CN115147837B - 一种基于光学图像识别的二点委夜蛾饲养方法及系统 - Google Patents
一种基于光学图像识别的二点委夜蛾饲养方法及系统 Download PDFInfo
- Publication number
- CN115147837B CN115147837B CN202210979627.0A CN202210979627A CN115147837B CN 115147837 B CN115147837 B CN 115147837B CN 202210979627 A CN202210979627 A CN 202210979627A CN 115147837 B CN115147837 B CN 115147837B
- Authority
- CN
- China
- Prior art keywords
- microsporidian
- athetis lepigone
- image
- information
- data
- 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
- 241000013228 Athetis lepigone Species 0.000 title claims abstract description 234
- 230000003287 optical effect Effects 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 29
- 241000243190 Microsporidia Species 0.000 claims abstract description 216
- 208000015181 infectious disease Diseases 0.000 claims abstract description 147
- 238000012216 screening Methods 0.000 claims abstract description 58
- 238000009395 breeding Methods 0.000 claims abstract description 39
- 230000001488 breeding effect Effects 0.000 claims abstract description 38
- 230000009546 growth abnormality Effects 0.000 claims abstract description 17
- 241000607479 Yersinia pestis Species 0.000 claims description 44
- 230000002159 abnormal effect Effects 0.000 claims description 32
- 241000238631 Hexapoda Species 0.000 claims description 31
- 238000012795 verification Methods 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000000879 optical micrograph Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 12
- 238000003706 image smoothing Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 244000005700 microbiome Species 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 4
- 230000032669 eclosion Effects 0.000 abstract description 26
- 230000007613 environmental effect Effects 0.000 abstract description 19
- 230000036541 health Effects 0.000 abstract description 8
- 230000005856 abnormality Effects 0.000 abstract description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 10
- 238000009826 distribution Methods 0.000 description 10
- 238000005286 illumination Methods 0.000 description 10
- 229910052760 oxygen Inorganic materials 0.000 description 10
- 239000001301 oxygen Substances 0.000 description 10
- 240000008042 Zea mays Species 0.000 description 5
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 5
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 5
- 235000005822 corn Nutrition 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 2
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003071 parasitic effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000255789 Bombyx mori Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 206010053759 Growth retardation Diseases 0.000 description 1
- 241000255777 Lepidoptera Species 0.000 description 1
- 241000354319 Microsporaceae Species 0.000 description 1
- 241001126829 Nosema Species 0.000 description 1
- 208000022531 anorexia Diseases 0.000 description 1
- 206010061428 decreased appetite Diseases 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000967 entomopathogenic effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 231100000001 growth retardation Toxicity 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000005571 horizontal transmission Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000003834 intracellular effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000019617 pupation Effects 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000003971 tillage Methods 0.000 description 1
- 230000005570 vertical transmission Effects 0.000 description 1
Classifications
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/146—Genetically Modified [GMO] plants, e.g. transgenic plants
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/30—Against vector-borne diseases, e.g. mosquito-borne, fly-borne, tick-borne or waterborne diseases whose impact is exacerbated by climate change
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于光学图像识别的二点委夜蛾饲养方法及系统,通过获取二点委夜蛾生长图像数据分析得到生长异常信息,根据生长异常信息将生长异常和羽化异常的二点委夜蛾进行提前预测并清除,得到较为健康的饲养组,提高了健康饲养二点委夜蛾的效率。另外,通过获取光学显微图像,得到微孢子虫感染信息,并根据感染信息进行二点委夜蛾的一代和二代健康筛选,得到去除微孢子虫病的健康二点委夜蛾饲养组,本发明具有较强的实用性和高效性。另外,本发明通过分析采集点的环境信息,能够得到较佳的二点委夜蛾采集点,从而提高二点委夜蛾的采集健康率,实现了提高健康二点委夜蛾饲养效率的目的。
Description
技术领域
本发明涉及图像识别领域,更具体的,涉及一种基于光学图像识别的二点委夜蛾饲养方法及系统。
背景技术
二点委夜蛾Athetis lepigone属鳞翅目夜蛾科委夜蛾属害虫,是我国耕作制度(麦收后免耕和贴茬播种)变革后玉米田新发生的重要害虫。二点委夜蛾主要在玉米苗期危害,以幼虫啃食玉米茎基部,形成空洞,造成地上部分心叶萎蔫枯死或者造成植株倒伏。发生严重时常造成缺苗断垅,甚至出现大片死苗。二点委夜蛾幼虫畏强光,常躲在玉米苗周围的麦秸下危害,防治困难,现已成为影响夏玉米安全生产的重要害虫。而关于其生理生化、危害机制、高效防控机理等方面的研究较少,因此建立长期稳定的二点委夜蛾种群是保障各项研究工作开展的基础。
微孢子虫(Microsporidia)是专性细胞内寄生的单细胞原生动物,是一类重要的昆虫病原微生物。二点委夜蛾体内的微孢子虫属微孢子纲,微孢子虫目,微粒子科,微粒子属Nosema,与家蚕微孢子虫亲缘关系最近。它主要寄生在昆虫体内,通过水平传播和垂直传播引起昆虫疾病的发生。通常感染后的幼虫出现厌食、生长发育迟缓、蜕皮不完全、化蛹畸形、羽化畸形、产卵量下降等症状,严重影响了二点委夜蛾的正常生长、发育和繁衍。直接制约着供试种群的饲养,使得相关试验所需试虫无法得到保障。且二点委夜蛾一经感染后,很难清除体内微孢子虫,所以筛选剔除已感染的个体及预防微孢子虫的侵染是二点委夜蛾人工饲养的关键所在。因此,现在亟需一种高效,实用的二点委夜蛾饲养方法。
发明内容
为了解决上述至少一个技术问题,本发明提出了一种基于光学图像识别的二点委夜蛾饲养。
本发明第一方面提供了一种基于光学图像识别的二点委夜蛾饲养方法,包括:
获取二点委夜蛾生长图像数据,根据图像数据进行虫害感染预测,得到生长异常信息;
根据生长异常信息将二点委夜蛾进行筛选与分组,并获取二点委夜蛾光学显微图像;
将光学显微图像导入微孢子虫识别模型进行虫害识别并得到第一微孢子虫感染信息;
根据微孢子虫感染信息,将二点委夜蛾进行组间筛选与饲养,并获取第二代二点委夜蛾的光学显微图像,将所述第二代二点委夜蛾的光学显微图像导入微孢子虫识别模型进行二次虫害识别得到第二微孢子虫感染信息;
根据第二微孢子虫感染信息进行二次组间筛选与合并,得到二点委夜蛾健康组。
本方案中,所述获取二点委夜蛾生长图像数据,根据图像数据进行虫害感染预测,得到生长异常信息,具体为:
获取二点委夜蛾生长图像数据;
根据二点委夜蛾生长期,将生长图像数据进行数据划分,得到三组生长图像数据;
获取历史对比图像数据,将历史对比图像数据与三组生长图像数据进行图像特征值对比分析,得到生长完成度信息;
根据生长完成度信息与预设对比完成度信息进行分析比较,得到生长异常信息。
本方案中,所述根据生长异常信息将二点委夜蛾进行筛选与分组,并获取二点委夜蛾光学显微图像,具体为:
根据生长异常信息,将生长异常的二点委夜蛾进行清除;
获取生长正常的二点委夜蛾并进行分组与编号,将每组二点委夜蛾进行光学显微检测,得到二点委夜蛾光学显微图像。
需要说明的是,所述获取生长正常的二点委夜蛾并进行分组与编号中,每组对应一个唯一的编号。
本方案中,所述将光学显微图像导入微孢子虫识别模型进行虫害识别并得到第一微孢子虫感染信息,之前包括:
从大数据中获取微孢子虫图像数据;
根据所述微孢子虫图像数据进行图像平滑、降噪预处理,并获取微孢子虫的轮廓特征数据和形状大小特征数据;
将轮廓特征数据和形状大小特征数据作为微孢子虫的识别特征数据,将所述识别特征数据进行数据划分,得到训练组数据与验证组数据;
构建微孢子虫识别模型,将训练组数据与验证组数据导入微孢子虫识别模型进行特征数据的训练与验证,直至微孢子虫识别模型达到预设识别标准。
本方案中,所述将光学显微图像导入微孢子虫识别模型进行虫害识别并得到第一微孢子虫感染信息,具体为:
获取光学显微图像,将所述光学显微图像进行图像平滑、降噪预处理,并得到增强显微图像;
将所述增强显微图像进行微生物识别与轮廓特征提取,得到光学显微图像特征值;
将光学显微图像特征值导入微孢子虫识别模型进行特征识别,并计算出特征相似度与微孢子虫感染指数;
将特征相似度与微孢子虫感染指数进行信息合并得到第一微孢子虫感染信息;
其中,特征相似度计算公式具体为:
其中,S为特征相似度,M为光学显微图像特征总像素,O(i)为光学显微图像第i个像素的特征值,N为验证图像数据总像素,Y(j)为第j个像素的验证特征值,PC为验证修正系数;
微孢子虫感染指数计算公式具体为:
其中,D为微孢子虫感染指数,Z为相似度总个数,G(e)为第e个相似度的具体数值,K为感染修正系数。
本方案中,所述根据微孢子虫感染信息,将二点委夜蛾进行组间筛选与饲养,并获取第二代二点委夜蛾的光学显微图像,将所述第二代二点委夜蛾的光学显微图像导入微孢子虫识别模型进行二次虫害识别得到第二微孢子虫感染信息,具体为:
根据第一微孢子虫感染信息,获取每组二点委夜蛾的微孢子虫感染指数;
将微孢子虫感染指数与第一预设指数阈值进行比较;
若微孢子虫感染指数小于第一预设指数阈值,则将对应的二点委夜蛾饲养组进行筛选与饲养,得到第二代二点委夜蛾;
获取第二代二点委夜蛾的光学显微图像;
将所述第二代二点委夜蛾的光学显微图像导入微孢子虫识别模型进行二次虫害识别分析,得到第二微孢子虫感染信息。
本方案中,所述根据第二微孢子虫感染信息进行二次组间筛选与合并,得到二点委夜蛾健康组,具体为:
获取第二微孢子虫感染信息中的第二特征相似度与第二微孢子虫感染指数;
判断第二特征相似度,筛选出第二特征相似度大于预设相似度对应的二点委夜蛾组别,得到第一筛选组;
判断第一筛选组中的第二微孢子虫感染指数,筛选出第二微孢子虫感染指数小于第二预设指数阈值的组别并进行组间合并,得到二点委夜蛾健康组。
本发明第二方面还提供了一种基于光学图像识别的二点委夜蛾饲养系统,该系统包括:存储器、处理器,所述存储器中包括基于光学图像识别的二点委夜蛾饲养方法程序,所述基于光学图像识别的二点委夜蛾饲养方法程序被所述处理器执行时实现如下步骤:
获取二点委夜蛾生长图像数据,根据图像数据进行虫害感染预测,得到生长异常信息;
根据生长异常信息将二点委夜蛾进行筛选与分组,并获取二点委夜蛾光学显微图像;
将光学显微图像导入微孢子虫识别模型进行虫害识别并得到第一微孢子虫感染信息;
根据微孢子虫感染信息,将二点委夜蛾进行组间筛选与饲养,并获取第二代二点委夜蛾的光学显微图像,将所述第二代二点委夜蛾的光学显微图像导入微孢子虫识别模型进行二次虫害识别得到第二微孢子虫感染信息;
根据第二微孢子虫感染信息进行二次组间筛选与合并,得到二点委夜蛾健康组。
本方案中,所述将光学显微图像导入微孢子虫识别模型进行虫害识别并得到第一微孢子虫感染信息,具体为:
获取光学显微图像,将所述光学显微图像进行图像平滑、降噪预处理,并得到增强显微图像;
将所述增强显微图像进行微生物识别与轮廓特征提取,得到光学显微图像特征值;
将光学显微图像特征值导入微孢子虫识别模型进行特征识别,并计算出特征相似度与微孢子虫感染指数;
将特征相似度与微孢子虫感染指数进行信息合并得到第一微孢子虫感染信息;
其中,特征相似度计算公式具体为:
其中,S为特征相似度,M为光学显微图像特征总像素,O(i)为光学显微图像第i个像素的特征值,N为验证图像数据总像素,Y(j)为第j个像素的验证特征值,PC为验证修正系数;
微孢子虫感染指数计算公式具体为:
其中,D为微孢子虫感染指数,Z为相似度总个数,G(e)为第e个相似度的具体数值,K为感染修正系数。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括基于光学图像识别的二点委夜蛾饲养方法程序,所述基于光学图像识别的二点委夜蛾饲养方法程序被处理器执行时,实现如上述任一项所述的基于光学图像识别的二点委夜蛾饲养方法的步骤。
本发明公开了一种基于光学图像识别的二点委夜蛾饲养方法及系统,通过获取二点委夜蛾生长图像数据分析得到生长异常信息,根据生长异常信息将生长异常和羽化异常的二点委夜蛾进行提前预测并清除,得到较为健康的饲养组,提高了健康饲养二点委夜蛾的效率。另外,通过获取光学显微图像,得到微孢子虫感染信息,并根据感染信息进行二点委夜蛾的一代和二代健康筛选,得到去除微孢子虫病的健康二点委夜蛾饲养组,本发明具有较强的实用性和高效性。另外,本发明通过分析采集点的环境信息,能够得到较佳的二点委夜蛾采集点,从而提高二点委夜蛾的采集健康率,实现了提高健康二点委夜蛾饲养效率的目的。
附图说明
图1示出了本发明一种基于光学图像识别的二点委夜蛾饲养方法的流程图;
图2示出了本发明获取生长异常信息流程图;
图3示出了本发明获取第二微孢子虫感染信息流程图;
图4示出了本发明一种基于光学图像识别的二点委夜蛾饲养系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于光学图像识别的二点委夜蛾饲养方法的流程图。
如图1所示,本发明第一方面提供了一种基于光学图像识别的二点委夜蛾饲养方法,包括:
S102,获取二点委夜蛾生长图像数据,根据图像数据进行虫害感染预测,得到生长异常信息;
S104,根据生长异常信息将二点委夜蛾进行筛选与分组,并获取二点委夜蛾光学显微图像;
S106,将光学显微图像导入微孢子虫识别模型进行虫害识别并得到第一微孢子虫感染信息;
S108,根据微孢子虫感染信息,将二点委夜蛾进行组间筛选与饲养,并获取第二代二点委夜蛾的光学显微图像,将所述第二代二点委夜蛾的光学显微图像导入微孢子虫识别模型进行二次虫害识别得到第二微孢子虫感染信息;
S110,根据第二微孢子虫感染信息进行二次组间筛选与合并,得到二点委夜蛾健康组。
图2示出了本发明获取生长异常信息流程图。
根据本发明实施例,所述所述获取二点委夜蛾生长图像数据,根据图像数据进行虫害感染预测,得到生长异常信息,具体为:
S202,获取二点委夜蛾生长图像数据;
S204,根据二点委夜蛾生长期,将生长图像数据进行数据划分,得到三组生长图像数据;
S206,获取历史对比图像数据,将历史对比图像数据与三组生长图像数据进行图像特征值对比分析,得到生长完成度信息;
S208,根据生长完成度信息与预设对比完成度信息进行分析比较,得到生长异常信息。
需要说明的是,所述根据二点委夜蛾生长期,将生长图像数据进行数据划分中,一般为进行三组划分,分别为二点委夜蛾生长的前中后期,对应三组生长图像数据,而根据研究细分需要,可以将划分组数设置为三组以上。所述历史对比图像数据中为获取已有的生长良好的二点委夜图像数据,所述历史对比图像数据具有良好的参照性。所述生长完成度信息包括二点委夜蛾的羽化完成度与个体大小信息。
其中,所述生长完成度信息包括二点委夜蛾的羽化完成度,具体为:
获取三组生长图像数据;
将每组生长图像数据进行图像预处理,得到增强生长图像数据;
将增强生长图像数据进行二点委夜蛾羽化形状特征分析,得到羽化图像特征数据;
获取羽化对比图像特征数据,将羽化图像特征数据与羽化对比图像特征数据进行特征相似对比分析,筛选出相似度大于预设相似值的图像特征数据并进行数据整理得到第一相似数据;
将第一相似数据与图像特征数据进行数据量占比分析,得到羽化特征数据占比率;
将羽化特征数据占比率进行均值化处理得到二点委夜蛾的羽化完成度。
需要说明的是,所述羽化对比图像特征数据,具体为从历史对比图像数据中获取的。
根据本发明实施例,所述根据生长异常信息将二点委夜蛾进行筛选与分组,并获取二点委夜蛾光学显微图像,具体为:
根据生长异常信息,将生长异常的二点委夜蛾进行清除;
获取生长正常的二点委夜蛾并进行分组与编号,将每组二点委夜蛾进行光学显微检测,得到二点委夜蛾光学显微图像。
需要说明的是,所述获取生长正常的二点委夜蛾并进行分组与编号中,每组对应一个唯一的编号。
需要说明的是,所述根据生长异常信息,将生长异常的二点委夜蛾进行清除中,由于感染了微孢子虫的二点委夜蛾生长一般表现为羽化不完全,生长缓慢等,通过分析生长异常信息,能够提前预测并筛选出健康的二点委夜蛾饲养组。所述得到二点委夜蛾光学显微图像中,具体为通过光学显微镜图像采集装置完成的。
根据本发明实施例,所述将光学显微图像导入微孢子虫识别模型进行虫害识别并得到第一微孢子虫感染信息,之前包括:
从大数据中获取微孢子虫图像数据;
根据所述微孢子虫图像数据进行图像平滑、降噪预处理,并获取微孢子虫的轮廓特征数据和形状大小特征数据;
将轮廓特征数据和形状大小特征数据作为微孢子虫的识别特征数据,将所述识别特征数据进行数据划分,得到训练组数据与验证组数据;
构建微孢子虫识别模型,将训练组数据与验证组数据导入微孢子虫识别模型进行特征数据的训练与验证,直至微孢子虫识别模型达到预设识别标准。
需要说明的是,所述将所述识别特征数据进行数据划分一般为将数据进行平均划分。所述直至微孢子虫识别模型达到预设识别标准具体为让微孢子虫识别模型能够准确识别90%以上的验证组数据。所述微孢子虫识别模型具体为一种特定图像识别模型,其中,运用到的图像识别算法包括但不限于卷积神经网络算法,HOG特征提取算法,ORB算法,SIFT算法,SURF算法,FREAK算法。
根据本发明实施例,所述将光学显微图像导入微孢子虫识别模型进行虫害识别并得到第一微孢子虫感染信息,具体为:
获取光学显微图像,将所述光学显微图像进行图像平滑、降噪预处理,并得到增强显微图像;
将所述增强显微图像进行微生物识别与轮廓特征提取,得到光学显微图像特征值;
将光学显微图像特征值导入微孢子虫识别模型进行特征识别,并计算出特征相似度与微孢子虫感染指数;
将特征相似度与微孢子虫感染指数进行信息合并得到第一微孢子虫感染信息;
其中,特征相似度计算公式具体为:
其中,S为特征相似度,M为光学显微图像特征总像素,O(i)为光学显微图像第i个像素的特征值,N为验证图像数据总像素,Y(j)为第j个像素的验证特征值,PC为验证修正系数;
微孢子虫感染指数计算公式具体为:
其中,D为微孢子虫感染指数,Z为相似度总个数,G(e)为第e个相似度的具体数值,K为感染修正系数。
根据本发明实施例,还包括:
从田间采集点获取多组二点委夜蛾,并将每组二点委夜蛾进行编号标记与采集点的记录;
获取每组采集点的光照强度、湿度、昼夜温差、溶解氧浓度信息;
计算分析出每组二点委夜蛾的微孢子虫感染信息;
构建采集点预测模型;
将所述微孢子虫感染信息和每组采集点的光照强度、湿度、昼夜温差、溶解氧浓度信息导入采集点预测模型中进行预测分析,得到采集点优选环境信息;
获取田间采集点的总体环境分布图,结合采集点优选环境信息,分析得到优选采集点分布图;
根据优选采集点分布图得到优选采集点信息。
需要说明的是,不同采集点获取的二点委夜蛾中,有与环境状态的不同,得到的微孢子虫感染信息也有差异。通过分析采集点的光照强度、湿度、昼夜温差、溶解氧浓度等环境信息,能够得到微孢子虫低感染的二点委夜蛾采集点,从而提高二点委夜蛾的饲养效率。所述采集点优选环境信息包括较佳的光照强度、湿度、昼夜温差、溶解氧浓度等环境信息。所述田间采集点的总体环境分布图具体为包括光照强度、湿度、昼夜温差、溶解氧浓度等环境信息的综合型分布图。
图3示出了本发明获取第二微孢子虫感染信息流程图。
根据本发明实施例,所述根据微孢子虫感染信息,将二点委夜蛾进行组间筛选与饲养,并获取第二代二点委夜蛾的光学显微图像,将所述第二代二点委夜蛾的光学显微图像导入微孢子虫识别模型进行二次虫害识别得到第二微孢子虫感染信息,具体为:
S302,根据第一微孢子虫感染信息,获取每组二点委夜蛾的微孢子虫感染指数;
S304,将微孢子虫感染指数与第一预设指数阈值进行比较;
S306,若微孢子虫感染指数小于第一预设指数阈值,则将对应的二点委夜蛾饲养组进行筛选与饲养,得到第二代二点委夜蛾;
S308,获取第二代二点委夜蛾的光学显微图像;
S310,将所述第二代二点委夜蛾的光学显微图像导入微孢子虫识别模型进行二次虫害识别分析,得到第二微孢子虫感染信息。
需要说明的是,所述将对应的二点委夜蛾饲养组进行筛选与饲养,具体为将筛选后二点委夜蛾进行持续饲养,得到下一代二点委夜蛾,根据微孢子虫感染指数进行筛选与饲养,能够大大提高二点委夜蛾下一代的健康概率。
根据本发明实施例,根据第二微孢子虫感染信息进行二次组间筛选与合并,得到二点委夜蛾健康组,具体为:
获取第二微孢子虫感染信息中的第二特征相似度与第二微孢子虫感染指数;
判断第二特征相似度,筛选出第二特征相似度大于预设相似度对应的二点委夜蛾组别,得到第一筛选组;
判断第一筛选组中的第二微孢子虫感染指数,筛选出第二微孢子虫感染指数小于第二预设指数阈值的组别并进行组间合并,得到二点委夜蛾健康组。
需要说明的是,所述得到二点委夜蛾健康组中,具体为能够防治微孢子虫病的健康二点委夜蛾。
图4示出了本发明一种基于光学图像识别的二点委夜蛾饲养系统的框图。
本发明第二方面还提供了一种基于光学图像识别的二点委夜蛾饲养系统4,该系统包括:存储器41、处理器42,所述存储器中包括基于光学图像识别的二点委夜蛾饲养方法程序,所述基于光学图像识别的二点委夜蛾饲养方法程序被所述处理器执行时实现如下步骤:
获取二点委夜蛾生长图像数据,根据图像数据进行虫害感染预测,得到生长异常信息;
根据生长异常信息将二点委夜蛾进行筛选与分组,并获取二点委夜蛾光学显微图像;
将光学显微图像导入微孢子虫识别模型进行虫害识别并得到第一微孢子虫感染信息;
根据微孢子虫感染信息,将二点委夜蛾进行组间筛选与饲养,并获取第二代二点委夜蛾的光学显微图像,将所述第二代二点委夜蛾的光学显微图像导入微孢子虫识别模型进行二次虫害识别得到第二微孢子虫感染信息;
根据第二微孢子虫感染信息进行二次组间筛选与合并,得到二点委夜蛾健康组。
根据本发明实施例,所述所述获取二点委夜蛾生长图像数据,根据图像数据进行虫害感染预测,得到生长异常信息,具体为:
获取二点委夜蛾生长图像数据;
根据二点委夜蛾生长期,将生长图像数据进行数据划分,得到三组生长图像数据;
获取历史对比图像数据,将历史对比图像数据与三组生长图像数据进行图像特征值对比分析,得到生长完成度信息;
根据生长完成度信息与预设对比完成度信息进行分析比较,得到生长异常信息。
需要说明的是,所述根据二点委夜蛾生长期,将生长图像数据进行数据划分中,一般为进行三组划分,分别为二点委夜蛾生长的前中后期,对应三组生长图像数据,而根据研究细分需要,可以将划分组数设置为三组以上。所述历史对比图像数据中为获取已有的生长良好的二点委夜图像数据,所述历史对比图像数据具有良好的参照性。所述生长完成度信息包括二点委夜蛾的羽化完成度与个体大小信息。
其中,所述生长完成度信息包括二点委夜蛾的羽化完成度,具体为:
获取三组生长图像数据;
将每组生长图像数据进行图像预处理,得到增强生长图像数据;
将增强生长图像数据进行二点委夜蛾羽化形状特征分析,得到羽化图像特征数据;
获取羽化对比图像特征数据,将羽化图像特征数据与羽化对比图像特征数据进行特征相似对比分析,筛选出相似度大于预设相似值的图像特征数据并进行数据整理得到第一相似数据;
将第一相似数据与图像特征数据进行数据量占比分析,得到羽化特征数据占比率;
将羽化特征数据占比率进行均值化处理得到二点委夜蛾的羽化完成度。
需要说明的是,所述羽化对比图像特征数据,具体为从历史对比图像数据中获取的。
根据本发明实施例,所述根据生长异常信息将二点委夜蛾进行筛选与分组,并获取二点委夜蛾光学显微图像,具体为:
根据生长异常信息,将生长异常的二点委夜蛾进行清除;
获取生长正常的二点委夜蛾并进行分组与编号,将每组二点委夜蛾进行光学显微检测,得到二点委夜蛾光学显微图像。
需要说明的是,所述获取生长正常的二点委夜蛾并进行分组与编号中,每组对应一个唯一的编号。
需要说明的是,所述根据生长异常信息,将生长异常的二点委夜蛾进行清除中,由于感染了微孢子虫的二点委夜蛾生长一般表现为羽化不完全,生长缓慢等,通过分析生长异常信息,能够提前预测并筛选出健康的二点委夜蛾饲养组。所述得到二点委夜蛾光学显微图像中,具体为通过光学显微镜图像采集装置完成的。
根据本发明实施例,所述将光学显微图像导入微孢子虫识别模型进行虫害识别并得到第一微孢子虫感染信息,之前包括:
从大数据中获取微孢子虫图像数据;
根据所述微孢子虫图像数据进行图像平滑、降噪预处理,并获取微孢子虫的轮廓特征数据和形状大小特征数据;
将轮廓特征数据和形状大小特征数据作为微孢子虫的识别特征数据,将所述识别特征数据进行数据划分,得到训练组数据与验证组数据;
构建微孢子虫识别模型,将训练组数据与验证组数据导入微孢子虫识别模型进行特征数据的训练与验证,直至微孢子虫识别模型达到预设识别标准。
需要说明的是,所述将所述识别特征数据进行数据划分一般为将数据进行平均划分。所述直至微孢子虫识别模型达到预设识别标准具体为让微孢子虫识别模型能够准确识别90%以上的验证组数据。所述微孢子虫识别模型具体为一种特定图像识别模型,其中,运用到的图像识别算法包括但不限于卷积神经网络算法,HOG特征提取算法,ORB算法,SIFT算法,SURF算法,FREAK算法。
根据本发明实施例,所述将光学显微图像导入微孢子虫识别模型进行虫害识别并得到第一微孢子虫感染信息,具体为:
获取光学显微图像,将所述光学显微图像进行图像平滑、降噪预处理,并得到增强显微图像;
将所述增强显微图像进行微生物识别与轮廓特征提取,得到光学显微图像特征值;
将光学显微图像特征值导入微孢子虫识别模型进行特征识别,并计算出特征相似度与微孢子虫感染指数;
将特征相似度与微孢子虫感染指数进行信息合并得到第一微孢子虫感染信息;
其中,特征相似度计算公式具体为:
其中,S为特征相似度,M为光学显微图像特征总像素,O(i)为光学显微图像第i个像素的特征值,N为验证图像数据总像素,Y(j)为第j个像素的验证特征值,PC为验证修正系数;
微孢子虫感染指数计算公式具体为:
其中,D为微孢子虫感染指数,Z为相似度总个数,G(e)为第e个相似度的具体数值,K为感染修正系数。
根据本发明实施例,还包括:
从田间采集点获取多组二点委夜蛾,并将每组二点委夜蛾进行编号标记与采集点的记录;
获取每组采集点的光照强度、湿度、昼夜温差、溶解氧浓度信息;
计算分析出每组二点委夜蛾的微孢子虫感染信息;
构建采集点预测模型;
将所述微孢子虫感染信息和每组采集点的光照强度、湿度、昼夜温差、溶解氧浓度信息导入采集点预测模型中进行预测分析,得到采集点优选环境信息;
获取田间采集点的总体环境分布图,结合采集点优选环境信息,分析得到优选采集点分布图;
根据优选采集点分布图得到优选采集点信息。
需要说明的是,不同采集点获取的二点委夜蛾中,有与环境状态的不同,得到的微孢子虫感染信息也有差异。通过分析采集点的光照强度、湿度、昼夜温差、溶解氧浓度等环境信息,能够得到微孢子虫低感染的二点委夜蛾采集点,从而提高二点委夜蛾的饲养效率。所述采集点优选环境信息包括较佳的光照强度、湿度、昼夜温差、溶解氧浓度等环境信息。所述田间采集点的总体环境分布图具体为包括光照强度、湿度、昼夜温差、溶解氧浓度等环境信息的综合型分布图。
根据本发明实施例,所述根据微孢子虫感染信息,将二点委夜蛾进行组间筛选与饲养,并获取第二代二点委夜蛾的光学显微图像,将所述第二代二点委夜蛾的光学显微图像导入微孢子虫识别模型进行二次虫害识别得到第二微孢子虫感染信息,具体为:
根据第一微孢子虫感染信息,获取每组二点委夜蛾的微孢子虫感染指数;
将微孢子虫感染指数与第一预设指数阈值进行比较;
若微孢子虫感染指数小于第一预设指数阈值,则将对应的二点委夜蛾饲养组进行筛选与饲养,得到第二代二点委夜蛾;
获取第二代二点委夜蛾的光学显微图像;
将所述第二代二点委夜蛾的光学显微图像导入微孢子虫识别模型进行二次虫害识别分析,得到第二微孢子虫感染信息。
需要说明的是,所述将对应的二点委夜蛾饲养组进行筛选与饲养,具体为将筛选后二点委夜蛾进行持续饲养,得到下一代二点委夜蛾,根据微孢子虫感染指数进行筛选与饲养,能够大大提高二点委夜蛾下一代的健康概率。
根据本发明实施例,根据第二微孢子虫感染信息进行二次组间筛选与合并,得到二点委夜蛾健康组,具体为:
获取第二微孢子虫感染信息中的第二特征相似度与第二微孢子虫感染指数;
判断第二特征相似度,筛选出第二特征相似度大于预设相似度对应的二点委夜蛾组别,得到第一筛选组;
判断第一筛选组中的第二微孢子虫感染指数,筛选出第二微孢子虫感染指数小于第二预设指数阈值的组别并进行组间合并,得到二点委夜蛾健康组。
需要说明的是,所述得到二点委夜蛾健康组中,具体为能够防治微孢子虫病的健康二点委夜蛾。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括基于光学图像识别的二点委夜蛾饲养方法程序,所述基于光学图像识别的二点委夜蛾饲养方法程序被处理器执行时,实现如上述任一项所述的基于光学图像识别的二点委夜蛾饲养方法的步骤。
本发明公开了一种基于光学图像识别的二点委夜蛾饲养方法及系统,通过获取二点委夜蛾生长图像数据分析得到生长异常信息,根据生长异常信息将生长异常和羽化异常的二点委夜蛾进行提前预测并清除,得到较为健康的饲养组,提高了健康饲养二点委夜蛾的效率。另外,通过获取光学显微图像,得到微孢子虫感染信息,并根据感染信息进行二点委夜蛾的一代和二代健康筛选,得到去除微孢子虫病的健康二点委夜蛾饲养组,本发明具有较强的实用性和高效性。另外,本发明通过分析采集点的环境信息,能够得到较佳的二点委夜蛾采集点,从而提高二点委夜蛾的采集健康率,实现了提高健康二点委夜蛾饲养效率的目的。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
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,可轻易想到变化或替换,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所述权利要求的保护范围为准。
Claims (7)
1.一种基于光学图像识别的二点委夜蛾饲养方法,其特征在于,包括:
获取二点委夜蛾生长图像数据,根据图像数据进行虫害感染预测,得到生长异常信息;
根据生长异常信息将二点委夜蛾进行筛选与分组,并获取二点委夜蛾光学显微图像;
将光学显微图像导入微孢子虫识别模型进行虫害识别并得到第一微孢子虫感染信息;
根据微孢子虫感染信息,将二点委夜蛾进行组间筛选与饲养,并获取第二代二点委夜蛾的光学显微图像,将所述第二代二点委夜蛾的光学显微图像导入微孢子虫识别模型进行二次虫害识别得到第二微孢子虫感染信息;
根据第二微孢子虫感染信息进行二次组间筛选与合并,得到二点委夜蛾健康组;
其中,所述将光学显微图像导入微孢子虫识别模型进行虫害识别并得到第一微孢子虫感染信息,之前包括:
从大数据中获取微孢子虫图像数据;
根据所述微孢子虫图像数据进行图像平滑、降噪预处理,并获取微孢子虫的轮廓特征数据和形状大小特征数据;
将轮廓特征数据和形状大小特征数据作为微孢子虫的识别特征数据,将所述识别特征数据进行数据划分,得到训练组数据与验证组数据;
构建微孢子虫识别模型,将训练组数据与验证组数据导入微孢子虫识别模型进行特征数据的训练与验证,直至微孢子虫识别模型达到预设识别标准;
其中,所述将光学显微图像导入微孢子虫识别模型进行虫害识别并得到第一微孢子虫感染信息,具体为:
获取光学显微图像,将所述光学显微图像进行图像平滑、降噪预处理,并得到增强显微图像;
将所述增强显微图像进行微生物识别与轮廓特征提取,得到光学显微图像特征值;
将光学显微图像特征值导入微孢子虫识别模型进行特征识别,并计算出特征相似度与微孢子虫感染指数;
将特征相似度与微孢子虫感染指数进行信息合并得到第一微孢子虫感染信息;
其中,特征相似度计算公式具体为:
;
其中,S为特征相似度,M为光学显微图像特征总像素,为光学显微图像第i个像素的特征值,N为验证图像数据总像素,/>为第j个像素的验证特征值,/>为验证修正系数;
微孢子虫感染指数计算公式具体为:
;
其中,D为微孢子虫感染指数,Z为相似度总个数,为第e个相似度的具体数值,K为感染修正系数。
2.根据权利要求1所述的一种基于光学图像识别的二点委夜蛾饲养方法,其特征在于,所述获取二点委夜蛾生长图像数据,根据图像数据进行虫害感染预测,得到生长异常信息,具体为:
获取二点委夜蛾生长图像数据;
根据二点委夜蛾生长期,将生长图像数据进行数据划分,得到三组生长图像数据;
获取历史对比图像数据,将历史对比图像数据与三组生长图像数据进行图像特征值对比分析,得到生长完成度信息;
根据生长完成度信息与预设对比完成度信息进行分析比较,得到生长异常信息。
3.根据权利要求1所述的一种基于光学图像识别的二点委夜蛾饲养方法,其特征在于,所述根据生长异常信息将二点委夜蛾进行筛选与分组,并获取二点委夜蛾光学显微图像,具体为:
根据生长异常信息,将生长异常的二点委夜蛾进行清除;
获取生长正常的二点委夜蛾并进行分组与编号,将每组二点委夜蛾进行光学显微检测,得到二点委夜蛾光学显微图像。
4.根据权利要求1所述的一种基于光学图像识别的二点委夜蛾饲养方法,其特征在于,所述根据微孢子虫感染信息,将二点委夜蛾进行组间筛选与饲养,并获取第二代二点委夜蛾的光学显微图像,将所述第二代二点委夜蛾的光学显微图像导入微孢子虫识别模型进行二次虫害识别得到第二微孢子虫感染信息,具体为:
根据第一微孢子虫感染信息,获取每组二点委夜蛾的微孢子虫感染指数;
将微孢子虫感染指数与第一预设指数阈值进行比较;
若微孢子虫感染指数小于第一预设指数阈值,则将对应的二点委夜蛾饲养组进行筛选与饲养,得到第二代二点委夜蛾;
获取第二代二点委夜蛾的光学显微图像;
将所述第二代二点委夜蛾的光学显微图像导入微孢子虫识别模型进行二次虫害识别分析,得到第二微孢子虫感染信息。
5.根据权利要求1所述的一种基于光学图像识别的二点委夜蛾饲养方法,其特征在于,所述根据第二微孢子虫感染信息进行二次组间筛选与合并,得到二点委夜蛾健康组,具体为:
获取第二微孢子虫感染信息中的第二特征相似度与第二微孢子虫感染指数;
判断第二特征相似度,筛选出第二特征相似度大于预设相似度对应的二点委夜蛾组别,得到第一筛选组;
判断第一筛选组中的第二微孢子虫感染指数,筛选出第二微孢子虫感染指数小于第二预设指数阈值的组别并进行组间合并,得到二点委夜蛾健康组。
6.一种基于光学图像识别的二点委夜蛾饲养系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括基于光学图像识别的二点委夜蛾饲养方法程序,所述基于光学图像识别的二点委夜蛾饲养方法程序被所述处理器执行时实现如下步骤:
获取二点委夜蛾生长图像数据,根据图像数据进行虫害感染预测,得到生长异常信息;
根据生长异常信息将二点委夜蛾进行筛选与分组,并获取二点委夜蛾光学显微图像;
将光学显微图像导入微孢子虫识别模型进行虫害识别并得到第一微孢子虫感染信息;
根据微孢子虫感染信息,将二点委夜蛾进行组间筛选与饲养,并获取第二代二点委夜蛾的光学显微图像,将所述第二代二点委夜蛾的光学显微图像导入微孢子虫识别模型进行二次虫害识别得到第二微孢子虫感染信息;
根据第二微孢子虫感染信息进行二次组间筛选与合并,得到二点委夜蛾健康组;
其中,所述将光学显微图像导入微孢子虫识别模型进行虫害识别并得到第一微孢子虫感染信息,之前包括:
从大数据中获取微孢子虫图像数据;
根据所述微孢子虫图像数据进行图像平滑、降噪预处理,并获取微孢子虫的轮廓特征数据和形状大小特征数据;
将轮廓特征数据和形状大小特征数据作为微孢子虫的识别特征数据,将所述识别特征数据进行数据划分,得到训练组数据与验证组数据;
构建微孢子虫识别模型,将训练组数据与验证组数据导入微孢子虫识别模型进行特征数据的训练与验证,直至微孢子虫识别模型达到预设识别标准;
其中,所述将光学显微图像导入微孢子虫识别模型进行虫害识别并得到第一微孢子虫感染信息,具体为:
获取光学显微图像,将所述光学显微图像进行图像平滑、降噪预处理,并得到增强显微图像;
将所述增强显微图像进行微生物识别与轮廓特征提取,得到光学显微图像特征值;
将光学显微图像特征值导入微孢子虫识别模型进行特征识别,并计算出特征相似度与微孢子虫感染指数;
将特征相似度与微孢子虫感染指数进行信息合并得到第一微孢子虫感染信息;
其中,特征相似度计算公式具体为:
;
其中,S为特征相似度,M为光学显微图像特征总像素,为光学显微图像第i个像素的特征值,N为验证图像数据总像素,/>为第j个像素的验证特征值,/>为验证修正系数;
微孢子虫感染指数计算公式具体为:
;
其中,D为微孢子虫感染指数,Z为相似度总个数,为第e个相似度的具体数值,K为感染修正系数。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括基于光学图像识别的二点委夜蛾饲养方法程序,所述基于光学图像识别的二点委夜蛾饲养方法程序被处理器执行时,实现如权利要求1至5中任一项所述的基于光学图像识别的二点委夜蛾饲养方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210979627.0A CN115147837B (zh) | 2022-08-16 | 2022-08-16 | 一种基于光学图像识别的二点委夜蛾饲养方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210979627.0A CN115147837B (zh) | 2022-08-16 | 2022-08-16 | 一种基于光学图像识别的二点委夜蛾饲养方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115147837A CN115147837A (zh) | 2022-10-04 |
CN115147837B true CN115147837B (zh) | 2023-10-27 |
Family
ID=83415993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210979627.0A Active CN115147837B (zh) | 2022-08-16 | 2022-08-16 | 一种基于光学图像识别的二点委夜蛾饲养方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115147837B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104232487A (zh) * | 2014-08-27 | 2014-12-24 | 河北省农林科学院植物保护研究所 | 一种用于防治二点委夜蛾的家蚕微孢子虫及其应用 |
CN105385600A (zh) * | 2015-10-30 | 2016-03-09 | 江西新龙生物科技股份有限公司 | 一种棉铃虫微孢子虫株系及其在农业害虫防治中的应用 |
CN106645563A (zh) * | 2016-09-30 | 2017-05-10 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的病虫害预测方法及装置 |
CN109486680A (zh) * | 2018-11-15 | 2019-03-19 | 辽宁省农业科学院大连生物技术研究所 | 一种柞蚕微孢子虫株(系)的分离、培养及保存的方法 |
CN111310596A (zh) * | 2020-01-20 | 2020-06-19 | 北京海益同展信息科技有限公司 | 一种动物患病状态监测系统及方法 |
RU2763055C1 (ru) * | 2020-12-10 | 2021-12-27 | Федеральное государственное бюджетное научное учреждение «Всероссийский научно-исследовательский институт защиты растений» | СПОСОБ ПРОИЗВОДСТВА СПОР МИКРОСПОРИДИИ Nosema pyrausta |
CN113850298A (zh) * | 2021-09-03 | 2021-12-28 | 山东云海国创云计算装备产业创新中心有限公司 | 一种图像识别方法、装置及相关设备 |
KR20220011878A (ko) * | 2020-07-22 | 2022-02-03 | 농업회사법인유창주식회사 | 인공지능 기반 병충해 및 생육 감시 방법 |
CN114550108A (zh) * | 2022-04-26 | 2022-05-27 | 广东省农业科学院植物保护研究所 | 一种草地贪夜蛾的识别预警方法及系统 |
CN114806885A (zh) * | 2022-05-19 | 2022-07-29 | 河北省农林科学院植物保护研究所 | 一种草地贪夜蛾微孢子虫ct-wb2022及其应用 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9046476B2 (en) * | 2010-06-01 | 2015-06-02 | Vbact Ltd. | Method and system for the detections of biological objects |
-
2022
- 2022-08-16 CN CN202210979627.0A patent/CN115147837B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104232487A (zh) * | 2014-08-27 | 2014-12-24 | 河北省农林科学院植物保护研究所 | 一种用于防治二点委夜蛾的家蚕微孢子虫及其应用 |
CN105385600A (zh) * | 2015-10-30 | 2016-03-09 | 江西新龙生物科技股份有限公司 | 一种棉铃虫微孢子虫株系及其在农业害虫防治中的应用 |
CN106645563A (zh) * | 2016-09-30 | 2017-05-10 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的病虫害预测方法及装置 |
CN109486680A (zh) * | 2018-11-15 | 2019-03-19 | 辽宁省农业科学院大连生物技术研究所 | 一种柞蚕微孢子虫株(系)的分离、培养及保存的方法 |
CN111310596A (zh) * | 2020-01-20 | 2020-06-19 | 北京海益同展信息科技有限公司 | 一种动物患病状态监测系统及方法 |
KR20220011878A (ko) * | 2020-07-22 | 2022-02-03 | 농업회사법인유창주식회사 | 인공지능 기반 병충해 및 생육 감시 방법 |
RU2763055C1 (ru) * | 2020-12-10 | 2021-12-27 | Федеральное государственное бюджетное научное учреждение «Всероссийский научно-исследовательский институт защиты растений» | СПОСОБ ПРОИЗВОДСТВА СПОР МИКРОСПОРИДИИ Nosema pyrausta |
CN113850298A (zh) * | 2021-09-03 | 2021-12-28 | 山东云海国创云计算装备产业创新中心有限公司 | 一种图像识别方法、装置及相关设备 |
CN114550108A (zh) * | 2022-04-26 | 2022-05-27 | 广东省农业科学院植物保护研究所 | 一种草地贪夜蛾的识别预警方法及系统 |
CN114806885A (zh) * | 2022-05-19 | 2022-07-29 | 河北省农林科学院植物保护研究所 | 一种草地贪夜蛾微孢子虫ct-wb2022及其应用 |
Non-Patent Citations (1)
Title |
---|
《微孢子虫对二点委夜蛾致病力研究》;张海剑等;《中国生物防治学报》;第462-467页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115147837A (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jaware et al. | Crop disease detection using image segmentation | |
Cumming et al. | Contrasting spatial patterns of taxonomic and functional richness offer insights into potential loss of ecosystem services | |
CN106845497B (zh) | 基于多特征融合的玉米前期图像旱情识别方法 | |
Feldmann et al. | Multi-dimensional machine learning approaches for fruit shape phenotyping in strawberry | |
CN107622236B (zh) | 基于蜂群与梯度提升决策树算法农作物病害诊断预警方法 | |
Chouhan et al. | A deep learning approach for the classification of diseased plant leaf images | |
Cabrera-Toledo et al. | Morphological and genetic variation in monocultures, forestry systems and wild populations of Agave maximiliana of western Mexico: implications for its conservation | |
CN115602337A (zh) | 一种基于机器学习的刺激隐核虫疾病预警方法及系统 | |
CN116030343A (zh) | 一种基于机器视觉识别的农作物病虫害监管系统 | |
Suo et al. | Casm-amfmnet: A network based on coordinate attention shuffle mechanism and asymmetric multi-scale fusion module for classification of grape leaf diseases | |
CN115147837B (zh) | 一种基于光学图像识别的二点委夜蛾饲养方法及系统 | |
CN110399285B (zh) | 一种基于弱变异分析的测试用例约减方法 | |
CN114298615A (zh) | 一种农作物种植风险预防方法、装置、存储介质和设备 | |
CN116307879A (zh) | 一种斑节对虾虾苗高效培育方法、系统及介质 | |
CN105184234B (zh) | 一种冬小麦秸秆焚烧污染物排放量的测算方法及装置 | |
CN111507242A (zh) | 一种基于大数据植物病虫害智能识别方法 | |
CN116482155A (zh) | 基于代谢组学的香港牡蛎病害诊断标志物及其筛选方法 | |
CN112395810B (zh) | 基于人工神经网络的鱼类攻击行为量化方法、装置及存储介质 | |
CN115496300A (zh) | 一种月季育苗生长信息及环境监测方法 | |
Lei | Prediction of score of diabetes progression index based on logistic regression algorithm | |
Kumar et al. | Plant disease classification using image segmentation and SVM techniques | |
CN116010764A (zh) | 一种基于物联网数据快速识别蜜蜂行为的多级矩阵空间优化方法 | |
CN116720666B (zh) | 一种基于大数据的海洋牧场自动化监测方法及系统 | |
CN113762773B (zh) | 一种灾害监测预报的关联定位分解方法及系统 | |
CN115331216B (zh) | 核桃果实成熟度聚类识别方法、装置及系统和存储介质 |
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 |