基于深度学习计算机视觉的害虫种类及数量检测

简介: 基于深度学习计算机视觉的害虫种类及数量检测

完整代码:https://download.csdn.net/download/qq_38735017/87379879


一、研究目的


研究的目的在于建立一套远程病虫害自动识别系统,有助于缓解农业植保人员和病虫害鉴定专家的人力资源紧张,有助于病虫害知识有限的农业人员进行及时的病虫害检测,并且,通过害虫种类数目的监测和信息收集,定期对昆虫数据进行整理和分析,建立病虫害爆发的规律模型,进而预测判断病虫害爆发的时间,及时通知农业植物保护人员和农户进行合理地科学地预防。提高农作物产量和质量。


二、研究内容及结论


(1) 设计实现了一套可适用于野外的害虫捕获和图像采集装置。该装置放置在农业种植区域,24 小时进行害虫的诱杀和图像采集,同时,装置可以通过无线网络将害虫图像上传至农业监控中心虫类鉴别服务器,并进行害虫种类的识别,进行产区内害虫种类数目的信息收集。


(2) 开发了一套基于机器视觉的昆虫计数工作方法。开发了一套的适用于苍蝇粘板等包含多数昆虫设备的图像的基于机器视觉的昆虫计数工作方法。该方法首先对包含多数昆虫的图片进行二值化预处理,然后进行轮廓的查找,并进行轮廓的计数,得到的数目反映了图片中的昆虫数目的数量级。该方法适用于苍蝇粘板图像等包含多数昆虫虫体的图像上。


(3) 开发了一套基于机器视觉的昆虫识别工作方法和流程。该方法在参考已有研究成果的基础山,选取了昆虫形态特征中的昆虫矩形度、昆虫延长度、昆虫圆形度、昆虫球状性、昆虫叶状性等 5 个特征,进行昆虫图像的特征提取。之后,采用逻辑斯蒂回归模型、线性 SVM 模型和 K 邻近分类器分别进行训练,并测试比较训练结果,以进行分类器算法的筛选。该方法适用于本套图像采集装置。


(4) 设计了一套远程害虫自动识别系统。结合上述三个功能,该系统可以实现:在图像采集节点进行害虫捕获和昆虫图像采集,在虫类鉴别服务器进行昆虫图像的识别和分类。

c13bb904e626ae635311461b46f3533f.png097a5413aad0389807ba528fef4ba442.png


0a04f2657d63cf9055ade09636da4bb9.png

af817a171e86cf6c5086e930b47b8b42.png6059a2ae943cc7b56918302176152791.png

42376bd9c2cf3e814203c623f0d668fb.png

9fea85d1cbcfddcc73b66b82fa56a24b.png




三、目录


摘 要 ……………………………………………………………………………………………………….. I


ABSTRACT …………………………………………………………………………………………… II


目 录 ……………………………………………………………………………………………………… III


第 1 章 绪论 …………………………………………………………………………………………….1


1.1 课题研究的背景和意义…………………………………………………………………………..1


1.2 国内外研究现状 …………………………………………………………………………………….1


1.2.1 国内研究现状 ………………………………………………………………………………….2


1.2.2 国外研究现状 ………………………………………………………………………………….2


1.3 研究的内容和目的 …………………………………………………………………………………3


1.3.1 研究内容 …………………………………………………………………………………………3


1.3.2 研究目的 …………………………………………………………………………………………3


1.4 章节安排 ……………………………………………………………………………………………….4


第 2 章 系统总体设计 …………………………………………………………………………….5


2.1 系统设计目标 ………………………………………………………………………………………..5


2.2 系统总体架构 ………………………………………………………………………………………..5


2.3 图像采集节点 ………………………………………………………………………………………..6


2.3.1 装置总体设计 ………………………………………………………………………………….6


2.3.2 运行流程 …………………………………………………………………………………………9


2.4 虫类鉴别服务器和虫类信息数据库设计 ………………………………………………… 10


2.4.1 服务器设计 …………………………………………………………………………………… 10


2.4.2 服务器虫类分类器实现 ………………………………………………………………….. 11


2.4.3 PC 上的昆虫分类识别软件 ……………………………………………………………… 12


第 3 章 昆虫图像预处理与计数研究 ………………………………………………….. 15


3.1 昆虫图像的采集 ………………………………………………………………………………….. 15


3.2 昆虫图像的预处理 ………………………………………………………………………………. 16


III


3.2.1 图像的灰度化,高斯滤波和尺度变换 ……………………………………………… 16


3.2.2 二值化 ………………………………………………………………………………………….. 17


3.2.3 大津法 OTSU 在昆虫图像二值化上的应用 ………………………………………. 18


3.3 昆虫图像的计数 ………………………………………………………………………………….. 20


3.3.1 检测轮廓 ………………………………………………………………………………………. 20


3.3.2 昆虫计数 ………………………………………………………………………………………. 20


第 4 章 昆虫图像特征提取与识别研究 ……………………………………………… 23


4.1 特征的选取 …………………………………………………………………………………………. 23


4.2 特征描述以及提取方式………………………………………………………………………… 23


4.3 分类器的选择和训练 …………………………………………………………………………… 32


4.4 机器学习结果分析 ………………………………………………………………………………. 33


4.4.1 性能评价指标 ……………………………………………………………………………….. 33


4.4.2 三种分类器的性能比较 ………………………………………………………………….. 34


第 5 章 总结与展望 ……………………………………………………………………………… 37


5.1 总结 …………………………………………………………………………………………………… 37


5.1.1 完成的工作 …………………………………………………………………………………… 37


5.1.2 创新点和不足之处 ………………………………………………………………………… 37


5.2 展望 …………………………………………………………………………………………………… 38


致谢 ……………………………………………………………………………….


参考文献 ………………………………………………………………………………………………… 40


附录一:部分昆虫图像样本 ………………………………………………………………… 42


附录二:OTSU 的 PYTHON 实现 …………………………………………………….. 44


附录三:英文文献翻译 ……………………………………………….


文件介绍

用户界面

MainWindow.ui———————–PyQtDesigner设计的主界面文件


MainWindow.py———————-PyUIC转换而成的主界面程序


运行逻辑

VideoMainWindow.py————–PyQt结合OpenCV实现在界面中显示视频画面


PreProcess.py————————-对源数据样本进行预处理


特征提取

P_circle.py——————————似圆度


P_extend.py—————————-延长度


P_leaf.py——————————–叶状性


P_rect.py——————————–矩形度


P_spherical.py————————球形度


GetFeatures.py———————–提取特征的模块


GetFiveFeatures.py—————–五个特征提取的测试代码


FeatureExtract.py——————-提取样本库特征保存到CSV文件


机器学习模块


LinearSVM.py————————-线性SVM分类器的训练和模型保存


LinearRegression.py—————逻辑回归分类器的训练和模型保存


KneiborsClassfier.py—————KNN分类器的训练和模型保存


Predict.py——————————加载预训练模型,对特征进行预测


Thresholding.py—————————大津法程序实现和OpenCV大津法函数的效果对比


Count.py————————————-实现加载图片,二值化(大津法),查找轮廓进行计数的效果


GetChineseName.py——————–分类中英文转换


相关文章
|
25天前
|
机器学习/深度学习 TensorFlow 算法框架/工具
使用Python实现深度学习模型:智能质量检测与控制
使用Python实现深度学习模型:智能质量检测与控制 【10月更文挑战第8天】
160 62
使用Python实现深度学习模型:智能质量检测与控制
|
4天前
|
机器学习/深度学习 PyTorch TensorFlow
使用Python实现智能食品质量检测的深度学习模型
使用Python实现智能食品质量检测的深度学习模型
34 1
|
10天前
|
机器学习/深度学习 搜索推荐 安全
深度学习之社交网络中的社区检测
在社交网络分析中,社区检测是一项核心任务,旨在将网络中的节点(用户)划分为具有高内部连接密度且相对独立的子群。基于深度学习的社区检测方法,通过捕获复杂的网络结构信息和节点特征,在传统方法基础上实现了更准确、更具鲁棒性的社区划分。
25 7
|
10天前
|
机器学习/深度学习 人工智能 算法
深度学习在计算机视觉中的突破与未来趋势###
【10月更文挑战第21天】 近年来,深度学习技术极大地推动了计算机视觉领域的发展。本文将探讨深度学习在图像识别、目标检测和图像生成等方面的最新进展,分析其背后的关键技术和算法,并展望未来的发展趋势和应用前景。通过这些探讨,希望能够为相关领域的研究者和从业者提供有价值的参考。 ###
32 4
|
25天前
|
机器学习/深度学习 运维 监控
深度学习之异常检测
基于深度学习的异常检测是一项重要的研究领域,主要用于识别数据中的异常样本或行为。异常检测广泛应用于多个领域,如网络安全、金融欺诈检测、工业设备预测性维护、医疗诊断等。
104 2
|
28天前
|
机器学习/深度学习 传感器 数据采集
深度学习之设备异常检测与预测性维护
基于深度学习的设备异常检测与预测性维护是一项利用深度学习技术分析设备运行数据,实时检测设备运行过程中的异常情况,并预测未来可能的故障,以便提前进行维护,防止意外停机和生产中断。
46 1
|
18天前
|
机器学习/深度学习 自然语言处理 监控
深度学习之声音事件检测
基于深度学习的声音事件检测(Sound Event Detection, SED)是指从音频数据中检测并识别出特定的声音事件(如玻璃破碎、狗叫声、警报声等)。这种技术被广泛应用于智能家居、城市监控、医疗监护等领域,随着深度学习的进步,其性能和准确性得到了显著提升。
42 0
|
22天前
|
机器学习/深度学习 数据采集 数据挖掘
深度学习之地形分类与变化检测
基于深度学习的地形分类与变化检测是遥感领域的一个关键应用,利用深度学习技术从卫星、无人机等地球观测平台获取的遥感数据中自动分析地表特征,并识别地形的变化。这一技术被广泛应用于城市规划、环境监测、灾害预警、土地利用变化分析等领域。
68 0
|
7天前
|
机器学习/深度学习 数据采集 人工智能
AI赋能教育:深度学习在个性化学习系统中的应用
【10月更文挑战第26天】随着人工智能的发展,深度学习技术正逐步应用于教育领域,特别是个性化学习系统中。通过分析学生的学习数据,深度学习模型能够精准预测学生的学习表现,并为其推荐合适的学习资源和规划学习路径,从而提供更加高效、有趣和个性化的学习体验。
44 9
|
4天前
|
机器学习/深度学习 人工智能 监控
深度学习在图像识别中的应用与挑战
本文探讨了深度学习技术在图像识别领域的应用,并分析了当前面临的主要挑战。随着卷积神经网络(CNN)的发展,图像识别的准确性和效率得到了显著提升。然而,数据不平衡、模型泛化能力、计算资源消耗等问题仍然是制约深度学习在图像识别领域进一步发展的关键因素。本文将详细介绍深度学习在图像识别中的应用案例,并讨论解决现有挑战的可能策略。