一种应用于多种类高密度极小虫体行为学的智能分析系统

1.本技术属于生物行为研究技术领域，具体涉及一种应用于多种类高密度极小虫体行为学的智能分析系统。


背景技术：

2.自深度学习技术快速发展之后，利用计算机视觉处理和分析各行各业中的视频数据，以提高目标检测精度和效率，降低成本已成为必然趋势。在植物保护领域中(尤其是极小类目标，例如螨类)天敌与害虫、不同天敌之间、不同害虫之间的捕食行为学研究分析方面尚没有一款成熟的分析系统能够满足多种类高密度行为学量化分析建模的需求，大多数研究者只能采用以人工观察统计为主计算机分析为辅的研究模式，这种模式直接导致研究效率低、误差高，且受制于虫体数量单一或较少的限制，致使研究模型因素单一，无法拟合大田多种随机因素共存的生境。虽然，随着计算机技术的不断发展，有不少研究者增强了计算机辅助研究开发设计的权重，利用机器视觉创新了很多研究方法，在针对肉眼清晰可见的单个或少数几个昆虫行为学分析方面取得了显著成效，但是这些创新还无法满足高密度下极小型昆虫在受害植株叶片生境上的行为学研究分析。


技术实现要素：

3.本技术提出了一种应用于多种类高密度极小虫体行为学的智能分析系统，能够将复杂行为学的全过程数字化，并建立大数据集，为重要行为学参数的计算和探索挖掘研究更深层次、更多维度、更高密度的系统性复杂生物学问题提供基础大数据。
4.为实现上述目的，本技术提供了如下方案：
5.一种应用于多种类高密度极小虫体行为学的智能分析系统，包括操作平台子系统和分析子系统；
6.所述操作平台子系统用于提供可获取极小虫体行为的活动媒介，并拍摄所述极小虫体行为；
7.所述分析子系统包括行为采集模块、分析建模模块、模拟预测模块和可视化演示模块；
8.所述行为采集模块用于通过所述操作平台子系统获取高密度极小虫体的行为学视频；
9.所述分析建模模块用于根据所述行为学视频，获取多种类高密度极小昆虫的行为学大数据，并基于所述行为学大数据，建立行为学模型；
10.所述模拟预测模块用于根据所述行为学模型，动态预测大田生态系统中极小类害虫综合防治策略和防治成效；
11.所述可视化演示模块用于显示所述行为学视频、所述行为学模型和所述综合防治策略和成效。
12.可选的，所述操作平台子系统包括活动媒介和视频采集设备；
13.所述活动媒介为受害植株的组织结构，并在所述组织结构的表面结构上采用蚕丝保湿材料设计所述活动媒介的范围；
14.所述视频采集设备用于拍摄高密度极小虫体昆虫。
15.可选的，所述操作平台子系统还包括隔离箱和万向活动设备；
16.所述活动媒介和所述视频采集设备位于所述隔离箱内，所述隔离箱用于规避负面影响因子，所述负面影响因子为所述视频采集设备在拍摄过程中受到的干扰因素；
17.所述视频采集设备与所述万向活动设备连接，所述万向活动设备用于调整所述视频采集设备的空间位置。
18.可选的，所述行为采集模块包括画面校准单元和拍摄控制单元；
19.所述画面校准单元用于根据所述视频采集设备拍摄的画面，生成拍摄调整数据；
20.所述拍摄控制单元用于根据所述拍摄调整数据，调整所述视频采集设备的空间位置和拍摄参数。
21.可选的，所述分析建模模块包括生物个体识别单元、生物个体行为单元和建模单元；
22.所述生物个体识别单元用于根据生物特征，识别所述行为学视频中的生物个体；
23.所述生物个体行为单元用于分析所述生物个体的行为动作，获取所述生物个体的行为学大数据；
24.所述建模单元用于根据所述行为学大数据，建立所述行为学模型。
25.可选的，所述建模单元包括行为学线性模型和行为学非线性模型；
26.所述行为学线性模型包括所述生物个体的平均速率、瞬时速率、步长、运动轨迹、攻击力、捕食时长和捕食成功率；
27.基于所述行为学线性模型，建立所述行为学非线性模型。
28.可选的，所述生物个体行为单元包括定位子单元和追踪子单元；
29.所述定位子单元用于定位所述生物个体行为全过程的位置信息；
30.所述个体追踪子单元用于记录所述生物个体在所述行为全过程中的所述位置信息。
31.可选的，所述个体定位子单元和所述个体追踪子单元均采用极小虫体监测算法。
32.可选的，所述模拟预测模块包括模拟单元和综合预测单元；
33.所述模拟单元用于模拟大田生态系统中极小类害虫发生数据；
34.所述综合预测单元用于根据所述极小类害虫的所述行为学模型，获得所述综合防治策略和预期的防治成效。
35.本技术的有益效果为：
36.本技术公开了一种应用于多种类高密度极小虫体行为学的智能分析系统，能够精准高效获取大田生产端极小类害虫行为学大数据资源，并进行多维度的分析建模，为科研人员探索大田生态系统中生物群落间的行为机制提供了有利工具，从而更好地发挥极小类害虫ipm综合防治精髓。
附图说明
37.为了更清楚地说明本技术的技术方案，下面对实施例中所需要使用的附图作简单
地介绍，显而易见地，下面描述中的附图仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
38.图1为本技术实施例的应用于多种类高密度极小虫体行为学的智能分析系统结构示意图。
具体实施方式
39.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通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，都属于本技术保护的范围。
40.为使本技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本技术作进一步详细的说明。
41.如图1所示，为本技术实施例的应用于多种类高密度极小虫体行为学的智能分析系统结构示意图，主要包括操作平台子系统和分析子系统两大部分。
42.具体的，操作平台子系统用于提供可获取极小虫体行为的活动媒介，并拍摄极小虫体行为。
43.分析子系统包括行为采集模块、分析建模模块、模拟预测模块和可视化演示模块。行为采集模块用于通过操作平台子系统获取高密度极小虫体昆虫的行为学视频。分析建模模块用于根据行为学视频，获取多种类高密度极小昆虫的行为学大数据，并基于行为学大数据，建立行为学模型。模拟预测模块用于根据行为学模型，动态推演预测大田生态系统中极小类害虫综合防治策略和防治成效。可视化演示模块用于显示行为学视频、行为学模型和综合防治策略和成效。
44.下面，具体介绍上述组成部分在本实施例中的结构组成和功能实现。
45.在本实施例中，操作平台子系统主要包括活动媒介和视频采集设备，活动媒介为受害植株的组织结构，即鲜活叶片，并在此基础上，充分考虑叶片表面结构影响，结合水牢设计活动媒介的范围，从而充分模拟极小虫体害虫的实际活动与植株叶片表面结构影响之间的联系，极大地增强了实验设计与大田生境拟合度。
46.视频采集设备由显微镜和高清镜头组成，二者成一体式设计，高清镜头与显微镜的目镜相连，同时显微镜的准焦调节和高清镜头的拍摄参数又可单独调整，通过显微镜发现高密度极小虫体昆虫，再通过高清镜头完成拍摄。在本实施例中，以螨虫作为目标生物为例，展开生物行为研究。
47.进一步的，为了规避在拍摄过程中，高清镜头可能受到的诸如噪音、光照等负面影响因子的干扰，在本实施例中，还增加了隔离箱，将活动媒介和高清镜头置于其中，为螨虫的自然活动和高清拍摄提供了理想环境。
48.更进一步的，在本实施例中还增加了万向活动设备，用于调整视频采集设备的空间位置，满足视频采集设备的微调联动，包括视频采集设备距离活动媒介的距离、方位、拍摄角度等。
49.基于本实施例设计的操作平台子系统，本实施例相应的设计的分析子系统，由行为采集模块、分析建模模块、模拟预测模块和可视化演示模块构成。
50.在本实施例中，行为采集模块由画面校准单元和拍摄控制单元组成。画面校准单元和拍摄控制单元联动，拍摄控制单元分别调整显微镜的校准和高清镜头的参数，画面校准单元根据高清镜头拍摄的画面及画面清晰度的变化，生成拍摄调整数据，拍摄控制单元用于根据拍摄调整数据，调整视频采集设备的空间位置和拍摄参数，首先调整高清镜头与显微镜目镜的距离和空间位置关系，保证高清镜头拍摄到的目镜中的画面能够是最清晰的，再调整显微镜物镜与活动媒介的距离，使目镜中的图像变得清晰，最后调整整个视频采集设备与活动媒介的空间位置关系，从而获得预期的拍摄角度和拍摄内容，在这个调整过程冲，还要实时调整显微镜的校准，以保证高清镜头拍摄到的目镜中的画面是清晰的。
51.在行为采集模块的控制下，驱动视频采集设备清晰的拍摄螨虫的个体行为，从而获取高清晰的行为学视频。
52.基于螨虫极小的生物个体，在本实施例中，分析建模模块由生物个体识别单元、生物个体行为单元和建模单元组成。生物个体识别单元用于根据生物特征向量，识别行为学视频中的每一个生物个体。由于螨虫个体微小且数量较多，对每一个螨虫个体进行准确的识别，是后期行为研究的前提。
53.生物个体行为单元用于分析每一个生物个体的行为动作，获取每一个生物个体的行为学大数据，在本实施例中，行为大数据包括运动速率、平均速率、瞬时速率、步长、运动轨迹、攻击力、捕食时长、捕食成功率等。在本实施例中，生物个体行为单元又分为定位子单元和追踪子单元。定位子单元用于定位每一个生物个体的行为全过程位置信息；个体追踪子单元用于记录每一个生物个体在行为全过程的所有位置信息，二者均通过极小虫体监测算法，对螨虫行为学进行研究，判断螨虫当前的行为动作。本实施例采用的极小虫体监测算法，害虫监测算法共为三部分：一是预处理算法对样本数据进行增强处理。主要过程为利用labelme图像标注工具进行多种类害虫样本图像数据标注，基于标注图像省进行通道变换生成伪彩图(单通道png图像)，基于png图像生成目标小图和背景小图训练样本。生成目标小图训练样本的算法是循环搜索含有螨虫目标的标注图像，再循环搜索该图像中的螨虫目标，对每一个螨虫目标，获取已标注的位置坐标信息，再随机生成矩形的左上角和右下角坐标，将随机生成的矩形与该螨虫位置面积求iou(交并比)，如果iou大于0.98，则将随机生成的矩形区域截图，作为小图样本。生成背景小图训练样本的算法判断是循环搜索含有螨虫目标的标注图像，获取该图像中所有螨虫目标的位置坐标，求这些坐标的最大外接矩形，上下左右分别延伸矩形4个边，将图像划分为9个互斥区域，其中有8个区域不包含任何螨虫目标，对这8个区域随机抽样并截图生成1～8个背景小图。二是识别模型训练。基于bisenet(bilateral segmentation network)v2构建害虫识别检测模型，实现了螨虫语义分割检测的高精度和高效率。三是后处理。对网络输出矩阵out进行sofmax操作得到每个像素的置信度分布score_map和类别分布class_map,对class_map进行连通域分析，获取每个目标的位置信息，再通过矩阵交集获取score_map上对应目标区域的置信度分布，对区域内所有置信度求平均作为该目标的置信度，输出目标位置和置信度信息。本实施例采用的极小虫体监测算法，能够重复规避肉眼观察法误差大、效率低，数字图像噪音随机性强，机器学习技术特征差、稳定性不强，以及深度学习高精度长耗时的矛盾，兼具数字图像和深度学习的优势，在多种极小虫体的识别与跟踪领域具有很好的可行性。为研究害虫与天敌间的行为学机制提供帮助。
54.在获取目标生物的行为大数据后，即可通过行为大数据构建新的行为学模型，做出针对性的生物行为研究。在本实施例中，行为学模型包括行为学线性模型和行为学非线性模型。
55.行为学线性模型包括生物个体的运动速度、运动轨迹、攻击行为和捕食行为。首先，绘制每一个生物个体的行为轨迹图，获取生物个体的行为学参数，行为学参数包括运动速度、角度变化和瞬时速度变化等；然后建立包含有生物个体的运动速率、平均速率、瞬时速率、步长、运动轨迹、攻击力、捕食时长、捕食成功率等的行为学线性模型。
56.随后，基于行为学线性模型，建立行为学的莱维游走模型和其他非线性模型。
57.在本实施例中，模拟预测模块包括模拟单元和综合预测单元。
58.模拟单元用于输入当前大田生态系统中的极小类害虫数据，包括害虫的种类、数量、密度，以及种内、种间关系等。
59.综合预测单元用于根据极小类害虫数据和前述建立的行为学模型，模拟推演大田生态系统中极小类害虫的综合防治策略及对应的防治成效。
60.在本实施例中，可视化演示模块可采用通用的显示设备，用于显示上述过程中的行为学视频和行为学模型，并将模拟推演的综合防治策略和相对应的防治成效进行一对一的展示。
61.本实施例提供的智能分析系统，能够精准高效获取大田生产端极小类害虫行为学大数据资源，并进行多维度的分析建模，为科研人员探索大田生态系统中生物群落间的行为机制提供了有利工具，从而更好地发挥极小类害虫ipm综合防治精髓。
62.以上所述的实施例仅是对本技术优选方式进行的描述，并非对本技术的范围进行限定，在不脱离本技术设计精神的前提下，本领域普通技术人员对本技术的技术方案做出的各种变形和改进，均应落入本技术权利要求书确定的保护范围内。