基于计算机视觉的大田害虫远程自动识别系统

为了实现大田害虫的快速实时识别和诊断,设计了一套大田害虫远程自动识别系统。该系统通过3G无线网络将害虫照片传输到主控平台中,在主控平台中实现远程自动识别。系统首先对害虫图像进行基于形态和颜色特征值的提取。害虫图像的形态特征由周长、面积、偏心率等以及7个胡不变矩共16个特征值组成,颜色特征值由9个颜色矩组成,然后建立支持向量机分类器。采用该系统对6种常见大田害虫进行了测试,平均准确率达到87.4%。考虑到不同的害虫姿态和大田中不同的光照条件,系统的分类效果是满意的。     

自动监测装置用温室粉虱和蓟马成虫图像分割识别算法

为了监测温室黄瓜作物虫害种类、数量变化情况以预测虫害发展趋势,该文以粉虱和蓟马为例,提出了一种基于Prewitt、Canny边缘检测算子分割和SVM(support vector machine)的温室粉虱和蓟马诱虫板的图像识别算法。该方法利用HSI(Hue-Saturation-Intensity)颜色空间的I分量与L*a*b*颜色空间的b分量二值图像中害虫目标与背景的高对比性,再分别相应地利用Prewitt算子和Canny算子进行单头害虫边缘分割,再经过形态学处理,最后融合这两幅二值图像完成单头害虫区域的提取。然后提取害虫的5个形态特征(面积、相对面积、周长、复杂度、占空比)及9个颜色特征(Hue-Saturation-Value颜色空间、HSI颜色空间、L*a*b*颜色空间各分量的一阶矩),并对这14个特征参数进行归一化处理,将特征值作为SVM的输入向量,进行温室粉虱和蓟马的诱虫板图像识别。通过分析比较不同向量组合的BP(back propagation)与SVM的害虫识别率、4种不同SVM核函数的害虫识别率,发现颜色特征向量是粉虱和蓟马识别的主成分,且SVM的识别效果优于BP神经网络、线性核函数的SVM分类性能最好且稳定。结果表明:平均识别准确率达到了93.5%,粉虱和蓟马成虫的识别率分别是96.0%和91.0%,能够实现温室害虫的诱虫板图像识别。该研究可以为虫害的监测与预警提供支持,为及时采取正确的防治措施提供重要的理论依据。     

基于无线传感器网络的多参数粮情自动检测系统设计

为解决现有粮情检测系统存在的功能单一、性价比较低、灵活性不强、数据传输能力较弱等问题,该文分析了现有粮情检测系统存在的局限性,在此基础上,设计了一种基于无线传感器网络的新型多参数粮情自动检测系统,给出了系统结构和软硬件构成方法。所设计系统能同时对粮仓内、外环境温度,环境湿度,多种有害气体浓度,粮食温度,粮食水分,储粮害虫进行实时、多点检测,并将测量数据可靠、无线发送给远程监控中心。初步试验表明了该系统的合理性和实用性。该文可为无线传感器网络在粮库中的应用提供参考。     

集成3S，ZigBee和射频识别的土壤采样远程智能管理系统

为实现农田土壤样本采样及管理智能化,设计了基于3S(GIS:geographic information system;GPS:global positioning system;RS:remote sensing)、ZigBee无线通信、射频识别(radio frequency identification,RFID)、4G等技术的土壤采样智能管理系统,该系统由采集节点、协调器网关、移动终端和远程管理软件组成,其中采集节点用来获取土壤样本的地理位置信息、RFID电子标签数据以及土壤环境的温湿度。协调器网关由ZigBee协调器连接4G模块组成,实现ZigBee无线网络转换为4G网络。4G模块经配置软件配置好服务器IP和端口号等信息后,将采集节点获取的数据传输到远程服务器的管理软件中。通过系统稳定性试验测试,丢包率为0.2%,该系统具有较高的可靠性。移动终端采用掌上电脑PDA(personal digital assistant),实现土样采集的现场监测管理。远程管理软件应用Web、SQL Server(structured query language server)、Socket等技术开发了数据接收显示、百度地图、数据自动成图(2D、3D)等功能模块。利用GPS信息在百度地图中可以实现采样点的实时跟踪,调用数据库数据或者本地试验数据可以自动生成有关土壤信息的空间分布图。该系统采集土壤样本信息的同时也可获取相应的土壤样本养分信息,将土壤养分信息数据按照RFID标签导入土壤管理软件中对应的土样信息栏,生成了土壤养分空间分布图,为后续变量施肥提供决策支持。     

基于属性特征知识图谱的细粒度葡萄园害虫识别

针对葡萄园害虫识别过程中害虫种类繁多、形态属性复杂、实体间深层次关联关系差等因素导致的识别准确率不够高的问题,该研究提出一种基于属性特征知识图谱的细粒度葡萄害虫识别模型。该模型以视觉编码器作为提取图像高层表征的骨干网络,并结合知识图谱具有在描述害虫实体属性特征和害虫实体间关联方面的优势,将知识图谱所提供的细粒度属性特征和害虫实体关联特征信息用于葡萄园害虫分类研究。该方法在2个数据集上进行了测试：一是GP21数据集,该数据集由公开大规模害虫数据集IP102中21类葡萄园相关害虫类别图像构成;二是GP8数据集,该数据集包含从农业生产基地实地采集并手工标注的8种葡萄园害虫。试验结果表明,该文所提模型性能明显优于普遍通用预训练网络模型,分类准确率在GP21数据集和GP8数据集上分别达到了91.21%和95.03%,相比于仅使用视觉编码器分别增加1.64和1.17个百分点。这证明属性特征知识图谱的引入能够辅助视觉编码器捕获细粒度更高的葡萄园害虫特征信息,有效解决了葡萄园害虫识别中的精度不够高的问题。     

基于图像的昆虫远程自动识别系统的研究

只有对害虫进行鉴定才能在农业生产中对害虫进行有目的的防治,而对昆虫进行鉴定只有少数分类专家才能完成,鉴定需求的日益增加与专家相对较少形成了一对尖锐的矛盾.该文的研究尝试为该矛盾的解决提供一条新的思路:在标准方法下获取昆虫图像,并经由Internet网络上传给自动种类识别系统服务器,从而实现远程识别.系统首先对昆虫图像进行基于形状和颜色特征值的提取.昆虫图像的形态特征值由矩形度、延长度、球状型、叶状型、似圆度和7个Hu不变矩等12个特征值组成,颜色特征值由红、绿、蓝、灰度真方图及基于红、绿的二维色度直方图特征值分别组成,然后建立径向基神经网络分类器,每一特征向量由独立的径向基神经网络做为分类器,最终识别由每个分类器识别结果的线性组合而成.采用该系统对16种昆虫进行了测试,每种昆虫取40个样本,20个用做训练、20个用做测试,准确率达到96%以上.     

面向田园监测的低成本多光谱图像远程采集节点设计

利用多光谱图像采集设备获取农作物敏感波段的多光谱图像并对其进行分析,已经成为当前农作物生长状态评估的重要手段。但现有的光谱图像采集设备存在价格昂贵、体积较大、分辨率低、需人工搬运设备至田间作业等不足。为此,该文设计一种低成本、高分辨率的多光谱图像远程采集节点,并部署在田园对农作物光谱图像进行实时采集,并远程传输到服务器端,从而实现对农作物状态的持续监测。节点可同时采集RGB彩色图像和3种不同波段光谱图像,图像分辨率可达500万像素,且滤片可更换,因而其可应用于不同作物的图像获取。节点的硬件平台由嵌入式处理器芯片S3C6410、CMOS图像传感器OV5640和自行设计的机械式滤光片转换装置构成。为了实现图像的远程传输,节点集成了3G无线通信模块。采用嵌入式Linux搭建了节点的软件平台,并在此基础上设计了节点的软件系统,实现了滤光片转换的驱动控制、图像采集、图像压缩和3G无线传输等功能。为了验证节点的性能,将节点部署在田园进行了一系列试验测试。测试结果表明,节点能够自动采集RGB彩色和3种波段光谱图像,并通过3G网络无线传输到服务器端。采集和传输大小为133 k B的4幅图像所需总时间约为45.27 s,丢包率为0.54%。试验表明该文所设计的节点能够实时采集和远程传输多光谱图像,可满足田园现场环境多光谱图像获取的需求。     

基于改进ShuffleNet V2的轻量化农作物害虫识别模型

及时准确地识别害虫是有效防治的重要前提。针对现有基于卷积神经网络的害虫识别模型实时性差、识别率低、结构复杂不易部署等问题,提出基于改进ShuffleNet V2的农作物害虫识别模型。首先,在ShuffleNet V2中引入多尺度特征融合模块LMFF（Lightweight Multi-scale Feature Fusion）,加强模型对不同尺度害虫的特征提取能力;其次,在ECA（Efficient Channel Attention）注意力机制中增加并行路径,并通过可学习参数自适应更新不同路径的权重,提出AECA（Adaptive and Efficient Channel Attention）注意力机制,将AECA注意力机制嵌入到ShuffleNet V2中,提高模型的跨通道交互能力;然后,使用SiLU（Sigmoid Weighted Liner Unit）替换ReLU激活函数,增强模型的泛化能力;最后,通过调整输出通道数和核心模块的堆叠次数重新设计ShuffleNet V2的整体架构,降低模型的计算量和参数量,从而提出轻量化的农作物害虫识别模型SNPF（ShuffleNet for Pest Field）。试验结果表明,SNPF模型在自建害虫数据集上的平均识别准确率和F1分数为79.49%和78.54%,较改进前分别提高了4.00个百分点和3.09个百分点,而参数量和浮点运算量为3.74 M和0.48 G,较改进前分别下降了30.60%和18.60%。SNPF模型对单张害虫图像的平均推理时间为11.9 ms,与ResNet 50、GoogLeNet、EfficientNet B1等模型相比,SNPF模型的识别精度更高,并且识别时间分别减少了57.04%、50.21%和40.50%。该研究提出的SNPF模型能够较好地识别农作物害虫、并且具有识别速度快和轻量化的特点,可以为农作物害虫的防治提供帮助。     

神经网络在储粮害虫识别中的应用

重点研究了基于图像识别的储粮害虫自动检测系统中的粮虫分类环节。对分割后的储粮害虫二值化图像，从10多个形态特征中选择出5个有效的特征；将GA和BP算法相结合来训练神经网络，克服了传统BP算法收敛速度慢、易陷入局部极小等缺陷，对4类害虫的20个样本的识别率达到100%，为系统的实际应用奠定了基础。     

分布式移动农业病虫害图像采集与诊断系统设计与试验

为了便捷地采集和实时诊断农业病虫害图像,设计了一个分布式移动农业病虫害图像采集与诊断系统。该系统由多个便携式图像采集终端和一个图像处理服务器组成;其中,图像采集终端包括嵌入式相机、可伸缩的手持杆和装载控制App的手机;图像处理服务器包括农业病虫害诊断、信息记录和反馈模块等。手持杆可将安装在其前端的嵌入式相机送到人手或视觉难以企及的病虫害区域,手机可实时预览前端相机的拍摄画面和实现控制相机完成农业病虫害图像采集等功能;系统通过HTTP协议实现多个采集终端与图像处理服务器的数据交互,协同进行分布式计算,可以减少网络移动资费和服务器的负载。利用该系统对水稻纹枯病图像采集与诊断测试结果表明,该系统的图像采集终端可以便捷地采集到水稻纹枯病图像,手机端视频预览画面延时低,对相机控制命令无误,图像采集终端与服务器通信稳定,服务器端对水稻纹枯病图像处理和诊断实时,基于图像的水稻纹枯病为害等级诊断准确率为83.5%。如果服务器端加载不同的农业病虫害图像处理和诊断算法,该系统可广泛应用于各种农业病虫害图像的采集与诊断。     

便携式柑橘虫害实时检测系统的研制与试验

为实现柑橘虫害的快速、准确识别,帮助果农及时掌握果园内虫害的危害程度和分布情况,该研究结合嵌入式图像处理技术设计了一套基于深度卷积神经网络的柑橘虫害实时检测系统。优选MoblieNet作为虫害图像特征提取网络,区域候选网络生成害虫的初步位置候选框,快速区域卷积神经网络(Faster Region Convolutional Neural Networks,Faster R-CNN)实现候选框的分类和定位。检测系统根据目标图像中虫害数量计算危害程度,按照正常、轻度、中度、重度4个等级判定柑橘虫害的严重程度,形成虫害识别与级别定量化测评软件。最后引入北斗模块获取采样点位置信息,进一步处理成可视化的虫害热力图。结果表明,该方法可实现对柑橘红蜘蛛和蚜虫的快速准确检测,识别准确率分别达到91.0%和89.0%,单帧图像平均处理速度低至286ms。该系统实现了柑橘虫害的精准识别与定位,可为农药喷洒作业提供精准信息服务。     

基于轻量型残差网络的自然场景水稻害虫识别

准确识别水稻害虫对水稻及时采取防护和治理措施具有重要意义,该研究以自然场景中水稻害虫图像为研究对象,针对水稻害虫图像的颜色纹理与背景相近以及同类害虫形态差异较大等特点,设计了一个由特征提取、全局优化以及局部优化模块构成的轻量型残差网络（Light Weight Residual Network,LW-ResNet）用于水稻害虫识别。在特征提取模块通过增加卷积层数以及分支数对残差块进行改进,有效提取自然场景中水稻害虫图像的深层全局特征并使用全局优化模块进行优化;局部优化模块通过设计轻量型注意力子模块关注害虫的局部判别性特征。LW-ResNet网络在特征提取模块减少了残差块的数量,在注意力子模块中采用深度可分离卷积减少了浮点运算量,从而实现了模型的轻量化。试验结果表明,所设计的LW-ResNet网络在13类水稻害虫图像的测试数据集上达到了92.5%的识别准确率,高于VGG16、ResNet、AlexNet等经典卷积神经网络模型,并且LW-ResNet网络的参数量仅为1.62×106个,浮点运算量仅为0.34×109次,低于MobileNetV3轻量级卷积神经网络模型。该研究成果可用于移动端水稻害虫的自动识别。     

基于GPRS的移动式农田信息智能服务系统通信协议

移动式智能服务信息系统中,远程无线网络通信协议至关重要,担负着远程主机和移动终端之间进行信息交换和实现信息同步的功能。由于农田信息复杂多样,无法设计出通用的网络传输协议,必须根据实际应用中具体的需求而制定,因此该文提出了基于TCP/IP远程农田网络通信协议。利用此协议,移动式智能服务信息系统实现了远程主机对移动终端PDA的有效管理,实现了远程主机与无线移动终端之间的信息无缝连接,为实现对农田土壤水分、温度等数据的监控奠定基础。     

基于3S技术联合的农田墒情远程监测系统开发

农田墒情信息是现代农业实施精准施肥、精确灌溉的重要科学依据。为了实现快速准确地采集墒情信息,研究开发了基于3S（GPS/GIS/GPRS）技术联合的农田墒情远程监测系统。该系统主要由农田信息监测网络节点和远程服务器组成,在小范围内由传感器节点基于ZigBee通讯协议组成无线传感器网络,在大尺度上通过网关节点集成GPS网络,利用GSM/GPRS网络实现与Internet的信息交互,完成了墒情数据的自动采集、无线传输和准确定位。设计了太阳能自供电的长寿命无线传感器节点和网关节点,开发了服务器端农田墒情信息管理系统软件,实现了Web方式下的参数远程设置和信息实时监测。该系统的设计开发为农田墒情信息监测和分析决策提供了有效的工具。     

基于无线传感器网络的粮虫声信号采集系统设计

为了解决现有储粮害虫声信号采集系统存在的扩展性差、智能化程度不高、性价比较低、灵活性不强、数据传输能力较弱等问题,该文分析了现有储粮害虫声信号采集系统存在的局限性,在此基础上,利用无线传感器网络和压缩感知技术,设计了一种新型储粮害虫声信号采集系统,给出了系统结构和软硬件实现方法,并将其用于采集储粮罐内赤拟谷盗成虫的爬行声。试验结果表明,系统设计方案合理可行,且由于使用了压缩感知技术,在采样频率为10 KHz的情况下,可实现20个采集节点所产生的声信号原始采样数据的远程、实时、可靠无线传输。该研究为无线传感器网络在储粮害虫防治中的应用做出了探索。     

椪柑果实病虫害的傅里叶频谱重分形图像识别

为探讨植物病虫害互不交叉、重叠的数字典型特征值来进行病虫害计算机识别,研究了椪柑病虫害为害状图像傅里叶变换幅度谱的多重分形特征。首先,用改进型分水岭算法检测病虫害为害状边缘,并对其进行区域合并,形成病虫害为害状边界。其次,对病虫害果进行二维离散傅里叶变换,依据病虫害为害状边界进行图像标记,提取标记区域内的傅里叶变换幅度谱图。最后,对傅里叶变换幅度谱图进行多重分形分析及多重分形谱的二次拟合,将拟合抛物线段的高度、宽度和质心坐标作为病虫害特征值,并以此为输入变量,建立 BP 神经网络椪柑病虫害识别模型来进行病虫害识别,椪柑蓟马、花潜金龟子、吸果夜蛾、侧多食跗线螨、椪柑炭疽病5类病虫害30组测试样本中吸果夜蛾识别正确率最高96.67%,侧多食跗线螨识别正确率最低86.67%,平均正确识别率为92.67%。试验结果表明：傅里叶变换幅度谱图的多重分形谱高度、宽度和质心坐标较精确地刻画了病虫害为害状这类复杂生物体的特征,该方法可进行椪柑病虫害自动识别,并可推广到其他植物的病虫害机器识别中。     

分辨率实时可调的无线图像传感器节点设计与试验

针对目前用于农业图像获取的图像传感器节点分辨率偏低、分辨率固定不可调的现状,设计并实现一种分辨率实时可调的无线图像传感器节点。节点的硬件平台由ARM处理器S3C6410和CMOS图像传感器OV5642组成,并集成了Wi Fi模块和4 G模块。设计了太阳能供电系统为节点供电。采用嵌入式Linux搭建节点的软件平台,设计了基于驱动层和应用层协作、多线程并发的分辨率实时调整算法,并在应用层实现了分辨率实时调整、图像采集、图像压缩和无线传输等功能。为了验证节点的性能,将节点部署在农田进行了长时间的测试试验。测试结果表明,节点具有7种不同的分辨率,最高可达500万像素,更重要的是它在工作过程中可接收远程用户的指令,实时调整分辨率,进而采集不同精度的农作物图像,并远程传输到服务器端。试验表明所设计的节点可满足用户获取不同精度农业图像的需求。     

基于朴素贝叶斯分类器的棉花盲椿象危害等级识别

针对自然条件下棉花盲椿象危害区域提取和危害等级识别难的问题,提出了棉花盲椿象危害等级自动识别方法。该方法以自然条件下采集的不同盲椿象危害等级棉叶图像为对象,利用最大类间方差阈值分割和多颜色分量组合方法进行作物与土壤分离和病斑分割,并利用分水岭分割方法对粘连棉叶进行分离并提取盲椿象危害棉叶区域,提取图像的颜色、纹理和形状特征,结合朴素贝叶斯分类器,依据划分的棉花盲椿象危害等级标准,对盲椿象危害等级进行识别。不同盲椿象危害等级识别试验结果表明:该模型平均识别正确率达90.0%,通过比较试验表明,该模型在识别精度比BP神经网络高2.5%,运行速度比支持向量机高11.7%,可较好的对棉花盲椿象危害等级进行识别,可为棉花盲椿象的防治提供技术支持。     

融合双分支特征和注意力机制的葡萄病虫害识别模型

葡萄病虫害识别是精细化防治的前提。针对现有研究中存在的数据集少、识别精度低、模型参数量大等问题,该研究构建包含健康叶片、3类病害叶片和16类虫害的葡萄病虫害数据集,提出基于改进MobileNet V2模型的葡萄病虫害识别模型。首先在MobileNet V2模型的反向残差模块中嵌入坐标注意力（Coordinate Attention,CA）机制,提升模型的信息表征能力;然后使用深度可分离卷积设计双分支特征融合模块,加强模型的特征提取能力;最后对模型的通道数进行调整,精简模型结构。试验结果表明：MobileNet_Vitis在葡萄病虫害数据集上的识别准确率和F1分数为89.16%和80.44%,相比改进前的MobileNet V2 提高了1.83和9.31个百分点,而模型参数大小为7.85 MB,减少了8.5%。与ResNet 101、ShuffleNet V2、MobileNet V3和GhostNet相比,MobileNet_Vitis的识别精度和F1分数更高,参数量更小。MobileNet_Vitis对单张葡萄病虫害图像的推理时间为17.53 ms,可以达到快速识别的要求。该研究提出的模型能够较好地识别葡萄病虫害,并且较大幅度地减少模型的参数量。将MobileNet_Vitis模型部署到移动端的小程序上,可为葡萄病虫害的防治提供帮助。     

基于改进CornerNet的水稻灯诱飞虱自动检测方法构建与验证

针对水稻灯诱昆虫图像中稻飞虱自动检测存在严重误检和漏检问题,提出一种基于改进CornerNet的水稻灯诱飞虱自动检测方法。由于稻飞虱个体在灯诱昆虫图像中所占区域比例极小,利用重叠滑动窗方法提高飞虱在图像检测区域中所占比例,提高2种稻飞虱(白背飞虱和褐飞虱)的检测率和避免滑动窗边界造成的目标漏检。针对CornerNet存在角点匹配不准确导致检测框冗余问题,利用检测框抑制方法去除冗余检测框。对灯诱昆虫图像进行稻飞虱检测,结果表明,该研究提出的基于改进CornerNet的水稻灯诱飞虱自动检测方法对2种稻飞虱检测的平均精确率和召回率分别为95.53%和95.50%,有效地提高了灯诱昆虫图像中稻飞虱的检测效果,可用于智能虫情测报灯的灯诱昆虫图像中白背飞虱和褐飞虱的智能测报。