[go: up one dir, main page]

CN118918527A - 粮仓害虫的图像检测方法、装置和设备 - Google Patents

粮仓害虫的图像检测方法、装置和设备 Download PDF

Info

Publication number
CN118918527A
CN118918527A CN202410961864.3A CN202410961864A CN118918527A CN 118918527 A CN118918527 A CN 118918527A CN 202410961864 A CN202410961864 A CN 202410961864A CN 118918527 A CN118918527 A CN 118918527A
Authority
CN
China
Prior art keywords
image
processed
pest
pests
detection
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.)
Pending
Application number
CN202410961864.3A
Other languages
English (en)
Inventor
陈嘉豪
石业腾
谷瑞军
毕文洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinling Institute of Technology
Original Assignee
Jinling Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jinling Institute of Technology filed Critical Jinling Institute of Technology
Priority to CN202410961864.3A priority Critical patent/CN118918527A/zh
Publication of CN118918527A publication Critical patent/CN118918527A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Catching Or Destruction (AREA)

Abstract

本发明提出了粮仓害虫的图像检测方法、装置和设备，涉及的技术领域包括图像处理、计算机视觉、人工智能和物联网，本发明通过基于单阶段检测器的图像检测算法来识别粮仓中可能存在的害虫，能够实时监控粮仓内害虫的活动情况，通过图像采集、处理和分析，有效识别并定位害虫，从而保障粮食储存的安全，减少粮食损失，提升粮仓管理的智能化水平，可以广泛应用于粮仓储存管理、农业生产、食品安全检测等场景。

Description

粮仓害虫的图像检测方法、装置和设备
技术领域
本发明涉及粮仓害虫检测技术领域，具体为粮仓害虫的图像检测方法、装置和设备。
背景技术
粮仓是国家粮食储备的重要设施，保障粮仓内粮食的安全存储对国家粮食安全、社会稳定和经济发展具有重要意义。粮食作为基本的民生保障资源，其质量和安全直接关系到人民的生活质量和国家的粮食安全战略。确保粮仓内储存的粮食不受到害虫的侵害，不仅可以减少粮食损失，还能维护粮食的品质，防止因害虫引发的粮食安全问题。
由于粮仓环境常年储存大量粮食，温度和湿度相对适宜，容易滋生各种害虫，如老鼠、蟑螂、甲虫等。这些害虫不仅会直接啃食粮食，还会在粮食中繁殖和扩散，产生病菌和毒素，进一步污染粮食。特别是在我国南方地区，气候潮湿，更加有利于害虫的繁殖和生长。因此，如何有效监控和防治粮仓内的害虫，成为保障粮食安全的关键问题。
在我国，大部分粮仓仍然依赖传统的人工检查和物理捕捉方法，无法实现实时、全面和精确的害虫监控。这导致在害虫入侵初期无法及时发现和处理，等到问题暴露时，往往已经造成了严重的粮食损失和质量下降。基于图像处理和人工智能技术的害虫检测系统在粮仓中的应用还处于探索阶段，市场渗透率低，缺乏成熟的解决方案和成功案例。
经检索，申请号为CN2024103189752的中国发明专利公开了一种基于YOLOv7模型的储粮害虫检测方法，涉及图像目标检测领域，包括如下步骤：S1：拍摄采集储粮害虫的图片信息，并建立储粮害虫数据集；S2：基于YOLOv7建立害虫检测模型；S3：根据储粮害虫数据集对害虫检测模型进行训练；S4：将待测图像输入训练好的害虫检测模型，得到检测结果。本发明通过融合ACmix自适应卷积分离模块和CBAM注意力模块，提升了对小尺度目标的敏感度，降低噪声影响；提升了对目标空间位置信息的感知能力；并通过损失函数的改进减少损失函数自由度，提高网络的鲁棒性。在局部遮挡、运动模糊和杂质粘连情况下均能实现高精度的识别和定位，表现优于其他现有模型，可为储粮害虫智能化监测提供参考。
本发明与上述对比文件的技术区别如下：
1、一种基于YOLOv7模型的储粮害虫检测方法中采用了改进的YOLOv7模型进行储粮害虫检测，通过融合ACmix自适应卷积分离模块和CBAM注意力模块，提升对小尺度目标的敏感度，降低噪声影响；提升对目标空间位置信息的感知能力，并通过改进损失函数减少损失函数自由度，提高网络的鲁棒性。在局部遮挡、运动模糊和杂质粘连情况下均能实现高精度的识别和定位。而粮仓害虫专利采用的是24小时不间断监控，通过摄像头实时采集视频数据，利用去噪算法、对比度拉伸和直方图均衡等图像增强技术，结合基于单阶段检测器的图像检测算法进行害虫识别。通过动态生物检测和相邻帧图像检测(帧间差距算法)确认相似度，以提高对移动害虫检测的准确性和系统的鲁棒性，并生成报警信号发送至控制中心。
2、一种基于YOLOv7模型的储粮害虫检测方法是通过改进YOLOv7模型和特征处理模块来提高对小尺度目标的检测能力，并在复杂环境中保持高精度和鲁棒性，而粮仓害虫专利是通过全天候监控和动态生物检测，结合多种图像处理技术和帧间差距算法来提升智能化水平和检测准确性。此外，粮仓害虫专利特别注重实时性和移动目标检测，通过实时视频数据的采集和处理来识别和定位害虫。
经检索，申请号为CN2021109945213的中国发明专利涉及一种农业害虫智能识别与定位方法及系统，该方法包括采用数据爬虫和图像实时拍摄的方式来收集农业害虫图像；对收集到的农业害虫图像进行数据归一化、数据增强处理以及数据标注；建立基于YOLOv4的果园害虫目标检测模型；对基于YOLOv4的果园害虫目标检测模型中进行训练和精度评价，得到评价后的基于YOLOv4的果园害虫目标检测模型；任意选取一张农业害虫图像输入到评价后的基于YOLOv4的果园害虫目标检测模型中进行农业害虫识别和定位，该方法对农业害虫的检测精度高，并且检测效率也高，该方法在多种测试场景下表现优异，鲁棒性好。
本发明与上述对比文件的技术区别如下：
1、一种农业害虫智能识别与定位方法及系统中采用了视觉显著性算法和深度学习模型，利用高分辨率摄像头定期采集图像，通过显著区域分析精准定位害虫位置，并结合深度学习算法提高检测的准确性和效率。而粮仓害虫专利采用的是24小时不间断监控，通过摄像头实时采集视频数据，利用去噪算法、对比度拉伸和直方图均衡等图像增强技术，结合基于单阶段检测器的图像检测算法进行害虫识别。通过动态生物检测和相邻帧图像检测(帧间差距算法)确认相似度，以提高对移动害虫检测的准确性和系统的鲁棒性，并生成报警信号发送至控制中心。
2、一种农业害虫智能识别与定位方法及系统中采用了数据爬虫和图像实时拍摄的方式来收集农业害虫图像；对收集到的农业害虫图像进行数据归一化、数据增强处理以及数据标注；建立基于YOLOv4的果园害虫目标检测模型；对模型进行训练和精度评价，得到评价后的基于YOLOv4的果园害虫目标检测模型。任意选取一张农业害虫图像输入到评价后的模型中进行农业害虫识别和定位。而粮仓害虫专利采用的是24小时不间断监控，通过摄像头实时采集视频数据，利用去噪算法、对比度拉伸和直方图均衡等图像增强技术，结合基于单阶段检测器的图像检测算法进行害虫识别。通过动态生物检测和相邻帧图像检测(帧间差距算法)确认相似度，以提高对移动害虫检测的准确性和系统的鲁棒性，并生成报警信号发送至控制中心。
3、一种农业害虫智能识别与定位方法及系统是通过显著区域分析和深度学习算法进行定期检测和精准定位，而粮仓害虫专利是通过全天候监控和动态生物检测，结合多种图像处理技术和帧间差距算法来提升智能化水平和检测准确性。此外，粮仓害虫专利特别注重实时性和移动目标检测，通过实时视频数据的采集和处理来识别和定位害虫。
4、一种农业害虫智能识别与定位方法及系统通过数据爬虫和图像实时拍摄来收集图像数据，并通过数据归一化和增强处理提高模型的检测精度。而粮仓害虫专利是通过全天候监控和动态生物检测，结合多种图像处理技术和帧间差距算法来提升智能化水平和检测准确性。此外，粮仓害虫专利特别注重实时性和移动目标检测，通过实时视频数据的采集和处理来识别和定位害虫。
经检索，申请号为CN2020116185268的中国发明专利提供了一种基于视觉显著性的粮食害虫检测方法和装置，所述方法包括：获取当前待检测图像；将所述当前待检测图像输入到预先训练的粮食害虫检测模型中，输出粮食害虫的视觉显著图，其中，所述粮食害虫检测模型为反向级联特征聚合神经网络，包括骨干网络、串联空洞卷积模块和反向特征聚合模块。本发明将视觉显著性用于粮食害虫等小目标检测，通过级联空洞卷积模块增大卷积感受野，通过反向级联特征聚合模块增强和丰富显著小目标的特征表示，使得粮食害虫的检测结果更为精确。
本发明与上述对比文件的技术区别如下：
1、一种基于视觉显著性的粮食害虫检测方法和装置中采用了YOLOv5s算法进行储粮害虫检测，通过优化YOLOv5s模型提升小目标检测能力，利用高分辨率摄像头定期采集图像，并通过数据增强处理和主干网络轻量化处理得到优化模型。而粮仓害虫专利采用的是24小时不间断监控，通过摄像头实时采集视频数据，利用去噪算法、对比度拉伸和直方图均衡等图像增强技术，结合基于单阶段检测器的图像检测算法进行害虫识别。通过动态生物检测和相邻帧图像检测(帧间差距算法)确认相似度，以提高对移动害虫检测的准确性和系统的鲁棒性，并生成报警信号发送至控制中心。
2、一种基于视觉显著性的粮食害虫检测方法和装置是通过优化YOLOv5s模型和数据增强处理提升定期检测的精度和效率，而粮仓害虫专利是通过全天候监控和动态生物检测，结合多种图像处理技术和帧间差距算法来提升智能化水平和检测准确性。此外，粮仓害虫专利特别注重实时性和移动目标检测，通过实时视频数据的采集和处理来识别和定位害虫。
发明内容
为解决上述技术问题，提高粮仓害虫检测的准确性和效率，本发明提出了粮仓害虫的图像检测方法、装置和设备，能够实时监控粮仓内害虫的活动情况，通过图像采集、处理和分析，有效识别并定位害虫，从而保障粮食储存的安全，减少粮食损失，提升粮仓管理的智能化水平。
为实现上述目的，本发明采取的技术方案是：
粮仓害虫的图像检测方法，其特征在于：包括如下步骤：
S101、获取待处理图像：
通过摄像头实时拍摄粮仓中的画面，并将拍摄的画面进行图像增强，将经过增强后的待处理图像进行存储，等待害虫检测模型进行检测；
S102、将待处理图像放入害虫检测模型中进行处理得到多个候选框与置信度：
搭建害虫检测模型，并将增强后的待处理图像输入害虫检测模型中进行逐帧检测，得到多个候选检测框以及与候选检测框一一对应的置信度信息，在候选检测框和置信度中寻找疑似存在害虫的画面，并标记出疑似害虫的候选框与置信度；
S103、如果图像中识别到可能存在有害生物，则获取待处理图像的相邻帧的图像并放入害虫检测模型中检测：
获取待处理图像的相邻帧图像，如果害虫检测模型检测出待处理图像中疑似存在害虫，则会将待处理图像的相邻帧图像送入害虫检测模型中进行检测，并标记出疑似害虫的位置候选框与置信度；
S104、确定相邻帧图像中的有害生物的位置信息作为第一图像：
将相邻帧图像中有害生物的位置信息标记为第一图像，包含害虫位置的候选框、置信度、害虫的种类以及害虫出现的时间；
S105、确定待处理图像中的有害生物的位置信息作为第二图像：
将待处理图像中有害生物的位置信息标记为第二图像，包含害虫位置的候选框、置信度、害虫的种类以及害虫出现的时间；
S106、比较第一图像和第二图像的相似度，如果小于阈值，则说明确实存在有害生物，如果大于阈值则说明不存在：
通过对比第一图像和第二图像中生物的候选框位置，得到相似度，如果相似度大于阈值，则认为是误判，即识别出来的不是害虫，如果相似度小于阈值，则认为识别出来的确为害虫。
作为本发明的优选技术方案：在步骤S101中，获取的待处理图像包括如下处理步骤：
首先，通过摄像头获取待处理视频流信息；
然后，根据待监控生物的移动速度，确定抽帧频率信息，待监控生物为待处理视频流信息所对应的监控区域中出现的害虫；
最后，根据抽帧频率信息，对待处理视频流信息进行抽帧处理，得到待处理图像。
作为本发明的优选技术方案：抽帧频率的确定具体如下：当摄像头拍摄到运动的生物时，并不会立刻将其送入害虫检测模型中进行检测，而是会首先检测其运动速度，并根据其运动速度决定抽帧的频率，可以根据具体的环境条件和检测需求，灵活地调整α、β和γ参数，以达到最佳的检测效果。通过适当的参数调节，可以确保系统在检测害虫时，既能保持高效的处理速度，又能保证检测的准确性和可靠性。具体公式如下：
生物的运动速度v：检测生物在画面中的移动速度，单位是像素/秒，
摄像头的帧率f：摄像头每秒捕捉的帧数，单位是帧/秒，
期望的相邻帧之间的生物移动距离d：希望在相邻帧之间生物移动的像素距离，这个值越大，则表示相邻帧之间的生物移动越多，相反的，值越小，则表示相邻帧之间的生物移动越少。
α：调节生物运动速度的影响。通过调整α可以放大或缩小生物运动速度对抽帧频率的影响。
β：调节期望移动距离的影响。通过调整β可以优化生物移动距离对抽帧频率的影响。
γ：调节摄像头帧率的影响。通过调整γ可以改变摄像头帧率对抽帧频率的影响。
作为本发明的优选技术方案：在步骤S103中，害虫检测模型通过优化损失函数来进行训练，优化损失函数公式如下：
其中：
IoU：预测框与真实框的交并比,用于衡量预测框和真实框之间的重叠程度，
用于考虑预测框和真实框中心点之间的距离，距离越大，损失越大，
c：包含预测框和真实框的最小闭包区域的对角线长度，
v：用于度量预测框和真实框之间的长宽比的一致性，
该项用于度量预测框和真实框之间的长宽比差异：
a：用于平衡IoU和长宽比一致性项对总损失的贡献，
作为本发明的优选技术方案：在步骤S103中，在将待处理图像放入害虫检测模型前，对待处理图像进行处理，具体如下：首先，对待处理图像进行颜色空间模式转换，得到转换后的待处理图像，然后，对待处理图像进行格式转换处理，得到格式转换后的待处理图像，其中，格式转换处理包括：归一化处理和图像尺寸调整处理。
作为本发明的优选技术方案：在步骤S106中，提取所述第一图像的第一直方图信息，提取所述第二图像的第二直方图信息，通过对比第一直方图信息和第二直方图信息，确定第一图像和第二图像之间的相似度。
上述结构中：本发明提出的粮仓害虫的图像检测方法，能够实时监控粮仓内害虫的活动情况，通过图像采集、处理和分析，有效识别并定位害虫，从而保障粮食储存的安全，减少粮食损失，提升粮仓管理的智能化水平。
通过安装在粮仓内的摄像头获取待处理图像与拍摄时间，然后将待处理图像进行图像增强后输入至害虫检测模型中进行图像处理，得到图像处理结果；其中，图像处理结果包括害虫的位置信息和害虫的种类，通过害虫检测模型即可识别待监测图像中的害虫，并清楚的标注其位置信息和种类，极为方便；
若图像处理结果表征存在害虫，则获取与待处理图像相邻的相邻帧图像，根据相邻帧图像与待处理图像中的害虫的相似度对比，从而进一步确定待处理图像中是否存在害虫，提升图像识别的可靠性。
通过对比获得害虫的信息后，将害虫的图像及时间等信息上传至服务器，用于提醒管理员前去进行处理。
为增强摄像头拍摄图像的清晰度，通过以下方式进行调整：
根据粮仓的光照条件，进行直方图均衡，通过调整图像的直方图的分布，增强对比图，能够使获得的图像更加清晰。
应用去噪算法，如均值滤波、中值滤波或高斯滤波，来减少图像中的噪点。
对摄像头曝光时间进行调整，延长摄像头的曝光时间，以捕捉更多的光线，增强拍摄图片的清晰度。
将图像检测方法结合至摄像头中，详细讲述本发明中摄像头从拍摄到报警的全部工作流程：
S201、获取待处理图像与拍摄时间，
摄像头24小时不间断拍摄粮仓中的内容，由于粮仓通常处在光线昏暗的条件下，因此可以根据光线条件适当拉长曝光时间，获得更加清晰的拍摄画面，这也是通常摄像头设置进行的初步画面增强；
S202、确定抽帧频率，
当摄像头拍摄到运动的生物时，并不会立刻将其送入害虫检测模型中进行检测，而是会首先检测其运动速度，并根据其运动速度决定抽帧的频率，用来方便后续抽取待处理图像的相邻帧图像；
1.生物的运动速度v：检测到的生物在画面中的移动速度，单位是像素/秒，
2.摄像头的帧率f：摄像头每秒捕捉的帧数，单位是帧/秒，
3.期望的相邻帧之间的物体移动距离d：希望在相邻帧之间生物移动的像素距离，这个值越大，表示相邻帧之间的生物移动越多，适用于高速运动的物体；相反，值越小，表示相邻帧之间的生物移动越少，适用于低速运动的物体，
4.α：调节生物运动速度的影响。通过调整α可以放大或缩小生物运动速度对抽帧频率的影响。
5.β：调节期望移动距离的影响。通过调整β可以优化生物移动距离对抽帧频率的影响。
6.γ：调节摄像头帧率的影响。通过调整γ可以改变摄像头帧率对抽帧频率的影响。
S203、图像预处理与增强，
在获得了摄像头拍摄的画面后，首先对画面进行图像预处理，调整图片的尺寸、格式，让所有的图片统一标准，方便后续处理，统一完图片标准，再对图像进行归一化，公式如下：
其中：I是原始图像的像素值，Imin是原始图像的最小像素值，Imax是原始图像的最大像素值，I′是归一化后的像素值，λ是调整归一化过程中的偏移量常数，k防止除零错误的小常数，通过该公式，可以将图像的像素值标准化到[0,1]范围内，从而提高后续图像处理和分析算法的性能。同时引入λ和k用于增强图像归一化过程的灵活性和鲁棒性的参数，避免除零错误，调整归一化范围，增强对比度；
利用高斯滤波通过加权平均方法进行图像平滑处理的技术，高斯滤波在去除图像噪声的同时能有效地保留图像的边缘信息，高斯函数的二维形式如下：
其中：
1.高斯函数在点(x，y)的值，
2.标准差，决定了高斯函数的宽度和滤波器的平滑程度，
3.与滤波器中心的相对位置，
对图像中的每个像素，以其为中心，取一个(2k+1)×(2k+1)的邻域，用高斯核G对该邻域进行加权平均，计算新像素值。具体操作公式如下：
其中：
1.I(x，y)是原始图像在位置(x，y)的像素值，
2.I′(x，y)是滤波后图像在位置(x，y)的像素值，
3.G(i，j)是高斯核在位置(i，j)的值，
4.k是窗口的半径，窗口大小为(2k+1)×(2k+1)，
直方图均衡，调整图像的对比度，使得图像的灰度值分布更加均匀，增强图像的整体对比度，突出图像中的细节，使得视觉效果更加明显，步骤如下：
1.计算原始直方图：
设I是原始图像，具有L个灰度级(通常为256，即灰度值范围为0到255)，计算每个灰度级的频数nk，即灰度值为k的像素个数。其中pγ(k)是灰度值k的概率，N是图像中的总像素数，
2.计算累积分布函数(CDF)：
累积分布函数C(rk)是灰度值从0到k的累计概率，
3.计算均衡后的灰度值：
将累积分布函数线性变换到新的灰度级范围(0到L-1)，
Sk＝(L-1)·C(rk) (10)
其中Sk是均衡后的灰度值，
4.映射到新图像：
将原始图像中的每个像素灰度值r映射到新的灰度值S，生成均衡后的图像，
S204、检测增强后的待处理图像
将增强后的待处理图像放入害虫检测模型中进行检测，具体检测流程如图1所示，通过调用检测模型，得到检测后的结果；
S205、报警提示
若经过模型检测，待处理图像中确实存在害虫时，则会向管理员发送报警信息，报警信息包括害虫的类别，害虫出现的时间。
粮仓害虫的图像检测装置，其特征在于：包括摄像头，所述摄像头中设置有图像获取模块、图像增强模块、图像检测模块、确定模块以及提示模块，所述图像获取模块用于实时对粮仓进行拍摄，所述图像获取模式连接图像增强模块，所述图像增强模块用于增强图像获取模块拍摄的视频图像，所述图像增强模块连接图像检测模块，所述图像检测模块用于检测和处理待处理图像和相邻帧图像中的预选框和置信度，所述图像检测模块连接确定模块，所述确定模块用于第一图像和第二图像之间的相似度，所述确定模块连接提示模块，所述提示模块用于向管理员提示粮仓中出现有害虫，当待处理图像经过处理后，确认待处理图像中存在害虫后，则便会向管理员发送报警信息，报警信息包括害虫的种类和出现的时间。
作为本发明的优选技术方案：所述图像检测模块包括第一处理单元、第一判断单元以及第二处理单元，其中，
第一处理单元：当将待处理图像放入害虫检测模块中时，通过所述第一处理单元画出害虫的预选框和置信度，
第一判断单元：根据害虫的预选框和置信度判断是否画面中存在疑似害虫，是否需要对待处理图像的相邻帧图像进行害虫检测，
第二处理单元：当将检测待处理图像的相邻帧图像放入害虫检测模块中时，通过所述第二处理单元画出害虫的预选框和置信度；
所述确定模块包括第一确定单元、第二确定单元、第三确定单元以及第四确定单元，其中，
第一确定单元：确定待处理图像的相邻帧图像中害虫的候选框和置信度，
第二确定单元：确定待处理图像中害虫的候选框和置信度，
所述第三确定单元包括第一提取单元、第二提取单元以及第一确定子单元，其中，
第一提取单元：用于提取第一图像的第一直方图信息，获取第一图像中各个灰度级像素值的分布情况，
第二提取单元：用于提取第二图像的第二直方图信息，获取第二图像中各个灰度级像素值的分布情况，
第一确定子单元：根据第一直方图和第二直方图的信息确认相似度，两张直方图利用欧式公式比较，公式如下：
其中h1和h2分别是两幅图像的直方图，i是直方图的bin索引，
通过计算两幅图像直方图向量之间的“直线”距离来确认相似度，数值越小，两幅图像的直方图越相似；
所述第四确定单元包括第二确定子单元以及第一删除模块，其中，
第二确定子单元：用于根据两幅图像的相似度确定是否存在害虫；如果存在，则执行后续的第一删除单元和提示模块，否则什么都不执行，
第一删除模块：利用非极大值抑制，删除掉候选检测框中的冗余检测结果，只保留最有可能包含目标的检测框。
上述结构中：本发明提出的粮仓害虫的图像检测装置，包括摄像头，在摄像头中设置有图像获取模块、图像增强模块、图像检测模块、确定模块以及提示模块，其中
图像获取模块：本模块用于24小时不间断拍摄粮仓内的视频监控，并将获得的视频流输入至图像增强模块中进行处理；
图像增强模块：本模块用于将摄像头直接拍摄获取的视频图像进行增强，包括摄像头增强和算法增强两方面，由于粮仓通常处于干燥，通风，温度较低的环境下，因此粮仓中的光线条件通常较差，根据情况，可以延长摄像头的曝光时间，从面获得更加清晰的画面，这便是摄像头增强。
在获得经过摄像头增强的画面后，再由算法进行增强，首先对画面进行图像预处理，调整图片的尺寸、格式。统一完图片标准，再对图像进行归一化，去噪，直方图均衡，增强图像的整体细节与对比度。
图像检测模块包括第一处理单元、第一判断单元以及第二处理单元，其中，
第一处理单元：当将待处理图像放入害虫检测模块中时，通过所述第一处理单元画出害虫的预选框和置信度，
第一判断单元：根据害虫的预选框和置信度判断是否画面中存在疑似害虫，是否需要对待处理图像的相邻帧图像进行害虫检测，
第二处理单元：当将检测待处理图像的相邻帧图像放入害虫检测模块中时，通过所述第二处理单元画出害虫的预选框和置信度。
确定模块包括第一确定单元、第二确定单元、第三确定单元以及第四确定单元，其中，
第一确定单元：确定待处理图像的相邻帧图像中害虫的候选框和置信度，
第二确定单元：确定待处理图像中害虫的候选框和置信度，
所述第三确定单元包括第一提取单元、第二提取单元以及第一确定子单元，其中，
第一提取单元：用于提取第一图像的第一直方图信息，获取第一图像中各个灰度级像素值的分布情况，
第二提取单元：用于提取第二图像的第二直方图信息，获取第二图像中各个灰度级像素值的分布情况，
第一确定子单元：根据第一直方图和第二直方图的信息确认相似度，两张直方图利用欧式公式比较，公式如下：
其中h1和h2分别是两幅图像的直方图，i是直方图的bin索引，
通过计算两幅图像直方图向量之间的“直线”距离来确认相似度，数值越小，两幅图像的直方图越相似；
第四确定单元包括第二确定子单元以及第一删除模块，其中，
第二确定子单元：用于根据两幅图像的相似度确定是否存在害虫；如果存在，则执行后续的第一删除单元和提示模块，否则什么都不执行，
第一删除模块：利用非极大值抑制(Non-Maximum Suppression,NMS)，减少候选检测框中的冗余检测结果，只保留最有可能包含目标的检测框。NMS通过抑制重叠程度较高且置信度较低的检测框，来精简最终的检测结果。在本发明中，使用NMS机制可以有效减少冗余检测框，确保检测结果的准确性，提高害虫检测系统的性能和效率。经过这一模块的删除后，最终确认了图像中害虫的位置，置信度，种类等信息。
提示模块：本模块用于向管理员提示粮仓中出现有了害虫，当待处理图像经过了上方所有模块的处理，确认图像中存在害虫后，便会向管理员发送报警信息，报警信息包括害虫的种类，出现的时间。
粮仓害虫的图像检测设备，其特征在于：包括
至少一个摄像头：所述摄像头用于采集粮仓内的待处理图像并储存起来，
一个开发板，所述开发板包括主板、存储器以及用于连接主板和存储器的总线，
所述主板上包含至少一个中央处理器，用于执行待处理图像和相邻帧图像的害虫检测，害虫检测模型从存储器中获取，所述存储器用于存储计算机指令和害虫检测模型，
所述储存器安装在主板上，所述主板与摄像头通信连接，用于接收图像数据并进行处理。
作为本发明的优选技术方案：所述摄像头上设置有输入单元、存储单元以及输出单元，所述输入单元用于获得摄像头拍摄的画面，所述存储单元用于临时存储从输入单元获得的待处理图像，所述输出单元用于将存储单元中的待处理图像发送给主板进行害虫检测，所述存储器包括随机存储器和只读存储器，所述随机存储器内储存有计算机指令，所述只读存储器内储存有害虫检测模型，所述开发板中安装有内存和通信单元，内存用于从存储器中获取中央处理器当前需要执行的计算机指令，通信单元用于接收中央处理器检测出来的待处理图像中的害虫的信息并发送给管理员。
上述结构中：本发明提出的粮仓害虫的图像检测设备中的摄像头用于采集粮仓内的待处理图像并储存起来，开发板包括主板、存储器以及用于连接主板和存储器的总线，主板上包含至少一个中央处理器，用于执行待处理图像和相邻帧图像的害虫检测，害虫检测模型从存储器中获取，存储器用于存储计算机指令和害虫检测模型。
输入单元为摄像头的一部分，输入单元用于获得摄像头拍摄的画面。
存储单元为摄像头的一部分，存储单元用于临时存储从输入单元获得的输入图像。
输出单元为摄像头的一部分，用于将摄像头存储单元中的待处理图像发送给开发板进行害虫检测。
总线用于连接摄像头与开发板，完成摄像头与开发板之间的数据传输。
存储器为开发板的一部分，存储器包含随机存储器(RAM)和只读存储器(ROM)，RAM用于存储当前正在运行的机器指令，而ROM中存储了害虫检测模型，所有的计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。
内存为开发板的一部分，用于从存储器中获取中央处理器当前需要执行的计算机指令。
中央处理器为开发板的一部分，用于对从输出单元获得的待处理图像进行害虫检测，害虫检测模型从内存中获取。
通信单元为开发板的一部分，用于接收中央处理器检测出来的待处理图像中的害虫的信息并发送给管理员。
与现有技术相比，本发明的有益效果为：
本发明能够实时监控粮仓内害虫的活动情况，通过图像采集、处理和分析，有效识别并定位害虫，从而保障粮食储存的安全，减少粮食损失，提升粮仓管理的智能化水平；通过基于单阶段检测器的图像检测算法来识别粮仓中可能存在的害虫，并通常引入动态生物检测算法，使得摄像头对动态生物的检测能力进一步提升，有效减少了对粮仓中静态物体的误判。
附图说明
图1为本发明中的害虫识别流程；
图2为本发明的整体工作流程；
图3为本发明的功能模块详细示意图；
图4为本发明的物理结构示意图；
图5为本发明的逻辑结构示意图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
目前，随着人工智能技术的发展，人工智能技术在监控领域的应用越来越广泛。传统的监控系统主要依赖于人工查看视频画面，这不仅费时费力，而且容易出现疏漏，无法及时、准确地发现异常情况。随着计算机视觉和深度学习等人工智能技术的进步，智能监控系统应运而生，大大提升了监控效率和准确性。
大部分粮仓仍然依赖传统的人工检查和物理捕捉方法，无法实现实时、全面和精确的害虫监控。这导致在害虫入侵初期无法及时发现和处理，等到问题暴露时，往往已经造成了严重的粮食损失和质量下降。
为此，本发明提出了一个基于单阶段检测器的图像检测算法的粮仓害虫检测图像采集装置，具体为粮仓害虫的图像检测方法、装置和设备，旨在通过基于单阶段检测器的图像检测算法来识别粮仓中可能存在的害虫，并通常引入动态生物检测算法，使得摄像头对动态生物的检测能力进一步提升，有效减少了对粮仓中静态物体的误判，下面结合说明书附图对本发明进一步描述。
如图1所示，本发明提出的粮仓害虫的图像检测方法，包括如下步骤：
S101、获取待处理图像：
通过摄像头实时拍摄粮仓中的画面，并将拍摄的画面进行图像增强，将经过增强后的待处理图像进行存储，等待害虫检测模型进行检测；
S102、将待处理图像放入害虫检测模型中进行处理得到多个候选框与置信度：
搭建害虫检测模型，并将增强后的待处理图像输入害虫检测模型中进行逐帧检测，得到多个候选检测框以及与候选检测框一一对应的置信度信息，在候选检测框和置信度中寻找疑似存在害虫的画面，并标记出疑似害虫的候选框与置信度；
S103、如果图像中识别到可能存在有害生物，则获取待处理图像的相邻帧的图像并放入害虫检测模型中检测：
获取待处理图像的相邻帧图像，如果害虫检测模型检测出待处理图像中疑似存在害虫，则会将待处理图像的相邻帧图像送入害虫检测模型中进行检测，并标记出疑似害虫的位置候选框与置信度；
S104、确定相邻帧图像中的有害生物的位置信息作为第一图像：
将相邻帧图像中有害生物的位置信息标记为第一图像，包含害虫位置的候选框、置信度、害虫的种类以及害虫出现的时间；
S105、确定待处理图像中的有害生物的位置信息作为第二图像：
将待处理图像中有害生物的位置信息标记为第二图像，包含害虫位置的候选框、置信度、害虫的种类以及害虫出现的时间；
S106、比较第一图像和第二图像的相似度，如果小于阈值，则说明确实存在有害生物，如果大于阈值则说明不存在：
通过对比第一图像和第二图像中生物的候选框位置，得到相似度，如果相似度大于阈值，则认为是误判，即识别出来的不是害虫，如果相似度小于阈值，则认为识别出来的确为害虫。
在步骤S101中，获取的待处理图像包括如下处理步骤：
首先，通过摄像头获取待处理视频流信息；
然后，根据待监控生物的移动速度，确定抽帧频率信息，待监控生物为待处理视频流信息所对应的监控区域中出现的害虫；
最后，根据抽帧频率信息，对待处理视频流信息进行抽帧处理，得到待处理图像。
抽帧频率的确定具体如下：当摄像头拍摄到运动的生物时，并不会立刻将其送入害虫检测模型中进行检测，而是会首先检测其运动速度，并根据其运动速度决定抽帧的频率，具体公式如下：
生物的运动速度v：检测生物在画面中的移动速度，单位是像素/秒，
摄像头的帧率f：摄像头每秒捕捉的帧数，单位是帧/秒，
期望的相邻帧之间的生物移动距离d：希望在相邻帧之间生物移动的像素距离，这个值越大，则表示相邻帧之间的生物移动越多，相反的，值越小，则表示相邻帧之间的生物移动越少。
α：调节生物运动速度的影响。通过调整α可以放大或缩小生物运动速度对抽帧频率的影响。
β：调节期望移动距离的影响。通过调整β可以优化生物移动距离对抽帧频率的影响。
γ：调节摄像头帧率的影响。通过调整γ可以改变摄像头帧率对抽帧频率的影响。
在步骤S103中，害虫检测模型通过优化损失函数来进行训练，优化损失函数公式如下：
其中：
IoU：预测框与真实框的交并比,用于衡量预测框和真实框之间的重叠程度，
用于考虑预测框和真实框中心点之间的距离，距离越大，损失越大，
c：包含预测框和真实框的最小闭包区域的对角线长度，
v：用于度量预测框和真实框之间的长宽比的一致性，
该项用于度量预测框和真实框之间的长宽比差异：
a：用于平衡IoU和长宽比一致性项对总损失的贡献，
在步骤S103中，在将待处理图像放入害虫检测模型前，对待处理图像进行处理，具体如下：首先，对待处理图像进行颜色空间模式转换，得到转换后的待处理图像，然后，对待处理图像进行格式转换处理，得到格式转换后的待处理图像，其中，格式转换处理包括：归一化处理和图像尺寸调整处理。
在步骤S106中，提取所述第一图像的第一直方图信息，提取所述第二图像的第二直方图信息，通过对比第一直方图信息和第二直方图信息，确定第一图像和第二图像之间的相似度。
本发明提出的粮仓害虫的图像检测方法，能够实时监控粮仓内害虫的活动情况，通过图像采集、处理和分析，有效识别并定位害虫，从而保障粮食储存的安全，减少粮食损失，提升粮仓管理的智能化水平。
通过安装在粮仓内的摄像头获取待处理图像与拍摄时间，然后将待处理图像进行图像增强后输入至害虫检测模型中进行图像处理，得到图像处理结果；其中，图像处理结果包括害虫的位置信息和害虫的种类，通过害虫检测模型即可识别待监测图像中的害虫，并清楚的标注其位置信息和种类，极为方便；
若图像处理结果表征存在害虫，则获取与待处理图像相邻的相邻帧图像，根据相邻帧图像与待处理图像中的害虫的相似度对比，从而进一步确定待处理图像中是否存在害虫，提升图像识别的可靠性。
通过对比获得害虫的信息后，将害虫的图像及时间等信息上传至服务器，用于提醒管理员前去进行处理。
为增强摄像头拍摄图像的清晰度，通过以下方式进行调整：
根据粮仓的光照条件，进行直方图均衡，通过调整图像的直方图的分布，增强对比图，能够使获得的图像更加清晰。
应用去噪算法，如均值滤波、中值滤波或高斯滤波，来减少图像中的噪点。
对摄像头曝光时间进行调整，延长摄像头的曝光时间，以捕捉更多的光线，增强拍摄图片的清晰度。
将图1的图像检测方法结合至摄像头中，如图2所示，详细讲述本发明中摄像头从拍摄到报警的全部工作流程：
S201、获取待处理图像与拍摄时间，
摄像头24小时不间断拍摄粮仓中的内容，由于粮仓通常处在光线昏暗的条件下，因此可以根据光线条件适当拉长曝光时间，获得更加清晰的拍摄画面，这也是通常摄像头设置进行的初步画面增强；
S202、确定抽帧频率，
当摄像头拍摄到运动的生物时，并不会立刻将其送入害虫检测模型中进行检测，而是会首先检测其运动速度，并根据其运动速度决定抽帧的频率，用来方便后续抽取待处理图像的相邻帧图像；
1.生物的运动速度v：检测到的生物在画面中的移动速度，单位是像素/秒，
2.摄像头的帧率f：摄像头每秒捕捉的帧数，单位是帧/秒，
3.期望的相邻帧之间的物体移动距离d：希望在相邻帧之间生物移动的像素距离，这个值越大，表示相邻帧之间的生物移动越多，适用于高速运动的物体；相反，值越小，表示相邻帧之间的生物移动越少，适用于低速运动的物体，
4.α：调节生物运动速度的影响。通过调整α可以放大或缩小生物运动速度对抽帧频率的影响。
5.β：调节期望移动距离的影响。通过调整β可以优化生物移动距离对抽帧频率的影响。
6.γ：调节摄像头帧率的影响。通过调整γ可以改变摄像头帧率对抽帧频率的影响。
S203、图像预处理与增强，
在获得了摄像头拍摄的画面后，首先对画面进行图像预处理，调整图片的尺寸、格式，让所有的图片统一标准，方便后续处理，统一完图片标准，再对图像进行归一化，公式如下：
其中：I是原始图像的像素值，Imin是原始图像的最小像素值，Imax是原始图像的最大像素值，I′是归一化后的像素值，λ是调整归一化过程中的偏移量常数，k防止除零错误的小常数，通过该公式，可以将图像的像素值标准化到[0,1]范围内，从而提高后续图像处理和分析算法的性能。同时引入λ和k用于增强图像归一化过程的灵活性和鲁棒性的参数，避免除零错误，调整归一化范围，增强对比度；
利用高斯滤波通过加权平均方法进行图像平滑处理的技术，高斯滤波在去除图像噪声的同时能有效地保留图像的边缘信息，高斯函数的二维形式如下：
其中：
1.高斯函数在点(x，y)的值，
2.标准差，决定了高斯函数的宽度和滤波器的平滑程度，
3.与滤波器中心的相对位置，
对图像中的每个像素，以其为中心，取一个(2k+1)×(2k+1)的邻域，用高斯核G对该邻域进行加权平均，计算新像素值。具体操作公式如下：
其中：
1.I(x，y)是原始图像在位置(x，y)的像素值，
2.I′(x，y)是滤波后图像在位置(x，y)的像素值，
3.G(i，j)是高斯核在位置(i，j)的值，
4.k是窗口的半径，窗口大小为(2k+1)×(2k+1)，
直方图均衡，调整图像的对比度，使得图像的灰度值分布更加均匀，增强图像的整体对比度，突出图像中的细节，使得视觉效果更加明显，步骤如下：
1.计算原始直方图：
设I是原始图像，具有L个灰度级(通常为256，即灰度值范围为0到255)，
计算每个灰度级的频数nk，即灰度值为k的像素个数。其中pγ(k)是灰度值k的概率，N是图像中的总像素数，
2.计算累积分布函数(CDF)：
累积分布函数C(rk)是灰度值从0到k的累计概率，
3.计算均衡后的灰度值：
将累积分布函数线性变换到新的灰度级范围(0到L-1)，
Sk＝(L-1)·C(rk) (10)
其中Sk是均衡后的灰度值，
4.映射到新图像：
将原始图像中的每个像素灰度值r映射到新的灰度值S，生成均衡后的图像，
S204、检测增强后的待处理图像
将增强后的待处理图像放入害虫检测模型中进行检测，具体检测流程如图1所示，通过调用检测模型，得到检测后的结果；
S205、报警提示
若经过模型检测，待处理图像中确实存在害虫时，则会向管理员发送报警信息，报警信息包括害虫的类别，害虫出现的时间。
如图3所示，本发明提出的粮仓害虫的图像检测装置，包括摄像头，所述摄像头中设置有图像获取模块、图像增强模块、图像检测模块、确定模块以及提示模块，所述图像获取模块用于实时对粮仓进行拍摄，所述图像获取模式连接图像增强模块，所述图像增强模块用于增强图像获取模块拍摄的视频图像，所述图像增强模块连接图像检测模块，所述图像检测模块用于检测和处理待处理图像和相邻帧图像中的预选框和置信度，所述图像检测模块连接确定模块，所述确定模块用于第一图像和第二图像之间的相似度，所述确定模块连接提示模块，所述提示模块用于向管理员提示粮仓中出现有害虫，当待处理图像经过处理后，确认待处理图像中存在害虫后，则便会向管理员发送报警信息，报警信息包括害虫的种类和出现的时间。
所述图像检测模块包括第一处理单元、第一判断单元以及第二处理单元，其中，
第一处理单元：当将待处理图像放入害虫检测模块中时，通过所述第一处理单元画出害虫的预选框和置信度，
第一判断单元：根据害虫的预选框和置信度判断是否画面中存在疑似害虫，是否需要对待处理图像的相邻帧图像进行害虫检测，
第二处理单元：当将检测待处理图像的相邻帧图像放入害虫检测模块中时，通过所述第二处理单元画出害虫的预选框和置信度；
所述确定模块包括第一确定单元、第二确定单元、第三确定单元以及第四确定单元，其中，
第一确定单元：确定待处理图像的相邻帧图像中害虫的候选框和置信度，
第二确定单元：确定待处理图像中害虫的候选框和置信度，
所述第三确定单元包括第一提取单元、第二提取单元以及第一确定子单元，其中，
第一提取单元：用于提取第一图像的第一直方图信息，获取第一图像中各个灰度级像素值的分布情况，
第二提取单元：用于提取第二图像的第二直方图信息，获取第二图像中各个灰度级像素值的分布情况，
第一确定子单元：根据第一直方图和第二直方图的信息确认相似度，两张直方图利用欧式公式比较，公式如下：
其中h1和h2分别是两幅图像的直方图，i是直方图的bin索引，
通过计算两幅图像直方图向量之间的“直线”距离来确认相似度，数值越小，两幅图像的直方图越相似；
所述第四确定单元包括第二确定子单元以及第一删除模块，其中，
第二确定子单元：用于根据两幅图像的相似度确定是否存在害虫；如果存在，则执行后续的第一删除单元和提示模块，否则什么都不执行，
第一删除模块：利用非极大值抑制，删除掉候选检测框中的冗余检测结果，只保留最有可能包含目标的检测框。
本发明提出的粮仓害虫的图像检测装置，包括摄像头，在摄像头中设置有图像获取模块、图像增强模块、图像检测模块、确定模块以及提示模块，其中
图像获取模块：本模块用于24小时不间断拍摄粮仓内的视频监控，并将获得的视频流输入至图像增强模块中进行处理；
图像增强模块：本模块用于将摄像头直接拍摄获取的视频图像进行增强，包括摄像头增强和算法增强两方面，由于粮仓通常处于干燥，通风，温度较低的环境下，因此粮仓中的光线条件通常较差，根据情况，可以延长摄像头的曝光时间，从面获得更加清晰的画面，这便是摄像头增强。
在获得经过摄像头增强的画面后，再由算法进行增强，首先对画面进行图像预处理，调整图片的尺寸、格式。统一完图片标准，再对图像进行归一化，去噪，直方图均衡，增强图像的整体细节与对比度。
图像检测模块包括第一处理单元、第一判断单元以及第二处理单元，其中，
第一处理单元：当将待处理图像放入害虫检测模块中时，通过所述第一处理单元画出害虫的预选框和置信度，
第一判断单元：根据害虫的预选框和置信度判断是否画面中存在疑似害虫，是否需要对待处理图像的相邻帧图像进行害虫检测，
第二处理单元：当将检测待处理图像的相邻帧图像放入害虫检测模块中时，通过所述第二处理单元画出害虫的预选框和置信度。
确定模块包括第一确定单元、第二确定单元、第三确定单元以及第四确定单元，其中，
第一确定单元：确定待处理图像的相邻帧图像中害虫的候选框和置信度，
第二确定单元：确定待处理图像中害虫的候选框和置信度，
所述第三确定单元包括第一提取单元、第二提取单元以及第一确定子单元，其中，
第一提取单元：用于提取第一图像的第一直方图信息，获取第一图像中各个灰度级像素值的分布情况，
第二提取单元：用于提取第二图像的第二直方图信息，获取第二图像中各个灰度级像素值的分布情况，
第一确定子单元：根据第一直方图和第二直方图的信息确认相似度，两张直方图利用欧式公式比较，公式如下：
其中h1和h2分别是两幅图像的直方图，i是直方图的bin索引，
通过计算两幅图像直方图向量之间的“直线”距离来确认相似度，数值越小，两幅图像的直方图越相似；
第四确定单元包括第二确定子单元以及第一删除模块，其中，
第二确定子单元：用于根据两幅图像的相似度确定是否存在害虫；如果存在，则执行后续的第一删除单元和提示模块，否则什么都不执行，
第一删除模块：利用非极大值抑制(Non-Maximum Suppression,NMS)，减少候选检测框中的冗余检测结果，只保留最有可能包含目标的检测框。NMS通过抑制重叠程度较高且置信度较低的检测框，来精简最终的检测结果。在本发明中，使用NMS机制可以有效减少冗余检测框，确保检测结果的准确性，提高害虫检测系统的性能和效率。经过这一模块的删除后，最终确认了图像中害虫的位置，置信度，种类等信息。
提示模块：本模块用于向管理员提示粮仓中出现有了害虫，当待处理图像经过了上方所有模块的处理，确认图像中存在害虫后，便会向管理员发送报警信息，报警信息包括害虫的种类，出现的时间。
如图4-5所示，本发明提出的粮仓害虫的图像检测设备，包括
至少一个摄像头：所述摄像头用于采集粮仓内的待处理图像并储存起来，
一个开发板，所述开发板包括主板、存储器以及用于连接主板和存储器的总线，
所述主板上包含至少一个中央处理器，用于执行待处理图像和相邻帧图像的害虫检测，害虫检测模型从存储器中获取，所述存储器用于存储计算机指令和害虫检测模型，
所述储存器安装在主板上，所述主板与摄像头通信连接，用于接收图像数据并进行处理。
所述摄像头上设置有输入单元、存储单元以及输出单元，所述输入单元用于获得摄像头拍摄的画面，所述存储单元用于临时存储从输入单元获得的待处理图像，所述输出单元用于将存储单元中的待处理图像发送给主板进行害虫检测，所述存储器包括随机存储器和只读存储器，所述随机存储器内储存有计算机指令，所述只读存储器内储存有害虫检测模型，所述开发板中安装有内存和通信单元，内存用于从存储器中获取中央处理器当前需要执行的计算机指令，通信单元用于接收中央处理器检测出来的待处理图像中的害虫的信息并发送给管理员。
上述结构中：本发明提出的粮仓害虫的图像检测设备中的摄像头用于采集粮仓内的待处理图像并储存起来，开发板包括主板、存储器以及用于连接主板和存储器的总线，主板上包含至少一个中央处理器，用于执行待处理图像和相邻帧图像的害虫检测，害虫检测模型从存储器中获取，存储器用于存储计算机指令和害虫检测模型。
输入单元为摄像头的一部分，输入单元用于获得摄像头拍摄的画面。
存储单元为摄像头的一部分，存储单元用于临时存储从输入单元获得的输入图像。
输出单元为摄像头的一部分，用于将摄像头存储单元中的待处理图像发送给开发板进行害虫检测。
总线用于连接摄像头与开发板，完成摄像头与开发板之间的数据传输。
存储器为开发板的一部分，存储器包含随机存储器(RAM)和只读存储器(ROM)，RAM用于存储当前正在运行的机器指令，而ROM中存储了害虫检测模型，所有的计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。
内存为开发板的一部分，用于从存储器中获取中央处理器当前需要执行的计算机指令。
中央处理器为开发板的一部分，用于对从输出单元获得的待处理图像进行害虫检测，害虫检测模型从内存中获取。
通信单元为开发板的一部分，用于接收中央处理器检测出来的待处理图像中的害虫的信息并发送给管理员。
本发明能够实时监控粮仓内害虫的活动情况，通过图像采集、处理和分析，有效识别并定位害虫，从而保障粮食储存的安全，减少粮食损失，提升粮仓管理的智能化水平；通过基于单阶段检测器的图像检测算法来识别粮仓中可能存在的害虫，并通常引入动态生物检测算法，使得摄像头对动态生物的检测能力进一步提升，有效减少了对粮仓中静态物体的误判。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (10)

1.粮仓害虫的图像检测方法，其特征在于：包括如下步骤：
S101、获取待处理图像：
通过摄像头实时拍摄粮仓中的画面，并将拍摄的画面进行图像增强，将经过增强后的待处理图像进行存储，等待害虫检测模型进行检测；
S102、将待处理图像放入害虫检测模型中进行处理得到多个候选框与置信度：
搭建害虫检测模型，并将增强后的待处理图像输入害虫检测模型中进行逐帧检测，得到多个候选检测框以及与候选检测框一一对应的置信度信息，在候选检测框和置信度中寻找疑似存在害虫的画面，并标记出疑似害虫的候选框与置信度；
S103、如果图像中识别到可能存在有害生物，则获取待处理图像的相邻帧的图像并放入害虫检测模型中检测：
获取待处理图像的相邻帧图像，如果害虫检测模型检测出待处理图像中疑似存在害虫，则会将待处理图像的相邻帧图像送入害虫检测模型中进行检测，并标记出疑似害虫的位置候选框与置信度；
S104、确定相邻帧图像中的有害生物的位置信息作为第一图像：
将相邻帧图像中有害生物的位置信息标记为第一图像，包含害虫位置的候选框、置信度、害虫的种类以及害虫出现的时间；
S105、确定待处理图像中的有害生物的位置信息作为第二图像：
将待处理图像中有害生物的位置信息标记为第二图像，包含害虫位置的候选框、置信度、害虫的种类以及害虫出现的时间；
S106、比较第一图像和第二图像的相似度，如果小于阈值，则说明确实存在有害生物，如果大于阈值则说明不存在：
通过对比第一图像和第二图像中生物的候选框位置，得到相似度，如果相似度大于阈值，则认为是误判，即识别出来的不是害虫，如果相似度小于阈值，则认为识别出来的确为害虫。
2.根据权利要求1所述的粮仓害虫的图像检测方法，其特征在于：在步骤S101中，获取的待处理图像包括如下处理步骤：
首先，通过摄像头获取待处理视频流信息；
然后，根据待监控生物的移动速度，确定抽帧频率信息，待监控生物为待处理视频流信息所对应的监控区域中出现的害虫；
最后，根据抽帧频率信息，对待处理视频流信息进行抽帧处理，得到待处理图像。
3.根据权利要求2所述的粮仓害虫的图像检测方法，其特征在于：抽帧频率的确定具体如下：当摄像头拍摄到运动的生物时，并不会立刻将其送入害虫检测模型中进行检测，而是会首先检测其运动速度，并根据其运动速度决定抽帧的频率，具体公式如下：
生物的运动速度v：检测生物在画面中的移动速度，单位是像素/秒，
摄像头的帧率f：摄像头每秒捕捉的帧数，单位是帧/秒，
期望的相邻帧之间的生物移动距离d：希望在相邻帧之间生物移动的像素距离，这个值越大，则表示相邻帧之间的生物移动越多，相反的，值越小，则表示相邻帧之间的生物移动越少。
a：调节生物运动速度的影响。通过调整α可以放大或缩小生物运动速度对抽帧频率的影响。
β：调节期望移动距离的影响。通过调整β可以优化生物移动距离对抽帧频率的影响。
γ：调节摄像头帧率的影响。通过调整γ可以改变摄像头帧率对抽帧频率的影响。
4.根据权利要求1所述的粮仓害虫的图像检测方法，其特征在于：在步骤S103中，害虫检测模型通过优化损失函数来进行训练，优化损失函数公式如下：
其中：
IoU：预测框与真实框的交并比，用于衡量预测框和真实框之间的重叠程度，
用于考虑预测框和真实框中心点之间的距离，距离越大，损失越大，
c：包含预测框和真实框的最小闭包区域的对角线长度，
v：用于度量预测框和真实框之间的长宽比的一致性，
该项用于度量预测框和真实框之间的长宽比差异：
a：用于平衡IoU和长宽比一致性项对总损失的贡献，
5.根据权利要求1所述的粮仓害虫的图像检测方法，其特征在于：在步骤S103中，在将待处理图像放入害虫检测模型前，对待处理图像进行处理，具体如下：首先，对待处理图像进行颜色空间模式转换，得到转换后的待处理图像，然后，对待处理图像进行格式转换处理，得到格式转换后的待处理图像，其中，格式转换处理包括：归一化处理和图像尺寸调整处理。
6.根据权利要求1所述的粮仓害虫的图像检测方法，其特征在于：在步骤S106中，提取所述第一图像的第一直方图信息，提取所述第二图像的第二直方图信息，通过对比第一直方图信息和第二直方图信息，确定第一图像和第二图像之间的相似度。
7.粮仓害虫的图像检测装置，其特征在于：包括摄像头，所述摄像头中设置有图像获取模块、图像增强模块、图像检测模块、确定模块以及提示模块，所述图像获取模块用于实时对粮仓进行拍摄，所述图像获取模式连接图像增强模块，所述图像增强模块用于增强图像获取模块拍摄的视频图像，所述图像增强模块连接图像检测模块，所述图像检测模块用于检测和处理待处理图像和相邻帧图像中的预选框和置信度，所述图像检测模块连接确定模块，所述确定模块用于第一图像和第二图像之间的相似度，所述确定模块连接提示模块，所述提示模块用于向管理员提示粮仓中出现有害虫，当待处理图像经过处理后，确认待处理图像中存在害虫后，则便会向管理员发送报警信息，报警信息包括害虫的种类和出现的时间。
8.根据权利要求7所述的粮仓害虫的图像检测装置，其特征在于：所述图像检测模块包括第一处理单元、第一判断单元以及第二处理单元，其中，
第一处理单元：当将待处理图像放入害虫检测模块中时，通过所述第一处理单元画出害虫的预选框和置信度，
第一判断单元：根据害虫的预选框和置信度判断是否画面中存在疑似害虫，是否需要对待处理图像的相邻帧图像进行害虫检测，
第二处理单元：当将检测待处理图像的相邻帧图像放入害虫检测模块中时，通过所述第二处理单元画出害虫的预选框和置信度；
所述确定模块包括第一确定单元、第二确定单元、第三确定单元以及第四确定单元，其中，第一确定单元：确定待处理图像的相邻帧图像中害虫的候选框和置信度，
第二确定单元：确定待处理图像中害虫的候选框和置信度，
所述第三确定单元包括第一提取单元、第二提取单元以及第一确定子单元，其中，
第一提取单元：用于提取第一图像的第一直方图信息，获取第一图像中各个灰度级像素值的分布情况，
第二提取单元：用于提取第二图像的第二直方图信息，获取第二图像中各个灰度级像素值的分布情况，
第一确定子单元：根据第一直方图和第二直方图的信息确认相似度，两张直方图利用欧式公式比较，公式如下：
其中h1和h2分别是两幅图像的直方图，i是直方图的bin索引，
通过计算两幅图像直方图向量之间的“直线”距离来确认相似度，数值越小，两幅图像的直方图越相似；
所述第四确定单元包括第二确定子单元以及第一删除模块，其中，
第二确定子单元：用于根据两幅图像的相似度确定是否存在害虫；如果存在，则执行后续的第一删除单元和提示模块，否则什么都不执行，
第一删除模块：利用非极大值抑制，删除掉候选检测框中的冗余检测结果，只保留最有可能包含目标的检测框。
9.粮仓害虫的图像检测设备，其特征在于：包括
至少一个摄像头：所述摄像头用于采集粮仓内的待处理图像并储存起来，
一个开发板，所述开发板包括主板、存储器以及用于连接主板和存储器的总线，
所述主板上包含至少一个中央处理器，用于执行待处理图像和相邻帧图像的害虫检测，害虫检测模型从存储器中获取，所述存储器用于存储计算机指令和害虫检测模型，
所述储存器安装在主板上，所述主板与摄像头通信连接，用于接收图像数据并进行处理。
10.根据权利要求9所述的粮仓害虫的图像检测设备，其特征在于：所述摄像头上设置有输入单元、存储单元以及输出单元，所述输入单元用于获得摄像头拍摄的画面，所述存储单元用于临时存储从输入单元获得的待处理图像，所述输出单元用于将存储单元中的待处理图像发送给主板进行害虫检测，所述存储器包括随机存储器和只读存储器，所述随机存储器内储存有计算机指令，所述只读存储器内储存有害虫检测模型，所述开发板中安装有内存和通信单元，内存用于从存储器中获取中央处理器当前需要执行的计算机指令，通信单元用于接收中央处理器检测出来的待处理图像中的害虫的信息并发送给管理员。
CN202410961864.3A 2024-07-18 2024-07-18 粮仓害虫的图像检测方法、装置和设备 Pending CN118918527A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410961864.3A CN118918527A (zh) 2024-07-18 2024-07-18 粮仓害虫的图像检测方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410961864.3A CN118918527A (zh) 2024-07-18 2024-07-18 粮仓害虫的图像检测方法、装置和设备

Publications (1)

Publication Number Publication Date
CN118918527A true CN118918527A (zh) 2024-11-08

Family

ID=93307680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410961864.3A Pending CN118918527A (zh) 2024-07-18 2024-07-18 粮仓害虫的图像检测方法、装置和设备

Country Status (1)

Country Link
CN (1) CN118918527A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200154685A1 (en) * 2017-01-22 2020-05-21 Senecio Ltd. Method for sex sorting of mosquitoes and apparatus therefor
CN116343076A (zh) * 2022-12-28 2023-06-27 北京百度网讯科技有限公司 有害生物的图像检测方法、装置和设备
CN117671655A (zh) * 2023-11-23 2024-03-08 华南农业大学 基于多尺度特征增强与融合的林业害虫检测方法和系统
CN118314526A (zh) * 2024-06-07 2024-07-09 珠海市香洲区粮食收储有限公司 基于图像分析的粮仓中虫害识别方法、系统、设备和介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200154685A1 (en) * 2017-01-22 2020-05-21 Senecio Ltd. Method for sex sorting of mosquitoes and apparatus therefor
CN116343076A (zh) * 2022-12-28 2023-06-27 北京百度网讯科技有限公司 有害生物的图像检测方法、装置和设备
CN117671655A (zh) * 2023-11-23 2024-03-08 华南农业大学 基于多尺度特征增强与融合的林业害虫检测方法和系统
CN118314526A (zh) * 2024-06-07 2024-07-09 珠海市香洲区粮食收储有限公司 基于图像分析的粮仓中虫害识别方法、系统、设备和介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王亮等: "智能光电感知", 31 July 2022, 中国青年出版社, pages: 150 - 151 *

Similar Documents

Publication Publication Date Title
CN114724022B (zh) 融合SKNet与YOLOv5的养殖鱼群检测方法、系统和介质
CN113989716B (zh) 煤矿井下输送带异物目标检测方法、系统、设备及终端
CN114241511B (zh) 一种弱监督行人检测方法、系统、介质、设备及处理终端
CN112598713A (zh) 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法
CN115131325A (zh) 一种基于图像识别分析的断路器故障运维监测方法及系统
CN114140428A (zh) 基于YOLOv5的落叶松毛虫虫害检测识别方法及系统
CN112200011B (zh) 曝气池状态检测方法、系统、电子设备及存储介质
CN110992378B (zh) 基于旋翼飞行机器人的动态更新视觉跟踪航拍方法及系统
CN116456061B (zh) 基于动态目标检测的智能社区监控管理方法、系统及介质
CN105868784A (zh) 一种基于sae-svm的病虫害检测系统
CN118485823B (zh) 边缘场景下畜牧场中各动物的图像识别方法、设备及介质
CN119168425B (zh) 牧场养殖场景下围产奶牛采食量预测方法及系统
CN111582654A (zh) 基于深度循环神经网络的服务质量评价方法及其装置
CN118762360A (zh) 一种露地瓜类的成熟度识别系统
CN114022509B (zh) 基于多个动物的监控视频的目标跟踪方法及相关设备
CN117373055B (zh) 一种害虫的检测识别方法、系统、电子设备及存储介质
Bai et al. Video target detection of East Asian migratory locust based on the MOG2-YOLOv4 network
CN115239708B (zh) 植物叶片疾病检测模型训练方法和植物叶片疾病检测方法
WO2022171267A1 (en) System, method, and computer executable code for organism quantification
CN120375373A (zh) 一种基于多模型投票的医学影像自动标注方法及系统
CN119478729A (zh) 一种基于YOLOv10的小麦叶片虫害检测方法
CN118918527A (zh) 粮仓害虫的图像检测方法、装置和设备
CN119206460A (zh) 一种基于图像识别的底栖动物群落结构识别方法及系统
CN119169258A (zh) 一种多粒度低质量图像目标识别方法及系统
CN118982795A (zh) 一种车辆检测统计方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20241108