫图像,获取所述烟草仓储害虫图像中的害虫数量;
采集具有不同时间戳的所述烟草仓储害虫图像,基于所述YoloX目标检测模型进行识别,获取所述害虫数量;
根据所述时间戳、所述害虫数量,获取虫口密度动态曲线,并根据防治指标发出预警信息,其中,所述预警信息用于表示所述害虫数量超出所述防治指标的所述时间戳。
2.根据权利要求1所述一种用于烟草仓储害虫的检测方法,其特征在于:
在采集所述烟草仓储害虫图像的过程中,通过嵌入复合性信息素诱捕器,诱捕烟草仓储害虫;
采集所述复合性信息素诱捕器的所述烟草仓储害虫图像。
3.根据权利要求2所述一种用于烟草仓储害虫的检测方法,其特征在于:
在诱捕烟草仓储害虫的过程中,所述诱捕烟草仓储害虫包括烟草粉螟和烟草甲。
4.根据权利要求3所述一种用于烟草仓储害虫的检测方法,其特征在于:
在构建YoloX目标检测模型的过程中,所述YoloX目标检测模型由CSPDarknet主干特征提取模块、FPN特征融合模块、Yolo Head特征识别模块组成;
所述CSPDarknet主干特征提取模块用于根据所述烟草仓储害虫图像,生成三个有效特征层;
所述FPN特征融合模块用于将三个所述有效特征层进行特征融合,获得不同尺度的特征信息;
所述Yolo Head特征识别模块用于根据不同尺度的所述特征信息,获取所述害虫数量。
5.根据权利要求4所述一种用于烟草仓储害虫的检测方法,其特征在于:
在构建YoloX目标检测模型的过程中,
所述CSPDarknet主干特征提取模块由Inputs单元、Focus单元、五个Conv2D_BN_SiLU单元、三个CsPLayer单元、SPPBottleneck单元、四个CsPLayer单元组成;
所述Inputs单元通过所述Focus单元与第一Conv2D_BN_SiLU单元连接;
所述第一Conv2D_BN_SiLU单元通过第二Conv2D_BN_SiLU单元与所述第一CsPLayer单元连接;
所述第一CsPLayer单元通过第三Conv2D_BN_SiLU单元与第二CsPLayer单元连接;
所述第二CsPLayer单元通过第四Conv2D_BN_SiLU单元与第三CsPLayer单元连接;
所述第三CsPLayer单元通过第五Conv2D_BN_SiLU单元与所述SPPBottleneck单元连接;
所述SPPBottleneck单元与所述第四CsPLayer单元连接;
所述FPN模块由两个Conv2D单元、四个Concat+CSPLay单元、两个UpSanmpling2D单元、两个Downsample单元组成;
第一Conv2D单元分别与所述第四CsPLayer单元、第一UpSanmpling2D单元、第四Concat+CSPLay单元连接;
所述第一UpSanmpling2D单元通过第一Concat+CSPLay单元与第二Conv2D单元连接,其中,所述第一Concat+CSPLay单元还与所述第三Concat+CSPLay单元连接;
所述第二Conv2D单元分别与第二UpSanmpling2D单元、第三Concat+CSPLay单元连接;
所述第二UpSanmpling2D单元通过第三Conv2D单元与第一Downsample单元连接;
所述第一Downsample单元通过所述第三Concat+CSPLay单元与第二Downsample单元连接;
所述第二Downsample单元与所述第四Concat+CSPLay单元连接;
所述Yolo Head特征识别模块包括第一Yolo Head特征识别单元、第二Yolo Head特征识别单元、第三Yolo Head特征识别单元;
所述第一Yolo Head特征识别单元与所述第二Concat+CSPLay单元连接;
所述第二Yolo Head特征识别单元与所述第三Concat+CSPLay单元连接;
所述第三Yolo Head特征识别单元与所述第四Concat+CSPLay单元连接。
6.根据权利要求5所述一种用于烟草仓储害虫的检测方法,其特征在于:
在构建YoloX目标检测模型的过程中,所述CSPDarknet主干特征提取模块还用于根据所述烟草仓储害虫图像,生成四个有效特征层;
所述FPN特征融合模块用于将四个所述有效特征层进行特征融合,获得不同尺度的特征信息。
7.根据权利要求6所述一种用于烟草仓储害虫的检测方法,其特征在于:
在构建YoloX目标检测模型的过程中,所述FPN模块由四个Conv2D单元、七个Concat+CSPLay单元、三个UpSanmpling2D单元、三个Downsample单元组成;
第一Conv2D单元分别与所述第四CsPLayer单元、第七Concat+CSPLay单元、第一UpSanmpling2D单元连接,其中,所述第一UpSanmpling2D单元与所述第三CsPLayer单元连接;
所述第一UpSanmpling2D单元通过第一Concat+CSPLay单元与第二Conv2D单元连接;
所述第二Conv2D单元分别与第六Concat+CSPLay单元、第二UpSanmpling2D单元连接;
所述第二UpSanmpling2D单元通过第二Concat+CSPLay单元与第三Conv2D单元连接,其中,所述第二Concat+CSPLay单元与所述第二CsPLayer单元连接,所述第三Conv2D单元与第五Concat+CSPLay单元连接;
所述第三Conv2D单元通过第三UpSanmpling2D单元与第三Concat+CSPLay单元连接,其中,所述第三Concat+CSPLay单元分别与第四Conv2D单元、所述第一CsPLayer单元连接;
所述第四Conv2D单元通过第四Concat+CSPLay单元与第一Downsample单元连接;
所述第一Downsample单元通过所述第五Concat+CSPLay单元,与第二Downsample单元连接,其中,所述第二Downsample单元与所述第六Concat+CSPLay单元连接;
所述第六Concat+CSPLay单元通过第三Downsample单元与所述第七Concat+CSPLay单元连接;
所述Yolo Head特征识别模块包括第一Yolo Head特征识别单元、第二Yolo Head特征识别单元、第三Yolo Head特征识别单元、第四Yolo Head特征识别单元;
所述第一Yolo Head特征识别单元与所述第四Concat+CSPLay单元连接;
所述第二Yolo Head特征识别单元与所述第五Concat+CSPLay单元连接;
所述第三Yolo Head特征识别单元与所述第六Concat+CSPLay单元连接;
所述第四Yolo Head特征识别单元与所述第七Concat+CSPLay单元连接。
8.一种用于烟草仓储害虫的检测系统,其特征在于,包括:
图像采集模块,用于采集烟草仓储害虫图像;
图像识别模块,用于通过如权利要求1-7任一权利要求所述的检测方法,获取所述烟草仓储害虫图像的害虫种类和害虫数量;
图像分析模块,用于基于所述烟草仓储害虫图像的采集时间戳,根据所述害虫种类和所述害虫数量,生成虫口密度动态曲线;
预警模块,用于通过所述虫口密度动态曲线,根据防治指标生成预警信息。
9.根据权利要求8所述一种用于烟草仓储害虫的检测系统,其特征在于:
所述检测系统还包括显示模块,用于显示所述虫口密度动态曲线、所述害虫种类、所述害虫数量、所述时间戳、所述预警信息;
通信模块,用于所述检测系统与移动设备端进行数据交互,在所述移动设备端中显示所述虫口密度动态曲线、所述害虫种类、所述害虫数量、所述时间戳、所述预警信息,其中,所述移动设备端包括可移动的智能电子产品。
10.一种用于烟草仓储害虫的检测装置,其特征在于,包括:
仓储害虫诱捕装置,用于通过嵌入复合性信息素诱捕器,诱捕烟草仓储害虫;
图像采集分析装置,设置在所述仓储害虫诱捕装置的正上方,用于采集所述烟草仓储害虫的图像,并获取所述烟草仓储害虫的种类和数量,以及,根据采集所述图像的时间戳,和所述烟草仓储害虫的所述种类和所述数量,生成的预警信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210211259.5A CN114581848A (zh) | 2022-03-05 | 2022-03-05 | 一种用于烟草仓储害虫的检测方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210211259.5A CN114581848A (zh) | 2022-03-05 | 2022-03-05 | 一种用于烟草仓储害虫的检测方法、系统及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114581848A true CN114581848A (zh) | 2022-06-03 |
Family
ID=81773530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210211259.5A Pending CN114581848A (zh) | 2022-03-05 | 2022-03-05 | 一种用于烟草仓储害虫的检测方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114581848A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723750A (zh) * | 2022-06-07 | 2022-07-08 | 南昌大学 | 基于改进yolox算法的输电线路耐张线夹缺陷检测方法 |
CN114820609A (zh) * | 2022-06-29 | 2022-07-29 | 南昌大学 | 一种光伏组件el图像缺陷检测方法 |
CN115035354A (zh) * | 2022-08-12 | 2022-09-09 | 江西省水利科学院 | 基于改进yolox的水库水面漂浮物目标检测方法 |
CN115152718A (zh) * | 2022-07-05 | 2022-10-11 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种应用于烤烟的病虫害防控装置及方法 |
CN115469701A (zh) * | 2022-11-15 | 2022-12-13 | 四川金叶生物防治有限公司 | 一种基于物联网的烟草仓储控制方法及系统 |
CN117557397A (zh) * | 2023-12-08 | 2024-02-13 | 广州德威生物科技有限公司 | 基于仓库害虫智能化ai监测的消杀控制方法及系统 |
-
2022
- 2022-03-05 CN CN202210211259.5A patent/CN114581848A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723750A (zh) * | 2022-06-07 | 2022-07-08 | 南昌大学 | 基于改进yolox算法的输电线路耐张线夹缺陷检测方法 |
CN114820609A (zh) * | 2022-06-29 | 2022-07-29 | 南昌大学 | 一种光伏组件el图像缺陷检测方法 |
CN115152718A (zh) * | 2022-07-05 | 2022-10-11 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种应用于烤烟的病虫害防控装置及方法 |
CN115035354A (zh) * | 2022-08-12 | 2022-09-09 | 江西省水利科学院 | 基于改进yolox的水库水面漂浮物目标检测方法 |
CN115035354B (zh) * | 2022-08-12 | 2022-11-08 | 江西省水利科学院 | 基于改进yolox的水库水面漂浮物目标检测方法 |
CN115469701A (zh) * | 2022-11-15 | 2022-12-13 | 四川金叶生物防治有限公司 | 一种基于物联网的烟草仓储控制方法及系统 |
CN115469701B (zh) * | 2022-11-15 | 2023-01-24 | 四川金叶生物防治有限公司 | 一种基于物联网的烟草仓储控制方法及系统 |
CN117557397A (zh) * | 2023-12-08 | 2024-02-13 | 广州德威生物科技有限公司 | 基于仓库害虫智能化ai监测的消杀控制方法及系统 |
CN117557397B (zh) * | 2023-12-08 | 2024-06-11 | 广州德威生物科技有限公司 | 基于仓库害虫智能化ai监测的消杀控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114581848A (zh) | 一种用于烟草仓储害虫的检测方法、系统及装置 | |
CN101281593B (zh) | 智能视频监控事件检索方法及系统 | |
CN112053756B (zh) | 基于临床标本检验数据的检验结果质量评价方法及系统 | |
CN108416985B (zh) | 一种基于图像识别的地质灾害监测预警系统及预警方法 | |
CN105938571B (zh) | 害虫识别计数系统及方法 | |
CN103090946B (zh) | 果树单树产量测量的方法和系统 | |
CN115879773B (zh) | 一种基于物联网的病虫害智能预警方法及系统 | |
CN115631421B (zh) | 耕地智慧保护方法及保护系统 | |
CN109800712A (zh) | 一种基于深度卷积神经网络的车辆检测计数方法及设备 | |
CN115100471A (zh) | 基于移动终端的储粮害虫多维信息采集及预警方法 | |
CN106342772A (zh) | 一种基于物联网、云计算和大数据的现代农业害虫自动监测预警方法 | |
CN114943831A (zh) | 基于知识蒸馏的移动端病虫害目标检测方法及移动端设备 | |
CN115239209B (zh) | 用于垃圾填埋场筛除含重金属腐殖土的方法、设备和系统 | |
CN109831634A (zh) | 目标对象的密度信息确定方法及装置 | |
CN110245604B (zh) | 基于卷积神经网络的蚊虫识别方法 | |
CN110276300A (zh) | 用于识别垃圾品质的方法和装置 | |
CN113763196A (zh) | 一种基于改进YOLOv3的果园产量测定系统 | |
CN108830740A (zh) | 一种农作物生长节点实时技术信息采集系统及方法 | |
CN116721060A (zh) | 一种基于注意力机制的红棕象甲虫检测方法 | |
CN115687460B (zh) | 利用轨迹数据挖掘重点人群的关联对象的方法及系统 | |
CN116543347A (zh) | 智慧虫情在线监测系统、方法、装置及介质 | |
Wan et al. | Research on the method of grass mouse hole target detection based on deep learning | |
CN113723833B (zh) | 造林实绩质量评价方法、系统、终端设备及存储介质 | |
CN110309737A (zh) | 一种应用于香烟柜台的信息处理方法、装置及系统 | |
CN113475473A (zh) | 一种基于重力感应计数的天牛智能监测装置 |
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 |