草原蝗虫智能识别系统及识别方法与流程

1.本发明属于物联网技术领域，具体的说是涉及一种草原蝗虫智能识别系统及识别方法，主要用于草原蝗虫的智能识别。


背景技术：

2.中国是一个草原大国，草地约占国土总面积的41％，草地主要分布于我国北方、西北和西南等边远地区，畜牧业的稳定发展对边疆的稳定具有重大意义。近几年，草地退化严重，对牧区经济的可持续发展产生严重影响，草原蝗虫作为影响草原生态稳定的重要因素一直以来备受关注，各级草原站都将草原蝗虫的监测、调查作为重要工作内容。然而，草地蝗虫种类繁多，对于大多数基层工作人员而言，草原蝗虫的精准识别一直是一个重大难题，如果草原蝗虫识别不准确就会大大降低工作效率与调查的准确度。现有技术中草原蝗虫的种类识别，主要依据少数昆虫专家，所以效率较低。
3.蝗虫作为草原上主要的危害昆虫之一，对其进行有效监测和预警，是保护草原生态与畜牧业的关键。然而，草原地域辽阔，人烟稀少，受交通不便，网络不通等因素的影响，加之草原蝗虫自身的暴发性、迁飞性和发生不确定性等特征，为草原蝗灾的监测预警增加了难度。现有技术中传统的监测方法主要依赖人工调查识别，需要花费大量的人力、物力和财力，准确率低，时效性差，影响预估的防治适期或虫源判断的准确性，且对调查人员的专业水平有较高的要求，很多情况下无法进行现场识别，远远不能满足对草原蝗虫发生动态的实时监测和精准预报要求。


技术实现要素：

4.本发明为了克服现有技术存在的不足，提供一种草原蝗虫智能识别系统及识别方法，本发明主要涉及草原蝗虫的智能监测与识别，是一种基于图像的蝗虫智能识别系统。
5.本发明是通过以下技术方案实现的：本发明公开了一种草原蝗虫智能识别系统，该草原蝗虫智能识别系统是一种基于图像的蝗虫智能识别系统，所述草原蝗虫智能识别系统包括前端信息采集终端、图像传输系统、后端云平台的蝗虫图像种类识别模型和后台管控云平台；前端信息采集终端为手机，该草原蝗虫智能识别系统通过手机获取蝗虫的图片，蝗虫图片通过图像传输系统传输到后端云平台的蝗虫图像种类识别模型，经过蝗虫图像种类识别模型中的深度神经网络对图片中蝗虫的特征进行学习与提取，最终实现草原蝗虫的监测与识别，为用户提供高效可取的蝗虫防治方法。
6.本发明还公开了一种草原蝗虫智能识别系统的识别方法，该草原蝗虫智能识别系统的识别方法具体包括如下步骤：
7.a.利用手机获取蝗虫图片信息，采集完整的蝗虫图像；
8.b.将蝗虫图片上传到后台管控云平台；
9.c.图像自动通过已经训练完成的蝗虫图像种类识别模型计算；
10.d.计算后获得识别结果并将结果反馈到用户；
11.e.用户通过反馈到的缓冲置信度得到蝗虫的基本信息，蝗虫的基本信息包括蝗虫的学名、形态特征、分布状况以及蝗虫防治策略。
12.本发明草原蝗虫智能识别系统的识别方法具体通过如下步骤实现：
13.(1)带标签数据准备：收集清晰的且较为完整的草原蝗虫照片，并存储于数据库；
14.(2)数据增强：在使用深度学习模型对图片进行训练前，对数据进行增强，使模型的泛化能力和鲁棒性更好；
15.(3)算法实现：蝗虫图像种类识别模型采用基于图像的深度神经网络模型；
16.(4)模型测试：训练好的模型是否符合要求，用一批未参与训练的数据对模型进行测试，若测试的预测准确度满足用户需求，如大于90％，则模型通过测试，能够部署到云端服务器或者手机端；否则，需要重新优化深度神经网络模型的模型参数，使其训练出来的模型通过测试；
17.(5)模型部署：通过测试后的蝗虫图像种类识别模型需要部署到云端服务器或者手机端，部署好模型后，再通过flask或者django产生一个web api接口，供app或者小程序调用；
18.(6)app或小程序开发：基于云端服务器提供的接口，以及用户待交互的界面，开发出一款app或者小程序。
19.步骤(1)中，所有入数据库的图片都经过严格的鉴别和分类，去除重复或模糊的情况，以保证训练数据的质量。
20.步骤(2)中，所述数据增强方法有随机抖动缩放、图片亮度或hsv的改变、随机水平翻转和旋转、mixup、cutmix、mosaic或把一幅图像粘贴在另一幅图像中的随机位置。
21.步骤(3)中，基于图像的深度神经网络模型有cspdarknet53、efficientnet_b0
‑
b7、resnet50、resnest50、mobilenet_v3、ghostnet或shufflenet_v2。
22.步骤(5)中，通过测试后的蝗虫图像种类识别模型部署到云端服务器，云端服务器需要配置一块gpu显卡，以提升模型计算速度，另外模型运行需要安装深度学习模型，深度学习模型有tensorflow、pytorch或caffe，使得训练好的模型能够在相应的环境下正常运行起来。
23.本发明的有益效果是：本发明的主要目的是提供一种基于图片的草原蝗虫智能识别算法系统，该草原蝗虫智能识别系统通过手机获取蝗虫的图片，经过深度神经网络对图片中蝗虫的特征进行学习与提取，从而能够快速的实现草原蝗虫的监测与识别，为用户提供高效可取的蝗虫综合防治方法。本发明的草原蝗虫智能识别系统主要用于草原蝗虫的智能识别，通过移动终端手机对蝗虫个体进行扫描以达到草原常见蝗虫的识别与分类。本发明通过深度学习进行模型训练，采用深度学习卷积神经网络技术，相比人工计数，用时更短，结果更精准，简化了蝗虫图像识别时所需的大量人工操作；本发明通过手机来获取蝗虫照片并上传到云端，经云端后台分类识别并快速获得蝗虫的基本信息以及防治措施，降低了行业的从业门槛，大大提升了准入率；本发明同时还能够为草原蝗虫的精准调查提供技术支撑，提高基层人员野外调查的效率，大大节约了各种财力和物力等成本；本发明草原蝗虫智能识别技术的研发也为草原蝗虫整体的监测提供了技术支撑与保障。
附图说明
24.图1是本发明草原蝗虫智能识别系统的识别流程图；
25.图2是本发明采用resnet50时的深度神经网络结构示意图。
具体实施方式
26.以下结合附图和具体实施方式对本发明作详细描述。
27.本发明公开了一种草原蝗虫智能识别系统，该草原蝗虫智能识别系统是一种基于图像的蝗虫智能识别系统，该草原蝗虫智能识别系统包括前端信息采集终端、图像传输系统、后端云平台的蝗虫图像种类识别模型和后台管控云平台；前端信息采集终端为手机，该草原蝗虫智能识别系统通过手机获取蝗虫的图片，蝗虫图片通过图像传输系统传输到后端云平台的蝗虫图像种类识别模型，经过蝗虫图像种类识别模型中的深度神经网络对图片中蝗虫的特征进行学习与提取，最终实现草原蝗虫的监测与识别，为用户提供高效可取的防治方法。
28.本发明还公开了一种草原蝗虫智能识别系统的识别方法，该草原蝗虫智能识别系统的识别方法具体包括如下步骤：a.利用手机获取蝗虫图片信息，采集完整的蝗虫图像；b.将蝗虫图片上传到后台管控云平台；c.图像自动通过已经训练完成的蝗虫图像种类识别模型计算；d.计算后获得识别结果并将结果反馈到用户；e.用户通过反馈到的缓冲置信度得到蝗虫的基本信息，蝗虫的基本信息包括蝗虫的学名、形态特征、分布状况以及蝗虫防治策略。
29.本发明草原蝗虫智能识别系统的识别方法具体通过如下步骤实现：如图1所示，(1)带标签数据准备：收集清晰的且较为完整的草原蝗虫照片，并存储于数据库，所有入数据库的图片都经过严格的鉴别和分类，去除重复或模糊的情况，以保证训练数据的质量；(2)数据增强：在使用深度学习模型对图片进行训练前，对数据进行增强，使模型的泛化能力和鲁棒性更好；数据增强方法有随机抖动缩放、图片亮度或hsv的改变、随机水平翻转和旋转、mixup、cutmix、mosaic或把一幅图像粘贴在另一幅图像中的随机位置；(3)算法实现：蝗虫图像种类识别模型采用基于图像的深度神经网络模型；基于图像的深度神经网络模型有cspdarknet53、efficientnet_b0
‑
b7、resnet50、resnest50、mobilenet_v3、ghostnet或shufflenet_v2；以resnet50为例，如图2所示，首先采用7*7*64，步长为2的卷积核对输入图片进行卷积操作，输出结果经过一个batch normalization的归一化和一个relu的激活函数处理，将处理结果采用3*3，步长为2的最大池化进行降维操作，将降维后的特征进行一系列的残差模块处理，获得一个2048维的特征图，对2048维的特征图作一次全局池化，再通过一个全链接层，即可输出草原蝗虫的预测结果，通过预测结果与真实标签对比，进行优化，即可训练出一个可用的模型；(4)模型测试：训练好的模型是否符合要求，用一批未参与训练的数据对模型进行测试，若测试的预测准确度满足用户需求，如大于90％，则模型通过测试，能够部署到云端服务器或者手机端；否则，需要重新优化深度神经网络模型的模型参数，使其训练出来的模型通过测试；(5)模型部署：通过测试后的蝗虫图像种类识别模型需要部署到云端服务器或者手机端，比如通过测试后的蝗虫图像种类识别模型部署到云端服务器，云端服务器需要配置一块gpu显卡，以提升模型计算速度，另外模型运行需要安装深度学习模型，深度学习模型有tensorflow、pytorch或caffe，使得训练好的模型能够在相应
的环境下正常运行起来；部署好模型后，再通过flask或者django产生一个web api接口，供app或者小程序调用；(6)app或小程序开发：基于云端服务器提供的接口，以及用户待交互的界面，开发出一款app或者小程序。
30.最后应当说明的是，以上内容仅用以说明本发明的技术方案，而非对本发明保护范围的限制，本领域的普通技术人员对本发明的技术方案进行的简单修改或者等同替换，均不脱离本发明技术方案的实质和范围。