CN117523617B - 基于机器学习的虫害检测方法及系统 - Google Patents
基于机器学习的虫害检测方法及系统 Download PDFInfo
- Publication number
- CN117523617B CN117523617B CN202410023714.8A CN202410023714A CN117523617B CN 117523617 B CN117523617 B CN 117523617B CN 202410023714 A CN202410023714 A CN 202410023714A CN 117523617 B CN117523617 B CN 117523617B
- Authority
- CN
- China
- Prior art keywords
- insect
- wavelength
- target
- time
- information
- 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
- 241000238631 Hexapoda Species 0.000 title claims abstract description 242
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 58
- 238000001514 detection method Methods 0.000 title claims abstract description 56
- 238000010801 machine learning Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000012163 sequencing technique Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000033001 locomotion Effects 0.000 claims description 37
- 230000003287 optical effect Effects 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 239000012790 adhesive layer Substances 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 231100000518 lethal Toxicity 0.000 claims description 2
- 230000001665 lethal effect Effects 0.000 claims description 2
- 241000894007 species Species 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000003062 neural network model Methods 0.000 abstract 1
- 238000005286 illumination Methods 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000011897 real-time detection Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000009683 detection of insect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011010 flushing procedure Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000029264 phototaxis Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- A01M1/02—Stationary means for catching or killing insects with devices or substances, e.g. food, pheronones attracting the insects
- A01M1/026—Stationary means for catching or killing insects with devices or substances, e.g. food, pheronones attracting the insects combined with devices for monitoring insect presence, e.g. termites
-
- 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
- A01M1/02—Stationary means for catching or killing insects with devices or substances, e.g. food, pheronones attracting the insects
- A01M1/04—Attracting insects by using illumination or colours
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
-
- 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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- A01M2200/00—Kind of animal
- A01M2200/01—Insects
- A01M2200/012—Flying insects
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pest Control & Pesticides (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Insects & Arthropods (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Environmental Sciences (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Catching Or Destruction (AREA)
Abstract
本申请涉及虫情检测领域，尤其涉及基于机器学习的虫害检测方法及系统。方法包括步骤：根据获取的虫情测报灯接虫盘上的图像信息，通过边缘计算算法及目标检测算法，获取虫情信息，根据虫情信息，通过预设的时间序列预测模型进行预测，获得目标时间内多个目标时段虫情信息的预测值；对预测值进行排序处理，获得每种昆虫在目标时段出现的排序信息，根据排序信息获得光源波长的波长权重设定值；根据时间轮转调度算法调整波长权重设定值，生成波长调整指令，对虫情测报灯光源的波长进行调整。本申请使用图像处理技术及神经网络模型，得到并根据虫情预测值对测报灯光源波长和时间控制调节，具有对害虫定向诱集及检测的效果。
Description
技术领域
本申请涉及虫情检测领域，尤其涉及基于机器学习的虫害检测方法及系统。
背景技术
害虫的精准统计与分析对害虫的综合治理具有重要的意义。虫情测报灯是一种虫情监测设备，在绿色农业领域中发挥着重要的作用。虫情测报灯采用光、电、数控技术，能够自动诱集害虫，并对诱集到的害虫进行准确的检测和识别。
虫情测报灯的诱捕原理：采用灯管作为诱虫光源吸引昆虫飞扑，昆虫撞击玻璃屏后落到漏斗中再落入远红外处理仓内，在处理仓内利用远红外加热处理昆虫，活虫落入后3－5分钟即能死亡。为了避免处理仓中虫体堆积，处理仓下方的落虫活动门每隔一段时间开启一次，被杀死的虫体落到接虫盘上。
传统的虫情测报灯大多只采用单一波长的灯管作为诱虫光源，无法实现根据昆虫的习性针对某类特定昆虫进行定向诱集及检测。
发明内容
为了实现根据昆虫的习性针对某类特定昆虫进行定向诱集及检测，本申请提供基于机器学习的虫害检测方法及系统。
第一方面，本申请提供基于机器学习的虫害检测方法，采用如下的技术方案：
基于机器学习的虫害检测方法，包括步骤：根据获取的虫情测报灯接虫盘上的图像信息，通过边缘计算算法及目标检测算法，获取虫情信息，所述虫情信息包括虫体种类和虫体数量；根据多次获取的所述虫情信息，通过预设的时间序列预测模型进行预测，获得目标时间内多个目标时段虫情信息的预测值，所述预测值包括昆虫数量预测值、昆虫种类预测值及每种昆虫的出现时间预测值；对所述预测值进行排序处理，获得每种昆虫在目标时段出现的排序信息，根据所述排序信息获得光源波长的波长权重设定值；根据时间轮转调度算法调整所述波长权重设定值，生成波长调整指令；响应于所述波长调整指令，对虫情测报灯光源的波长进行调整。
通过采用上述技术方案，使用边缘计算能够实现对虫体识别及计数的实时检测，便于进行数据记录及时序数据构建，使用前一天多个目标时段的累积数据构建时间序列数据，通过构建时间序列预测模型，对后续对应时间段可能出现的昆虫种类及数量进行预测，为后续实现测报灯光源精确调节提供可靠参考，根据精准预测数据中不同种类昆虫的数量及主要分布时间段，对测报灯光源波长和时间进行控制调节，以更有针对性地进行定向诱虫操作。
可选的，根据获取的虫情测报灯接虫盘上的图像信息，通过边缘计算算法及目标检测算法，获取虫情信息，包括步骤：响应于获取的环境检测数据符合预设的环境阈值，控制虫情测报灯启动检测；通过光流法处理获取的接虫盘的运动视频图像，判定所述运动视频图像中所有目标像素点是否发生位移；响应于所述运动视频图像中所有目标像素点未发生位移，发送第一信号；响应于所述运动视频图像中至少一个所述目标像素点发生位移，发送第二信号；响应于所述第一信号，获取虫体的所述图像信息，通过目标检测算法对虫体的种类进行检测，获得所述虫情信息。
通过采用上述技术方案，通过判定目标像素点是否位移，判定虫体是否平铺，判定平铺后，对虫体进行拍照，用目标检测算法检测识别图像中昆虫的种类，进行统计计数，使用边缘计算方式，能够实现对虫体识别及计数的实时检测，便于进行数据记录及后续的时序数据构建。
可选的，通过光流法处理获取的接虫盘的运动视频图像，判定所述运动视频图像中所有目标像素点是否发生位移，包括步骤：对所述运动视频图像的所有像素点赋予速度矢量，形成图像运动场；以接虫盘的边缘点为基准计算图像运动轨迹；通过所述速度矢量对所述运动视频图像进行动态分析，生成分析结果。
通过采用上述技术方案，图像运动场可以表示出在某一特定时刻图像上所有像素点的瞬时相对运动关系。若图像中所有的像素点之间没有瞬时相对运动，即虫体所在位置像素点相对于图像背景接虫盘不再发生变化，则其矢量场是连续变化的，即光流矢量在整个图像区域具有连续规律变化的曲线。判定运动视频图像中所有目标像素点未发生位移。当图像中某些像素点与其他像素点对比存在瞬时相对运动时，其光流矢量在整个图像区域必然形成不连续性，以判定运动视频图像中所有目标像素点发生位移。
可选的，根据多次获取的虫情信息，通过预设的时间序列预测模型进行预测，获得目标时间内多个目标时段虫情信息的预测值，包括步骤：根据检测到所述虫情信息及环境检测数据，构建时间序列；根据目标时间内的多个目标时段的所述时间序列，通过所述时间序列预测模型，获得所述预测值。
通过采用上述技术方案，使用多个目标时段的累积数据构建时间序列数据，有利于时间序列预测模型对后续对应时间段可能出现的昆虫种类及数量进行预测，为后续实现虫情测报灯光源精确调节提供可靠参考。
可选的，对所述预测值进行排序处理，获得每种昆虫在目标时段出现的排序信息，根据所述排序信息获得光源波长的波长权重设定值，包括步骤：将所述预测值按照昆虫数量预测值的大小进行排序；计算生成波长权重的排序结果，表达式为：，其中，/>为所述波长权重的排序结果，/>分别为多种波长的权重排名，/>，/>分别为不同的昆虫波长权重的设定值，/>为昆虫种类预测值，/>表示预测数量排名第1位，第2位，…，第/>位的昆虫数量。
通过采用上述技术方案，以目标时段的昆虫数量占比为权重，使用时间轮转方法对测报灯光源的波长进行调整，能够更有针对性地定向诱集在该时段出现可能性最大且最多的昆虫，有效提高诱集效率，同时保证了对其它种类的昆虫同样产生诱导效果。
可选的，根据时间轮转调度算法调整所述波长权重设定值，生成波长调整指令，包括步骤：根据预设的轮转时间间隔，生成波长在时间轮转中所占用的设定时长；根据所述设定时长，生成所述波长调整指令。
通过采用上述技术方案，获得不同波长在时间轮转中所占用的设定时长，以生成调整指令，根据调整指令可以对波长进行调整，以切换不同的波长。
可选的，还包括步骤：响应于所述昆虫数量预测值低于设定的下限阈值，生成设备关闭指令。
通过采用上述技术方案，当处于可能没有或很少有昆虫出没时间段，可以使设备仅在特定时间段进行开机，极大地节约了能耗。
第二方面，本申请提供基于机器学习的虫害检测系统，采用如下的技术方案：
基于机器学习的虫害检测系统，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现上述基于机器学习的虫害检测方法。
通过采用上述技术方案，将上述的基于机器学习的虫害检测方法生成计算机程序，并存储于存储器中，以被处理器加载并执行，从而根据存储器及处理器制作终端设备，方便使用。
本申请具有以下技术效果：
1、本申请使用边缘检测技术，能够实现对虫体识别及计数的实时检测，便于进行数据记录及时序数据构建，使用前一天多个目标时段的累积数据构建时间序列数据，有利于时间序列预测模型对后续对应时间段可能出现的昆虫种类及数量进行预测，为后续实现测报灯光源精确调节提供可靠参考，根据精准预测数据中不同种类昆虫的数量及主要分布时间段，对测报灯光源波长和时间进行控制调节，以更有针对性地进行定向诱虫操作。
2、以目标时段的昆虫数量占比为权重，使用时间轮转方法对测报灯光源的波长进行调整，能够更有针对性地定向诱集在该时段出现可能性最大且最多的昆虫，有效提高诱集效率，同时保证了对其它种类的昆虫同样产生诱导效果。
3、相比较于其它防虫体堆叠方法，设置粘性层与震动电机，能够尽可能使所有虫体均匀的平铺开，同时接虫盘上方摄像头通过对像素点光流变化的检测控制震动电机运行时间，直到所有的虫体均没有重叠在一起，能够有效避免发生未完全平铺现象，平铺完成后及时停止震动电机运行，节约了能耗，避免了虫体堆叠导致的种类识别错误，提高了计数统计准确率。
附图说明
通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，并且相同或对应的标号表示相同或对应的部分。
图1是本申请实施例基于机器学习的虫害检测方法中方法流程图。
图2是本申请实施例基于机器学习的虫害检测方法中步骤S1的方法流程图。
图3是本申请实施例基于机器学习的虫害检测方法中步骤S11的方法流程图。
图4是本申请实施例基于机器学习的虫害检测方法中步骤S2的方法流程图。
图5是本申请实施例基于机器学习的虫害检测方法中步骤S3的方法流程图。
图6是本申请实施例基于机器学习的虫害检测方法中步骤S4的方法流程图。
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。
应当理解，当本申请的权利要求、说明书及附图使用术语“第一”、“第二”等时，其仅是用于区别不同对象，而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
本申请实施例公开基于机器学习的虫害检测方法，参照图1，包括步骤S1-步骤S6：
S1：根据获取的虫情测报灯接虫盘上的图像信息，通过边缘计算算法及目标检测算法，获取虫情信息。
虫情信息包括虫体种类和虫体数量。本申请中的设备、设备端均指虫情测报灯，为方便描述，后续不再进行赘述。
参照图2，步骤S1包括步骤S10-步骤S14，具体如下：
S10：响应于获取的环境检测数据符合环境阈值，控制虫情测报灯启动检测。
具体地，在虫情测报灯上设置光传感器、雨传感器等环境监测传感器，对当前环境进行检测，确认当前环境是否满足设定的环境阈值，若满足，控制虫情测报灯启动检测。环境检测数据包括光照强度和降雨量，环境阈值包括光照阈值和降雨阈值。
例如，当光照强度低于预设的光照阈值时，判定此时为夜晚条件，此时预设的光控电路触点闭合，即满足光控条件，此时光控状态显示为正常，即夜间虫情测报灯恢复工作状态，白天虫情测报灯处于待机状态。
另一情况下，通过雨传感器检测降雨变化，当降雨量小于预设的降雨阈值，判定未检测到降雨，雨控电路的触点闭合，即满足雨控条件，此时雨控状态显示为正常；当降雨量大于降雨阈值，判定发生降雨，则雨控电路触点断开，虫情测报灯停止工作，启动排水系统将雨水导出箱外，并关闭落虫通道防止雨水进入。当光控状态与雨控状态均正常时，控制虫情测报灯启动。
光照阈值和降雨阈值的具体数值可以根据实际应用场景和需求来设定，本申请光照阈值设置为100勒克斯，降雨阈值为1毫米。
当环境检测数据符合阈值环境，控制虫情测报灯启动，诱虫光源开启，吸引昆虫飞扑撞击虫情测报灯上的玻璃屏后，落入远红外处理仓内，对昆虫进行致死处理。远红外处理仓底部设置有活动门，活动门每隔十分钟开启一次，使被杀死的昆虫落入接虫盘上。
本申请在接虫盘的上表面设置一层可水洗的粘性层，接虫盘的底部设置震动电机，震动电机控制接虫盘震动，使接虫盘上的虫体分散平铺在粘性层上，尽可能使所有虫体均匀的平铺开。
S11：通过光流法处理获取的接虫盘的运动视频图像。
在接虫盘的上方设置有摄像头，摄像头采集接虫盘的运动视频图像，使用光流法对运动视频图像进行计算，判断是否完成所有虫体的平铺。若检测到图像中的目标像素点相对于图像背景不再发生变化，表明所有虫体均已平铺粘连在表面，此时预设的控制器向震动电机发送指令停止震动。其中，目标像素点为虫体所在位置，图像背景为接虫盘。
接虫盘上方摄像头通过对像素点光流变化的检测，控制器控制震动电机运行时间，若被虫体分散开粘住则不会发生移动，直到所有的虫体均没有重叠在一起，能够有效避免发生未完全平铺现象，平铺完成后及时停止震动电机运行，节约了能耗。
参照图3，光流法实现虫体运动检测的具体过程包括步骤S110-步骤S112，具体如下：
S110：对运动视频图像的所有像素点赋予速度矢量，形成图像运动场。
图像运动场可以表示出在某一特定时刻图像上所有像素点的瞬时相对运动关系。
S111：以接虫盘的边缘点为基准计算图像运动轨迹。
设置接虫盘的边缘点为图像背景中的边缘点，虫体总是落在更靠近接虫盘中间的位置，接虫盘的边缘点在运动过程中总是保持相对不变，计算图像序列中边缘点的运动轨迹，可得到图像背景的规律运动轨迹，获得图像运动轨迹。
S112：通过速度矢量对运动视频图像进行动态分析，生成分析结果。
具体地，若运动视频图像中所有的像素点之间没有瞬时相对运动，即虫体所在位置像素点相对于图像背景接虫盘不再发生变化，则其矢量场是连续变化的，即光流矢量在整个图像区域具有连续规律变化的曲线。判定运动视频图像中所有目标像素点未发生位移。
当运动视频图像中某些像素点与其他像素点对比存在瞬时相对运动时，其光流矢量在整个图像区域必然形成不连续性。判定运动视频图像中所有目标像素点发生位移。分析结果包括：判定运动视频图像中所有目标像素点发生位移或未发生位移。
S12：响应于运动视频图像中所有目标像素点未发生位移，发送第一信号。
具体地，若检测到所有像素点之间不存在相对运动的时间超过预设的时间，视为已完成虫体在接虫盘中的平铺，则向预设的控制器发送第一信号，第一信号为停机指令，控制器控制震动电机接受停止震动；
S13：响应于运动视频图像中至少一个目标像素点发生位移，发送第二信号。
若图像中像素点之间仍存在相对运动，此时虫体还未平铺完成，发送第二信号至控制器，第二信号为运动指令，控制器控制震动电机继续运行。
S14：响应于第一信号，获取虫体的图像信息，通过目标检测算法对虫体的种类进行检测，获得虫情信息。
在震动电机停止震动后，摄像头进入拍照模式，对接虫盘中收集到的虫体进行拍照，拍照得到的图像信息传入预设的边缘计算模块中，使用目标检测算法检测识别图像中昆虫的种类，分别进行统计计数，并将该时间段检测结果记录存储在预设的数据存储模块中。
边缘计算算法是指采用网络、计算、存储、应用核心能力为一体的开放平台，在边缘计算算法中使用的目标检测算法可以为深度学习模型，如YOLO(You Only Look Once，一次目标检测)，SSD(Single Shot MultiBox Detector，单发多框检测器)等。使用边缘计算方式，能够实现对虫体识别及计数的实时检测，便于进行数据记录及后续的时序数据构建。
本申请中，摄像头完成拍照后，通过清洗装置将接虫盘中的虫体清扫落入下方接虫盒中，为下次拍摄腾出空间。清洗装置包括冲洗喷头、毛刷以及控制毛刷左右移动的控制电机，通过冲洗喷头对接虫盘进行水洗冲洗，使用毛刷辅助刷洗，以尽可能保证接虫盘清洁干净，保证目标检测准确效果。
S2：根据多次获取的虫情信息，通过预设的时间序列预测模型进行预测，获得目标时间内多个目标时段虫情信息的预测值。
预测值包括昆虫数量预测值、昆虫种类预测值及每种昆虫的出现时间预测值。本申请中，目标时间为一天，目标时段为一个小时，目标时间与目标时段可根据用户需求进行自定义设置。
参照图4，步骤S2包括步骤S20-步骤S21，具体如下：
S20：根据检测到虫情信息及环境检测数据，构建时间序列。
每隔一个小时，数据存储模块将该时间段内识别出的昆虫种类及累计的昆虫数量等数据上传至物联网云平台，在物联网云平台中使用时间序列预测算法进行虫情预测，预测第二天对应时刻可能出现的昆虫种类及数量。
每隔一个小时，数据存储模块将该时间段内每十分钟检测到的昆虫种类及数目进行加和，得到当前一个小时内累积诱捕到的虫体种类及数量，同时读取检测到的气象环境数据，如温度、湿度、风力等，将这些数据进行合并，构建时间序列的形式，例如，[日期时间段，（昆虫种类1，数量1），（昆虫种类2，数量2），...，温度，湿度，风力]，并上传时间序列至物联网云平台。使用每隔一个小时的累积数据构建时间序列数据，有利于时间序列预测模型对第二天对应时间段可能出现的昆虫种类及数量进行预测，为后续实现虫情测报灯光源精确调节提供可靠参考。
S21：根据目标时间内的多个目标时段的时间序列，通过时间序列预测模型，获得预测值。
物联网云平台累计接收到一晚的数据后将使用时间序列预测算法进行虫情预测，预测第二天对应时间段可能出现的昆虫种类及数量，输出昆虫数量预测值、昆虫种类预测值及每种昆虫的出现时间预测值。
该方法中使用的时间序列预测算法可以为基于人工智能的时间序列预测模型，如RNN(Recurrent Neural Network，循环神经网络)、LSTM(Long Short-Term Memory，长短期记忆网络)、GRU(Gated Recurrent Unit，门控循环单元)、CNN(Convolutional NeuralNetwork，卷积神经网络)等。
S3：对预测值进行排序处理，获得每种昆虫在目标时段出现的排序信息，根据排序信息获得光源波长的波长权重设定值。
物联网云平台将预测结果传输回设备端，在下一个工作时段，例如第二天夜晚，根据预测值，即每种昆虫在每个小时的出没情况以及昆虫习性对虫情测报灯的光源波长、开启时间进行控制调节，以实现针对性定向诱虫。
物联网云平台将预测结果传回设备端后，在下一个工作时段开始时将根据得到的对应时间段的预测结果，将虫情测报灯的光源波长调节为适应特定昆虫习性的波长以实现对该种类昆虫的定向诱集。
参照图5，调节过程包括步骤S30-步骤S31，具体如下：
S30：将预测值按照昆虫数量预测值的大小进行排序。
具体地，确定当前时间段预测出的活跃昆虫种类及数量，并按降序或升序进行排序。
例如，经过预测，工作时间段中共可能出现的昆虫种类为种，其中时段T可能出现的昆虫种类及数量为：/>，其中，/>表示排名第/>种的昆虫可能出现的数量，且满足/>。/>分别为多种波长的权重排名。
S31：计算获得波长权重的排序结果。
排序结果的表达式为：，其中，/>为波长权重的排序结果，/>分别为多种波长的权重排名，/>，/>分别为不同的昆虫波长权重的设定值，/>为昆虫种类预测值，/>表示预测数量排名第1位，第2位，…，第/>位的昆虫数量。若存在昆虫种类数量为0的值，则其对应权重值即为0。
S4：根据时间轮转调度算法调整波长权重设定值，生成波长调整指令。
参照图6，步骤S4包括步骤S40-步骤S41，具体如下：
S40：根据预设的轮转时间间隔，生成波长在时间轮转中所占用的设定时长。
本申请中，轮转时间间隔可以设为1s，根据不同种类昆虫预测值对应的波长权重，对虫情测报灯光源的波长进行1s内时间轮转，即表示将光源波长调整为预测值中，所占权重越大的昆虫种类的趋光性最好的波长，在1s的时间轮转中所占的时间越长。可表示为：，其中，/>为设置的轮转时间间隔，/>为多种昆虫对应的不同波长在时间轮转中所占用的设定时长。
S41：根据设定时长，生成波长调整指令。
根据计算获得的多种昆虫对应的不同波长在时间轮转中所占用的设定时长，生成调节指令。
以每小时昆虫数量占比为权重，使用时间轮转方法对测报灯光源的波长进行调整，能够更有针对性地定向诱集在该时段出现可能性最大且最多的昆虫，有效提高诱集效率，同时保证了对其它种类的昆虫同样产生诱导效果。
S5：响应于波长调整指令，对虫情测报灯光源的波长进行调整。
例如，昆虫1的数量预测值大于昆虫2，则昆虫1对应的波长在时间轮转中的设定时长大于昆虫2对应波长在时间轮转中的设定时长。
S6：响应于昆虫数量预测值低于下限阈值，生成设备关闭指令。
若某时间段中出现的昆虫种类及数量小于下限阈值，则关闭该时间段的设备运行，以节约能耗。
是否关闭设备运行的判断方法可通过标准差法设定下限阈值，若预测该时间段出现的昆虫数量低于该下限阈值，则对设备进行关闭，直到下一个满足条件的时刻进行开启。
下限阈值为：，其中，/>表示所述下限阈值，/>表示目标时间中昆虫每个小时数据的总体均值，/>表示数据总体标准差。当目标时段的昆虫数量预测值小于标准差的3倍时，可以认为可能没有或很少有昆虫出没。通过对可能没有或很少有昆虫出没时间段的判定，能够使设备仅在特定时间段进行开机，极大地节约了能耗。
本申请实施例还公开基于机器学习的虫害检测系统，包括处理器和存储器，存储器存储有计算机程序指令，当计算机程序指令被处理器执行时实现根据本申请的基于机器学习的虫害检测方法。
上述系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。
在本申请中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM(ResistiveRandomAccessMemory)、动态随机存取存储器DRAM(DynamicRandomAccessMemory)、静态随机存取存储器SRAM(StaticRandom-AccessMemory)、增强动态随机存取存储器EDRAM(EnhancedDynamicRandomAccessMemory)、高带宽内存HBM(High-BandwidthMemory)、混合存储立方HMC(HybridMemoryCube)等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。
虽然本说明书已经示出和描述了本申请的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本申请思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本申请的过程中，可以采用对本文所描述的本申请实施例的各种替代方案。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。
Claims (4)
1.基于机器学习的虫害检测方法，其特征在于，包括步骤：
根据获取的虫情测报灯接虫盘上的图像信息，通过边缘计算算法及目标检测算法，获取虫情信息，所述虫情信息包括虫体种类和虫体数量；
根据多次获取的所述虫情信息，通过预设的时间序列预测模型进行预测，获得目标时间内多个目标时段虫情信息的预测值，所述虫情信息的预测值包括昆虫数量预测值、昆虫种类预测值及每种昆虫的出现时间预测值；
对所述虫情信息的预测值进行排序处理，获得每种昆虫在目标时段出现的排序信息，根据所述排序信息获得光源波长的波长权重设定值；
根据时间轮转调度算法调整所述光源波长的波长权重设定值，生成波长调整指令；
响应于所述波长调整指令，对虫情测报灯光源的波长进行调整；
根据获取的虫情测报灯接虫盘上的图像信息，通过边缘计算算法及目标检测算法，获取虫情信息，包括步骤：
响应于获取的环境检测数据符合预设的环境阈值，控制虫情测报灯启动检测，并对昆虫进行致死处理，使被杀死的昆虫落入接虫盘上；
在接虫盘的上表面设置可水洗的粘性层，控制器控制震动电机的运行时间，震动电机控制接虫盘震动，使接虫盘上的昆虫的虫体分散平铺在粘性层上；
在接虫盘的上方设置摄像头，摄像头采集接虫盘的运动视频图像；
通过光流法处理获取的接虫盘的运动视频图像，判定所述运动视频图像中所有目标像素点是否发生位移；
对所述运动视频图像的所有像素点赋予速度矢量，形成图像运动场；
以接虫盘的边缘点为基准计算图像运动轨迹；
通过所述速度矢量对所述运动视频图像进行动态分析，生成分析结果；具体地，当运动视频图像中所有的像素点之间没有瞬时相对运动时，即虫体所在位置像素点相对于图像背景接虫盘不再发生变化，则判定运动视频图像中所有目标像素点未发生位移，当运动视频图像中某些像素点与其他像素点对比存在瞬时相对运动时，则判定运动视频图像中所有目标像素点发生位移；
响应于所述运动视频图像中所有目标像素点未发生位移，发送第一信号；
第一信号为停机指令，控制器控制震动电机停止震动；
响应于所述运动视频图像中至少一个所述目标像素点发生位移，发送第二信号；
第二信号为运动指令，控制器控制震动电机继续运行；
响应于所述第一信号，在震动电机停止震动后，摄像头进入拍照模式，对接虫盘中收集到的虫体进行拍照，获取虫体的所述图像信息，通过目标检测算法对虫体的种类进行检测，获得所述虫情信息；
摄像头完成拍照后，对接虫盘进行清洗；
对所述虫情信息的预测值进行排序处理，获得每种昆虫在目标时段出现的排序信息，根据所述排序信息获得光源波长的波长权重设定值，包括步骤：
将所述虫情信息的预测值按照昆虫数量预测值的大小进行排序；
计算生成光源波长的波长权重的排序结果；
其中，在目标时段内预测出现的昆虫种类为种；
在目标时段内出现的昆虫种类及数量为 ，且满足 />；
为所述光源波长的波长权重的排序结果，表达式为：/>，，/>为多种光源波长的波长权重排名，/>分别为不同种类的昆虫对应的光源波长的波长权重设定值，/>表示预测数量排名第1位，第2位，…，第/>位的昆虫数量；
根据时间轮转调度算法调整所述波长权重设定值，生成波长调整指令，包括步骤：
根据预设的轮转时间间隔，生成光源波长在时间轮转中所占用的设定时长；
根据所述设定时长，生成所述波长调整指令。
2.根据权利要求1所述的基于机器学习的虫害检测方法，其特征在于，根据多次获取的虫情信息，通过预设的时间序列预测模型进行预测，获得目标时间内多个目标时段虫情信息的预测值，包括步骤：
根据检测到所述虫情信息及环境检测数据，构建时间序列；
根据目标时间内的多个目标时段的所述时间序列，通过所述时间序列预测模型，获得所述预测值。
3.根据权利要求1所述的基于机器学习的虫害检测方法，其特征在于，还包括步骤：
响应于所述昆虫数量预测值低于设定的下限阈值，生成设备关闭指令。
4.基于机器学习的虫害检测系统，其特征在于，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据权利要求1-3任一项所述的基于机器学习的虫害检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410023714.8A CN117523617B (zh) | 2024-01-08 | 2024-01-08 | 基于机器学习的虫害检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410023714.8A CN117523617B (zh) | 2024-01-08 | 2024-01-08 | 基于机器学习的虫害检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117523617A CN117523617A (zh) | 2024-02-06 |
| CN117523617B true CN117523617B (zh) | 2024-04-05 |
Family
ID=89749875
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410023714.8A Active CN117523617B (zh) | 2024-01-08 | 2024-01-08 | 基于机器学习的虫害检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117523617B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118243169B (zh) * | 2024-05-20 | 2024-07-19 | 珠海光安智能科技有限公司 | 一种全纵深式粮仓环境自动巡检方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107333098A (zh) * | 2016-04-28 | 2017-11-07 | 浙江托普云农科技股份有限公司 | 一种虫情测报装置 |
| WO2018058821A1 (zh) * | 2016-09-30 | 2018-04-05 | 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 |
| CN109919796A (zh) * | 2019-02-27 | 2019-06-21 | 北京农业智能装备技术研究中心 | 虫情测报系统 |
| CN110235873A (zh) * | 2019-06-26 | 2019-09-17 | 北京农业智能装备技术研究中心 | 一种农林有害昆虫虫情自动监测预报系统 |
| CN112715502A (zh) * | 2020-12-21 | 2021-04-30 | 中国农业科学院茶叶研究所 | 一种昆虫精准诱集、消灭、统计、预测、防治方法 |
| 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 |
| CN215380914U (zh) * | 2021-03-26 | 2022-01-04 | 长春理工大学高技术产业有限责任公司 | 一种智能虫情灯测报装置 |
| 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 |
| CN116543347A (zh) * | 2023-05-10 | 2023-08-04 | 四川中烟工业有限责任公司 | 智慧虫情在线监测系统、方法、装置及介质 |
| CN219719515U (zh) * | 2023-02-20 | 2023-09-22 | 河北一航新能源科技有限公司 | 一种用于虫情测报的智能高空灯 |
| WO2023215634A1 (en) * | 2022-05-06 | 2023-11-09 | Board Of Trustees Of The University Of Arkansas | Sensor-based smart insect monitoring system in the wild |
| CN117115210A (zh) * | 2023-10-23 | 2023-11-24 | 黑龙江省农业科学院农业遥感与信息研究所 | 基于物联网的智慧农业监控调节方法 |
| WO2023231418A1 (zh) * | 2022-05-31 | 2023-12-07 | 青岛海尔空调器有限总公司 | 车辆灭虫方法、装置、设备、介质及其车辆 |
-
2024
- 2024-01-08 CN CN202410023714.8A patent/CN117523617B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107333098A (zh) * | 2016-04-28 | 2017-11-07 | 浙江托普云农科技股份有限公司 | 一种虫情测报装置 |
| WO2018058821A1 (zh) * | 2016-09-30 | 2018-04-05 | 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 |
| CN109919796A (zh) * | 2019-02-27 | 2019-06-21 | 北京农业智能装备技术研究中心 | 虫情测报系统 |
| CN110235873A (zh) * | 2019-06-26 | 2019-09-17 | 北京农业智能装备技术研究中心 | 一种农林有害昆虫虫情自动监测预报系统 |
| CN112715502A (zh) * | 2020-12-21 | 2021-04-30 | 中国农业科学院茶叶研究所 | 一种昆虫精准诱集、消灭、统计、预测、防治方法 |
| CN215380914U (zh) * | 2021-03-26 | 2022-01-04 | 长春理工大学高技术产业有限责任公司 | 一种智能虫情灯测报装置 |
| 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 |
| WO2023215634A1 (en) * | 2022-05-06 | 2023-11-09 | Board Of Trustees Of The University Of Arkansas | Sensor-based smart insect monitoring system in the wild |
| WO2023231418A1 (zh) * | 2022-05-31 | 2023-12-07 | 青岛海尔空调器有限总公司 | 车辆灭虫方法、装置、设备、介质及其车辆 |
| 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 |
| CN219719515U (zh) * | 2023-02-20 | 2023-09-22 | 河北一航新能源科技有限公司 | 一种用于虫情测报的智能高空灯 |
| CN116543347A (zh) * | 2023-05-10 | 2023-08-04 | 四川中烟工业有限责任公司 | 智慧虫情在线监测系统、方法、装置及介质 |
| CN117115210A (zh) * | 2023-10-23 | 2023-11-24 | 黑龙江省农业科学院农业遥感与信息研究所 | 基于物联网的智慧农业监控调节方法 |
Non-Patent Citations (2)
| Title |
|---|
| 智能太阳能LED虫情测报系统在水稻害虫检测识别上的应用研究;程国平;;才智;20130615(第17期);全文 * |
| 流体图像显示技术在农业工程中的应用与展望;张敏;代祥;肖静;徐幼林;;中国农机化学报;20161015(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117523617A (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117523617B (zh) | 基于机器学习的虫害检测方法及系统 | |
| AU2018293444B2 (en) | Data collection system and method for feeding aquatic animals | |
| CN111726986B (zh) | 系统与方法 | |
| CN108540773B (zh) | 一种监控方法、装置、系统及云服务器 | |
| US11617353B2 (en) | Animal sensing system | |
| CA3172012C (en) | Insect monitoring system and method | |
| CN110249622A (zh) | 实时的语义感知的相机曝光控制 | |
| US20220361471A1 (en) | Intelligent insect trap and monitoring system | |
| CN207531735U (zh) | 智能虫情识别预警装置 | |
| CN107578089A (zh) | 一种农作物灯诱测报害虫的自动识别与计数方法 | |
| Nazir et al. | Advances in image acquisition and processing technologies transforming animal ecological studies | |
| US11134221B1 (en) | Automated system and method for detecting, identifying and tracking wildlife | |
| CN108174832A (zh) | 杀灭蚊虫的方法及装置 | |
| CN112931456B (zh) | 一种大田作物昆虫采集设备及虫害监测预警方法 | |
| JP2020171248A (ja) | 動物捕獲装置 | |
| CN110059641B (zh) | 基于多预置点的深度鸟类识别算法 | |
| CN111372060A (zh) | 智能投饵方法、系统及巡检视觉装置 | |
| JP2003304788A (ja) | 害虫計数装置 | |
| WO2022205632A1 (zh) | 目标检测方法、装置、设备及存储介质 | |
| CN111046808A (zh) | 采用残差卷积神经网络和长短期记忆分类群养猪饮水和玩耍饮水器的分析方法 | |
| CN112674647B (zh) | 视觉机器人的清洁控制方法、装置及视觉机器人和芯片 | |
| CN210432686U (zh) | 一种基于图像识别的害虫自动计数系统 | |
| KR102143072B1 (ko) | 야생동물 탐지를 위한 지능형 cctv 시스템 | |
| Song et al. | System and algorithms for an autonomous observatory assisting the search for the ivory-billed woodpecker | |
| CN214546729U (zh) | 一种大田作物昆虫采集设备 |
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 |