[go: up one dir, main page]

TWI793953B - 智能小黑蚊監測管理系統 - Google Patents

智能小黑蚊監測管理系統 Download PDF

Info

Publication number
TWI793953B
TWI793953B TW111100114A TW111100114A TWI793953B TW I793953 B TWI793953 B TW I793953B TW 111100114 A TW111100114 A TW 111100114A TW 111100114 A TW111100114 A TW 111100114A TW I793953 B TWI793953 B TW I793953B
Authority
TW
Taiwan
Prior art keywords
identified
image
casing
opening
module
Prior art date
Application number
TW111100114A
Other languages
English (en)
Other versions
TW202328975A (zh
Inventor
顔貽祥
范士凱
曾慶芸
梁詩婷
盛郁庭
Original Assignee
逢甲大學
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 逢甲大學 filed Critical 逢甲大學
Priority to TW111100114A priority Critical patent/TWI793953B/zh
Priority to US18/145,015 priority patent/US12310348B2/en
Application granted granted Critical
Publication of TWI793953B publication Critical patent/TWI793953B/zh
Publication of TW202328975A publication Critical patent/TW202328975A/zh

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M1/00—Stationary means for catching or killing insects
    • A01M1/02—Stationary means for catching or killing insects with devices or substances, e.g. food, pheronones attracting the insects
    • A01M1/026—Stationary means for catching or killing insects with devices or substances, e.g. food, pheronones attracting the insects combined with devices for monitoring insect presence, e.g. termites
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M1/00—Stationary means for catching or killing insects
    • A01M1/02—Stationary means for catching or killing insects with devices or substances, e.g. food, pheronones attracting the insects
    • A01M1/023—Attracting insects by the simulation of a living being, i.e. emission of carbon dioxide, heat, sound waves or vibrations
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M1/00—Stationary means for catching or killing insects
    • A01M1/06—Catching insects by using a suction effect
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M1/00—Stationary means for catching or killing insects
    • A01M1/08—Attracting and catching insects by using combined illumination or colours and suction effects
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M1/00—Stationary means for catching or killing insects
    • A01M1/10—Catching insects by using Traps
    • A01M1/106—Catching insects by using Traps for flying insects
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M1/00—Stationary means for catching or killing insects
    • A01M1/14—Catching by adhesive surfaces
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M1/00—Stationary means for catching or killing insects
    • A01M1/22—Killing insects by electric means
    • A01M1/223—Killing insects by electric means by using electrocution
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M3/00—Manual implements, other than sprayers or powder distributors, for catching or killing insects, e.g. butterfly nets
    • A01M3/005—Manual suction tools for catching insects
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M5/00—Catching insects in fields, gardens, or forests by movable appliances
    • A01M5/02—Portable appliances
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Pest Control & Pesticides (AREA)
  • Engineering & Computer Science (AREA)
  • Insects & Arthropods (AREA)
  • Wood Science & Technology (AREA)
  • Zoology (AREA)
  • Environmental Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Forests & Forestry (AREA)
  • Ecology (AREA)
  • Catching Or Destruction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)

Abstract

本發明所提供智能小黑蚊監測管理系統，其主要技術特徵係包括：一捕捉機構係抓取一為飛蟲之待辨識目標；一資料庫係儲存有預設之資料，該資料包括至少一飛蟲類別之預定數量的範例圖片；一模型訓練模組係以該範例圖片進行演算，以建立一訓練模型；一影像擷取模組係拍攝一包含該待辨識目標之影像；一辨識模組係採用YOLO(You Only Look Once)檢測框架技術自該影像中選取出一包含該待辨識目標之第一分割區域，再對該第一分割區域中之該待辨識目標提取至少一第一識別特徵，並將該第一識別特徵輸入至該訓練模型中進行影像辨識之深度學習，以辨識出該待辨識目標所屬之飛蟲類別，而產出一辨識結果；一計數模組係將該辨識結果中所包含之該待辨識目標的數量記錄至該資料庫中；一預測追蹤模組係基於該辨識結果標記於該影像中已辨識之該待辨識目標，以獲得一標記物件，並利用蒙特卡羅類別演算法對該標記物件進行追蹤預測，據以降低追蹤過程中的誤判率。

Description

智能小黑蚊監測管理系統
本發明係與捕捉蚊蟲相關，尤指一種智能小黑蚊監測管理系統。
台灣小黑蚊又名台灣鋏蠓（Forcipomyia taiwana）是一種蠓科鋏蠓屬吸血昆蟲。首見於台中縣，一度因棲息地被破壞，而銷聲匿跡，但近年來，小黑蚊的分佈範圍逐漸擴大蔓延，並且已造成台灣嚴重的生態問題。
現行的小黑蚊危害評估，主要係以人體實驗來測量小黑蚊密度，即計算20分鐘內停在一隻裸露小腿上被捕捉移走或打死的隻數，其中，危害等級分為0隻：無危害；1-5隻：輕度危害；6-20隻：中度危害；21-50隻：中重度危害；51-100隻：嚴重危害；大於100隻：極嚴重危害。
雖小黑蚊屬於騷擾性昆蟲，鮮少攜帶病媒源，不至於有傳染疾病之虞，然而被小黑蚊叮咬，會引發較為嚴重的紅、腫、痛、癢等過敏反應，並可能長達1週、甚致1個月，且少數人可能發生全身性過敏反應、或有發燒或淋巴結腫大等較為嚴重的病症。
況且，此危害評估的小黑蚊數量計算方式，係以人工觀測併計數小腿上叮咬處之數量，往往有重疊、不易辨識的問題，顯然這種數據蒐集的方式，不僅耗時費力，也容易產生較大的誤差。據此，習知小黑蚊危害評估方法實非良策，有改良之必要。
因此，本發明之主要目的即係在提供一種智能小黑蚊監測管理系統，係以智能運算技術來辨識小黑蚊，並自動化地量測小黑蚊的數量，除了可改善人工計算時所造成的誤差，還解決了習知小黑蚊危害評估量測時所衍生之問題。
本發明之另一目的即係在提供一種智能小黑蚊監測管理系統，係採用光學影像追蹤技術來標記蚊蟲，以避免重複計算。
緣是，為達成上述之目的，本發明所提供智能小黑蚊監測管理系統，其主要之技術特徵乃係以一捕捉機構抓取一為飛蟲之待辨識目標，並在此基礎上，該系統更包括一資料庫、一模型訓練模組、一影像擷取模組、一辨識模組、一計數模組及一預測追蹤模組，其中，該資料庫係儲存有預設之資料，該資料包括至少一飛蟲類別之預定數量的範例圖片；該模型訓練模組係以該範例圖片進行演算，以建立一訓練模型；該影像擷取模組係拍攝一包含該待辨識目標之影像；該辨識模組係採用YOLO(You Only Look Once)檢測框架技術自該影像中選取出一包含該待辨識目標之第一分割區域，再對該第一分割區域中之該待辨識目標提取至少一第一識別特徵，並將該第一識別特徵輸入至該訓練模型中進行影像辨識之深度學習，以辨識出該待辨識目標所屬之飛蟲類別，而產出一辨識結果；該計數模組係將該辨識結果中所包含之該待辨識目標的數量記錄至該資料庫中；該預測追蹤模組係基於該辨識結果標記於該影像中已辨識之該待辨識目標，以獲得一標記物件，並利用蒙特卡羅類別演算法對該標記物件進行追蹤預測，據以降低追蹤過程中的誤判率。
其中，該捕捉機構具有一殼體、一第一開口及一負壓裝置，該第一開口設於該殼體之一側，使該殼體所具有之一內部空間係以該第一開口與外界連通，而該負壓裝置設於該殼體上，以使該內部空間的氣壓小於外界氣壓，得以將該待辨識目標自外界環境中經由該第一開口吸入該內部空間中。
在一實施例中，該捕捉機構更包括一隔板、一通孔及一第二開口，其中，該隔板設於該殼體內，並將該內部空間區隔為一第一腔室及一第二腔室，並使該第一腔室透過該第一開口與外界連通；該通孔係貫設於該隔板上，使該第一腔室與該第二腔室相連通；該第二開口係對應該第二腔室所在位置而貫穿地設於該殼體上，以使該第二腔室透過該第二開口與外界連通。
進一步來說，為了避免捕捉進來的飛蟲逃脫，該捕捉機構還包括一錐狀之第一套管、一錐狀之第二套管及一連接管，其中，該第一套管係位於該第一腔室中，且該第一套管之一端管口係抵接連設於該殼體對應於該第一開口的位置上，以使該第一套管透過該第一開口與外界相連通，並且該第一套管的內徑係朝該第二腔室的方向逐漸縮減；該第二套管係位於該第一腔室中，且該第二套管之一端管口係抵接連設於該隔板對應於該通孔的位置上，以使該第二套管透過該通孔與該第二腔室相連通，並且該第二套管的內徑係朝該第二腔室的方向逐漸縮增；該連接管係橋接於該第一套管及該第二套管之間，使該第一套管及該第二套管彼此之間相連通，且該連接管的內徑等於該第一套管的最小內徑或等於該第二套管的最小內徑。據此，透過前述該第一套管、該連接管及該第二套管所構成之結構設計，係能透過該些管體之內徑變化所形成的壓力差，防止飛蟲逆向地從該第一開口逃脫。
在一實施例中，該捕捉機構更包括一過濾部，係覆蓋地設於該第二開口上，並僅允許流體通過。
在一實施例中，該負壓裝置為一風扇，係位於該第二腔室中，並對應該通孔的位置而設於該隔板上。
為了避免深度學習網路模型在追蹤過程中，因環境光度等不確定性因素的影響，造成影像辨識誤判率增加之問題，本發明係利用蒙特卡羅類別演算法對該標記物件進行追蹤，尤其是針對非線性且連續快速飛行的小黑蚊，具體來說，該影像數量為二，且該些影像係根據時序由前至後排列，該預測追蹤模組係以排序在前的影像中的該標記物件之座標位置作為原點，而該辨識模組再以YOLO檢測框架技術於排序在後的影像中該原點所在位置上的周圍隨機採樣多個第二分割區域，並於該些第二分割區域中分別提取一第二識別特徵，並於該些第二識別特徵中比對分析出與該第一識別特徵相似程度最高者，而以最高相似程度之該第二識別特徵所屬的該第二分割區域之座標位置定義為一預測位置，以作為該標記物件之一追蹤預測結果。
在一實施例中，該飛蟲為小黑蚊或蚊子。
在一實施例中，本發明更包括一可調發光模組，設於該殼體上，係能調整其所發射之一光源的波長，以吸引該飛蟲。
首先，須針對本說明書內所提及之名詞加以說明如下：
本發明所稱「演算」、「演算法」係指一種能將所輸入之數據進行比對與計算之程式，而該程式係指採用各種適用之統計分析暨人工智慧演算法與裝置，如迴歸分析法、層級分析法、集群分析法、類神經網路演算法、基因演算法、機器學習演算法、深度學習演算法等各式統計分析暨人工智慧演算方法。
接著，請參閱圖1及圖2所示，在本發明一較佳實施例為智能小黑蚊監測管理系統，其主要乃係包括一捕捉機構10及一辨識機構20。
該捕捉機構10係用來捕捉一待辨識目標，於本例中，該待辨識目標係屬於昆蟲綱雙翅目之飛蟲。其中，該捕捉機構10具有一殼體11、一隔板12、一通孔13、一第一開口111、一第二開口112、一第一套管14、一第二套管15、一連接管16、一負壓裝置17、一過濾部18及一可調發光模組。
該殼體11於本實施例中呈長方體，但該殼體11的外形不以長方體為限，並具有一內部空間113。該隔板12設於該殼體11內，並將該內部空間113區隔為一第一腔室114及一第二腔室115。該通孔13係貫設於該隔板12上，使該第一腔室114與該第二腔室115相連通。
該第一開口111係對應該第一腔室114所在位置，貫穿地設於該殼體11之一側，使該第一腔室114透過該第一開口111與外界連通。在本例中，該第一開口111更蓋設有一篩板19，且該篩板19的板體上設有多個篩孔191，而該些篩孔191的內徑大小係設計允許飛蟲通過。
該第二開口112係對應該第二腔室115所在位置，貫穿地設於該殼體11之另一側，以使該第二腔室115透過該第二開口112與外界連通。
該第一套管14係位於該第一腔室114中，且該第一套管14之一端管口係抵接連設於該殼體11對應於該第一開口111的位置上，且該管口的內徑係不小於該第一開口111的內徑，得以使該管口對接於該第一開口111，以令該第一套管14透過該第一開口111與外界相連通。再者，該第一套管14的內徑係朝該第二腔室115的方向逐漸縮減，而呈錐狀。
該第二套管15係位於該第一腔室114中，且該第二套管15之一端管口係抵接連設於該隔板12對應於該通孔13的位置上，且該管口的內徑係不小於該通孔131的內徑，得以使該管口對接於該通孔131，使該第二套管15透過該通孔13與該第二腔室115相連通。再者，該第二套管15的內徑係朝該第二腔室115的方向逐漸縮增，而呈錐狀。
該連接管16係橋接於該第一套管14及該第二套管15之間，且該連接管16的內徑等於該第一套管14的最小內徑及/或等於該第二套管15的最小內徑。
該負壓裝置17設於該殼體11上，於本實施例中該負壓裝置17為一風扇，係位於該第二腔室115中，並對應該通孔13的位置而設於該隔板12上。
該過濾部18係覆蓋地設於該第二開口112上，並僅允許流體通過。舉例來說，該過濾部18可為但不限於一過濾泡棉，而該流體為空氣。
該殼體11係設有該可調發光模組，並可調整其所發射之一光源的波長，來吸引該捕捉機構10周圍的特定之飛蟲。在其他實施例中，還可配合使用一特殊氣味吸引飛蟲進入該捕捉機構10。
藉由上述構件之組成，當該負壓裝置17運作時，係將外部空氣由該第一開口111經過該第一套管14、該連接管16、該第二套管15及該第二腔室115，而自該第二開口112流出，據此，利用空氣的流動，以令該內部空間113的氣壓小於外界氣壓，得以將該待辨識目標自外界環境中經由該第一開口111吸入該內部空間113中。
同時，由於該第一套管14、該連接管16及該第二套管15所構成之結構設計，係能透過該些管體內徑變化所造成通道截面積的改變，以形成空氣流動時的壓力差，從而防止捕捉進來的飛蟲逃脫。
再者，該辨識機構20包括一資料庫21、一模型訓練模組22、一影像擷取模組23、一預處理模組24、一辨識模組25、一計數模組26及一預測追蹤模組27，且該等模組之間係互相通訊連接，以傳輸相關資料，例如，以4G、5G、WIFI、藍芽、NFC或RFID等無線通訊模式，亦或是有線傳輸的方式來連線。
具體來說，該資料庫21可為但不限於相變記憶體(PRAM)、靜態隨機存取記憶體(SRAM)、動態隨機存取記憶體(DRAM)、快閃記憶體碟、唯讀記憶體(Read-Only Memory；ROM)、隨機存取記憶體(Random Access Memory；RAM)、磁碟或光碟等，用以儲存有預設之資料，該資料包括N個飛蟲類別之預定數量的範例圖片，N為自然數。於本實施例中，該飛蟲類別係以昆蟲綱雙翅目所屬之各類昆蟲來分類，諸如蚊、蠅、虻等飛蟲，尤其是小黑蚊。
以該飛蟲類別為小黑蚊為例，各該範例圖片係包含小黑蚊之頭部（Head）、眼睛（Eyes）、口器（Mouth Parts）、觸角（Antennae）、吻管（Proboscis）、胸部（Thorax）、腳（Legs）、翅膀（Wings）、前翅（Fore Wings）、後翅（Hind Wings）、翅脈（Venation）、鱗片（Scale）及腹部（Abdomen）等識別特徵。
該模型訓練模組22係以對N個飛蟲類別各自所對應之該些範例圖片進行演算，以分別建立出N個訓練模型。舉例來說，本發明主要係用以辨識小黑蚊，而以小黑蚊的圖片來演算出專屬於小黑蚊的訓練模型。
該影像擷取模組23係可為但不限於一攝影機、一照相機、一包含電荷耦合元件（CCD）或互補式金氧半（CMOS）之設備，用以拍攝一包含該待辨識目標之影像。
該預處理模組24係對該影像進行圖像預處理，包括幀數正歸化和灰階處理，以提高圖像的清晰度，惟是等圖像預處理之技術內容乃屬習知技術之範躊，於此即不為冗陳。
該辨識模組25係採用YOLO(You Only Look Once)檢測框架技術自該影像中選取出一包含該待辨識目標之第一分割區域，再對該第一分割區域中之該待辨識目標提取至少一第一識別特徵，其中，該第一識別特徵係指頭部、眼睛、口器、觸角、吻管、胸部、腳、翅膀、前翅、後翅、翅脈、鱗片或腹部任其中一者。接著，再將該第一識別特徵輸入至N個不同的訓練模型中，分別進行影像辨識之深度學習，以辨識出該待辨識目標所屬之飛蟲類別，而產出一辨識結果，例如，若該待辨識目標為小黑蚊，則該辨識結果同樣係小黑蚊。
詳細來說，YOLO 是一種物件偵測的神經網路演算法，具有輕量化的運算、辨識快速與高準確度的優點，在本實例中，係將前述該辨識模組25的演算方式係命名為LightNet-Yolo，並參考Yolo-Lite（即時目標檢測模型）的淺層卷積神經網路(CNN，Convolutional Neural Network)的架構，以利用二次定位辨識技術來提升影像檢測品質，且因該待辨識目標為小黑蚊，其體積較小且飛行速度快，故以LightNet-Yolo皆能清晰化物件且節省網路運算量。例如，以Mask R-CNN（物件分割影像分析演算法）來說，其係一種實例分割的框架，此框架共分成兩個階段，第一階段會利用矩形框選辨識目標的範圍，接著第二階段再將目標範圍進行分類，於框選範圍旁生成目標類別。但是，在相同的資料量下，因Mask R-CNN 係以多邊形框選目標，而YOLO則係以矩形來框選目標，故Mask R-CNN 比YOLO 需要多一倍的訓練時間。
該計數模組26係將該辨識結果中所包含之該待辨識目標的數量記錄至該資料庫21中。此外，還可將其時間、分佈位置等資料數位化，並進行更精確的分析，例如，可得知該待辨識目標的出沒時段、及其所分佈地區等實際狀況。
該預測追蹤模組27係基於該辨識結果標記於該影像中已辨識之該待辨識目標，以獲得一標記物件，以對該標記物件進行追蹤預測。其中，為了避免在追蹤過程中，因環境光度等不確定性因素的影響，而造成影像辨識誤判率增加之問題，本發明係利用蒙特卡羅類別演算法對該標記物件進行追蹤，尤其是針對非線性且連續快速飛行的小黑蚊，具體來說，該影像數量為二，且該些影像係根據時序由前至後排列，該預測追蹤模組27係以排序在前的影像中的該標記物件之座標位置作為原點，而該辨識模組25再以YOLO檢測框架技術於排序在後的影像中該原點所在位置上的周圍隨機採樣多個第二分割區域，並於該些第二分割區域中分別提取一第二識別特徵，並於該些第二識別特徵中比對分析出與該第一識別特徵相似程度最高者，而以最高相似程度之該第二識別特徵所屬的該第二分割區域之座標位置定義為一預測位置，以作為該標記物件之一追蹤預測結果。
其中，相似程度可利用圖像相似度演算法（d_score）來運算出對應之結果，而圖像相似度演算法為習知技術，且並非本發明訴求的重點，故不贅述。
再者，根據使用者需求，可對於該訓練模型的模型演算法進行優化、及相關模組之參數調整，以提升辨識追蹤的精準度。
此外，該辨識機構20係以低功耗通訊技術（如藍芽通訊技術）做為資料傳輸的基礎，而可將其運算結果上傳至雲端或者網際網路，以減少人工收集資料的作業時間，還可達到即時監測及管理之目的，例如，本發明還可配合GPS等定位技術來進行定位，同時全程即時量測並紀錄小黑蚊的密集程度、棲息資訊、分布狀況及其周遭環境狀態（即該區域的人流、溫度、濕度狀態等），並將該等資料傳輸至雲端平台、或終端裝置（如使用者的手機）上，以更適合地針對小黑蚊進行環境整治規劃，節省不必要的資源浪費，並提升環境整治之效率。其中，終端裝置可為但不限於電腦、平板電腦、手機、電視螢幕或儀表板等。並且，若辨識機構20有異常訊息時，可發送一即時警訊至雲端平台、或終端裝置。
另外，本發明所揭之智能小黑蚊監測管理系統，其重量及大小均以輕巧、便利性為主，易於建置於場域各處，可應用於任一區域檢測分析小黑蚊之數量多寡。再者，該智能小黑蚊監測管理系統還可結合一可擕式太陽能發電裝置，適時地提供該系統運作所需的能源，其中，該可擕式太陽能發電裝置係由太陽能板、電池、LED燈泡、藍牙感測器、USB輸出口及外殼所組合而成，其總發電容量係少於 5 瓦特(Watt)，以達到能源安全、綠色經濟及環境永續之目的。
以上僅是藉由各該實例詳細說明本發明，熟知該技術領域者於不脫離本發明精神下，而對於說明書中之實施例所做的任何簡單修改或是變化，均應為本案申請專利範圍所得涵攝者。
10:捕捉機構 11:殼體 111:第一開口 112:第二開口 113:內部空間 114:第一腔室 115:第二腔室 12:隔板 13:通孔 14:第一套管 15:第二套管 16:連接管 17:負壓裝置 18:過濾部 19:篩板 191:篩孔 20:辨識機構 21:資料庫 22:模型訓練模組 23:影像擷取模組 24:預處理模組 25:辨識模組 26:計數模組 27:預測追蹤模組
圖1係本發明之較佳實施例之智能小黑蚊監測管理系統的立體示意圖。 圖2係本發明之較佳實施例之辨識機構的系統方塊圖。
10:捕捉機構
11:殼體
111:第一開口
112:第二開口
113:內部空間
114:第一腔室
115:第二腔室
12:隔板
13:通孔
14:第一套管
15:第二套管
16:連接管
17:負壓裝置
18:過濾部
19:篩板
191:篩孔
23:影像擷取模組

Claims (6)

  1. 一種智能小黑蚊監測管理系統，包括：一捕捉機構，具有一殼體、一第一開口及一負壓裝置，該第一開口設於該殼體之一側，使該殼體所具有之一內部空間係以該第一開口與外界連通，而該負壓裝置設於該殼體上，以使該內部空間的氣壓小於外界氣壓，得以將一待辨識目標自外界環境中經由該第一開口被吸入該內部空間中；其中，該待辨識目標係屬於昆蟲綱雙翅目之飛蟲；一資料庫，係儲存有預設之資料，該資料包括至少一飛蟲類別之預定數量的範例圖片；一模型訓練模組，係以該些範例圖片進行演算，以建立一訓練模型；一影像擷取模組，設於該殼體上，用以拍攝一包含該待辨識目標之影像；一辨識模組，係採用YOLO(You Only Look Once)檢測框架技術自該影像中選取出一包含該待辨識目標之第一分割區域，再對該第一分割區域中之該待辨識目標提取至少一第一識別特徵，並將該第一識別特徵輸入至該訓練模型中進行影像辨識之深度學習，以辨識出該待辨識目標所屬之飛蟲類別，而產出一辨識結果；一計數模組，係將該辨識結果中所包含之該待辨識目標的數量記錄至該資料庫中；一預測追蹤模組，係基於該辨識結果標記於該影像中已辨識之該待辨識目標，以獲得一標記物件，並利用蒙特卡羅類別演算法對該標記物件進行追蹤預測，據以降低追蹤過程中的誤判率；其中，該影像數量為二，且該些影像係根據時序由前至後排列，該預測追蹤模組係以排序在前的影像中的該標記物件之座標位置作為原點，而該辨識模 組再以YOLO檢測框架技術於排序在後的影像中該原點所在位置上的周圍隨機採樣多個第二分割區域，並於該些第二分割區域中分別提取一第二識別特徵，並於該些第二識別特徵中比對分析出與該第一識別特徵相似程度最高者，而以最高相似程度之該第二識別特徵所屬的該第二分割區域之座標位置定義為一預測位置，以作為該標記物件之一追蹤預測結果。
  2. 如請求項1所述智能小黑蚊監測系統，其中，該飛蟲為小黑蚊或蚊子。
  3. 如請求項1所述智能小黑蚊監測系統，其更包括一可調發光模組，設於該殼體上，係能調整其所發射之一光源的波長，以吸引該飛蟲。
  4. 一種智能小黑蚊監測管理系統，包括：一捕捉機構，具有一殼體、一第一開口及一負壓裝置，該第一開口設於該殼體之一側，使該殼體所具有之一內部空間係以該第一開口與外界連通，而該負壓裝置設於該殼體上，以使該內部空間的氣壓小於外界氣壓，得以將一待辨識目標自外界環境中經由該第一開口被吸入該內部空間中；其中，該待辨識目標係屬於昆蟲綱雙翅目之飛蟲；一資料庫，係儲存有預設之資料，該資料包括至少一飛蟲類別之預定數量的範例圖片；一模型訓練模組，係以該些範例圖片進行演算，以建立一訓練模型；一影像擷取模組，設於該殼體上，用以拍攝一包含該待辨識目標之影像；一辨識模組，係採用YOLO(You Only Look Once)檢測框架技術自該影像中選取出一包含該待辨識目標之第一分割區域，再對該第一分割區域中之該待辨識目標提取至少一第一識別特徵，並將該第一識別特徵輸入至該訓練模型中進行影像辨識之深度學習，以辨識出該待辨識目標所屬之飛蟲類別，而產出一辨識結果； 一計數模組，係將該辨識結果中所包含之該待辨識目標的數量記錄至該資料庫中；一預測追蹤模組，係基於該辨識結果標記於該影像中已辨識之該待辨識目標，以獲得一標記物件，並利用蒙特卡羅類別演算法對該標記物件進行追蹤預測，據以降低追蹤過程中的誤判率；其中，該影像數量為二，且該些影像係根據時序由前至後排列，該預測追蹤模組係以排序在前的影像中的該標記物件之座標位置作為原點，而該辨識模組再以YOLO檢測框架技術於排序在後的影像中該原點所在位置上的周圍隨機採樣多個第二分割區域，並於該些第二分割區域中分別提取一第二識別特徵，並於該些第二識別特徵中比對分析出與該第一識別特徵相似程度最高者，而以最高相似程度之該第二識別特徵所屬的該第二分割區域之座標位置定義為一預測位置，以作為該標記物件之一追蹤預測結果；其中，該捕捉機構更包括：一隔板，設於該殼體內，並將該內部空間區隔為一第一腔室及一第二腔室，並使該第一腔室透過該第一開口與外界連通；一通孔，係貫設於該隔板上，使該第一腔室與該第二腔室相連通；一第二開口，係對應該第二腔室所在位置而貫穿地設於該殼體上，以使該第二腔室透過該第二開口與外界連通；一錐狀之第一套管，係位於該第一腔室中，且該第一套管之一端管口係抵接連設於該殼體對應於該第一開口的位置上，以使該第一套管透過該第一開口與外界相連通，並且該第一套管的內徑係朝該第二腔室的方向逐漸縮減；一錐狀之第二套管，係位於該第一腔室中，且該第二套管之一端管口係抵接連設於該隔板對應於該通孔的位置上，以使該第二套管透過該通孔與該第二腔室相連通，並且該第二套管的內徑係朝該第二腔室的方向逐漸縮增； 一連接管，橋接於該第一套管及該第二套管之間，使該第一套管及該第二套管彼此之間相連通，且該連接管的內徑等於該第一套管的最小內徑或等於該第二套管的最小內徑。
  5. 如請求項4所述智能小黑蚊監測系統，其中，該捕捉機構更包括一過濾部，係覆蓋地設於該第二開口上，並僅允許流體通過。
  6. 如請求項4所述智能小黑蚊監測系統，其中，該負壓裝置為一風扇，係位於該第二腔室中，並對應該通孔的位置而設於該隔板上。
TW111100114A 2022-01-03 2022-01-03 智能小黑蚊監測管理系統 TWI793953B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW111100114A TWI793953B (zh) 2022-01-03 2022-01-03 智能小黑蚊監測管理系統
US18/145,015 US12310348B2 (en) 2022-01-03 2022-12-21 Intelligent Forcipomyia taiwana monitoring and management system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW111100114A TWI793953B (zh) 2022-01-03 2022-01-03 智能小黑蚊監測管理系統

Publications (2)

Publication Number Publication Date
TWI793953B true TWI793953B (zh) 2023-02-21
TW202328975A TW202328975A (zh) 2023-07-16

Family

ID=86689395

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111100114A TWI793953B (zh) 2022-01-03 2022-01-03 智能小黑蚊監測管理系統

Country Status (2)

Country Link
US (1) US12310348B2 (zh)
TW (1) TWI793953B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3975710A1 (en) * 2019-05-24 2022-04-06 Romanova, Anastasiia Romanivna Mosquito monitoring and counting system
WO2023114442A1 (en) * 2021-12-15 2023-06-22 Vectech, LLC System for image based remote surveillance in an insect trap
UA129734C2 (uk) * 2022-12-30 2025-07-16 Анастасія Романівна Романова Пастка для комах
US12022820B1 (en) * 2023-10-11 2024-07-02 Selina S Zhang Integrated insect control system
US20250160313A1 (en) * 2023-11-16 2025-05-22 Samantha CLUM Pest control apparatus and system
CN118711160B (zh) * 2024-08-30 2024-12-06 湖南工程学院 一种基于边缘部署的矿井电机车防碰撞方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784239A (zh) * 2018-12-29 2019-05-21 上海媒智科技有限公司 飞虫数量识别方法和装置
CN111062971A (zh) * 2019-12-13 2020-04-24 深圳龙岗智能视听研究院 一种基于深度学习多模态的跨摄像头泥头车追踪方法
US20200154685A1 (en) * 2017-01-22 2020-05-21 Senecio Ltd. Method for sex sorting of mosquitoes and apparatus therefor
CN112200368A (zh) * 2020-10-13 2021-01-08 广东省科学院智能制造研究所 一种蚊子数量预测方法及系统
CN113192205A (zh) * 2021-03-24 2021-07-30 中国矿业大学 一种井下粉尘运移可视化系统及其应用

Family Cites Families (67)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US988476A (en) * 1910-06-27 1911-04-04 Francis M La Baum Insect-trap.
US983468A (en) * 1910-06-28 1911-02-07 Robert N Wood Insect-trap.
BE404432A (zh) * 1933-12-27
US2046430A (en) * 1935-04-26 1936-07-07 Claude B Rutherford Insect trap
US3058257A (en) * 1961-11-08 1962-10-16 Ralph D Brophy Insect trap
US3196577A (en) * 1962-04-09 1965-07-27 Dublin Entpr Inc Insect exterminator
US3201893A (en) * 1963-09-03 1965-08-24 Gen Electric Insect trap
US3305965A (en) * 1965-05-04 1967-02-28 Iii Dudley E Cornell Suction type black light insect trap
US3319375A (en) * 1965-07-26 1967-05-16 Frank B Harvath Yellow jacket trap
US4788789A (en) * 1987-12-21 1988-12-06 The United States Of America As Represented By The Secretary Of The Army Collapsible insect trap
US6134826A (en) * 1999-02-22 2000-10-24 Mah; Pat Y. Electrical insect trap for attracting, killing and disposing of flying insects
KR100372362B1 (ko) * 2000-08-31 2003-02-26 이상익 해충포집장치
US6574914B2 (en) * 2001-04-09 2003-06-10 John T. Smith Flying insect trap
DE602004012409T2 (de) * 2003-06-16 2009-04-23 Ronnau Development Aps Schädlingsbekämpfungssystem
US7784215B2 (en) * 2006-11-09 2010-08-31 Lee William Cohnstaedt Methods and compositions for improved light traps
KR20090005532U (ko) * 2007-12-03 2009-06-08 가부시키가이샤 슈산 해충 포획기
US9946922B2 (en) * 2009-01-15 2018-04-17 Tokitae Llc Photonic fence
US20130174474A1 (en) * 2009-04-27 2013-07-11 Brian Robert Blazer Treatment Of Carpenter Bee Infestation
TWI590193B (zh) * 2011-09-29 2017-07-01 國立清華大學 昆蟲影像檢測方法以及昆蟲分類流程
US12412414B2 (en) * 2012-07-05 2025-09-09 Bernard Fryshman Insect and other small object image recognition and instant active response with enhanced application and utility
EP2892331A4 (en) * 2012-09-04 2016-06-22 Israel State SYSTEM FOR THE AUTOMATIC INTEGRATION AND COUNTING FLYING INSECTS
KR20140077512A (ko) * 2012-12-14 2014-06-24 한국전자통신연구원 온실 해충 퇴치 장치 및 방법
EP3107382B1 (en) * 2014-02-18 2020-12-02 onVector Technology LLC Object detection systems
US9915732B2 (en) * 2014-02-18 2018-03-13 Onvector Technology Llc Object detection systems
US9883666B1 (en) * 2014-09-15 2018-02-06 David A. Conklin Flying insect trap
EP3199022B1 (en) * 2014-09-24 2019-03-27 Shanghai Xingrang Industrial Co., Ltd. Smart imaging system and insect-trapping apparatus provided with same
KR101507554B1 (ko) * 2014-12-12 2015-04-01 주식회사 이티엔디 해충정보관리를 위한 영상촬영기능을 갖춘 포충장치
US20200113164A1 (en) * 2015-02-25 2020-04-16 C.A.A. "Giorgio Nicoli" S.r.l. Device for monitoring and catching insects of the culicidae population
ES2796284T3 (es) * 2015-02-25 2020-11-26 Maurizio Magnani Dispositivo para vigilar y atrapar insectos de la población Culicidae
WO2016168347A1 (en) * 2015-04-13 2016-10-20 University Of Florida Research Foundation, Inc. Wireless smart mosquito and insect trap device, network and method of counting a population of the mosquitoes or insects
US20180263234A1 (en) * 2015-10-01 2018-09-20 Ipm Products Manufacturing, Inc. Insect control device and method of using the same
US10966420B2 (en) * 2016-06-09 2021-04-06 Microsoft Technology Licensing, Llc Insect trap
KR102536680B1 (ko) * 2016-07-04 2023-05-26 서울바이오시스 주식회사 포충기
US20190281805A1 (en) * 2016-07-22 2019-09-19 Breakthrough Technologies, LLC Adaptive insect trap
EP3532962B1 (en) * 2016-10-28 2023-06-28 Verily Life Sciences LLC Predictive models for visually classifying insects
WO2018140679A1 (en) * 2017-01-27 2018-08-02 The Johns Hopkins University A system for insect surveillance and tracking
SG11202000035WA (en) * 2017-07-06 2020-02-27 Senecio Ltd Method and apparatus for sex sorting of mosquitoes
KR101924393B1 (ko) * 2017-10-30 2018-12-03 주식회사 엑스티엘 이미지 분석을 통한 해충 동정과 정보 모니터링 시스템 및 이를 이용한 모니터링 방법
US10729117B2 (en) * 2017-12-25 2020-08-04 Zhongkai University Of Agriculture And Engineer Pest monitoring method based on machine vision
WO2019221014A1 (ja) * 2018-05-18 2019-11-21 アース製薬株式会社 飛翔害虫の誘引捕獲装置
US20200000079A1 (en) * 2018-06-27 2020-01-02 Frontier Bio Technology Company Ltd. Insect trapper with safety protection device
IL260844B (en) * 2018-07-29 2019-09-26 Benedek Nadav System and method for locating and destroying insects
CN208956778U (zh) * 2018-08-01 2019-06-11 深圳市远祥科技有限公司 一种太阳能led杀虫灯
EP3836782B1 (en) * 2018-08-01 2026-01-14 Romanova, Anastasiia Romanivna An eco-friendly mosquito control system
US11659826B2 (en) * 2018-09-21 2023-05-30 Bayer Aktiengesellschaft Detection of arthropods
US10524461B1 (en) * 2018-09-25 2020-01-07 Jace W. Files Pest detector to identify a type of pest using machine learning
US10922573B2 (en) * 2018-10-22 2021-02-16 Future Health Works Ltd. Computer based object detection within a video or image
JP6743200B2 (ja) * 2019-01-11 2020-08-19 アース環境サービス株式会社 吸引式捕虫器
IL264367B (en) * 2019-01-21 2021-03-25 Agrint Sensing Solutions Ltd A system and method for counting agricultural pests in a trap
US10925274B2 (en) * 2019-02-06 2021-02-23 Satish K. CHerukumalli Smart trap for mosquito classification
EP3963476A1 (en) * 2019-05-03 2022-03-09 Verily Life Sciences LLC Predictive classification of insects
ES2992126T3 (es) * 2019-05-03 2024-12-09 Verily Life Sciences Llc Separación y clasificación de insectos
EP3975710A1 (en) * 2019-05-24 2022-04-06 Romanova, Anastasiia Romanivna Mosquito monitoring and counting system
DE102019121833A1 (de) * 2019-06-25 2020-12-31 Rutronik Elektronische Bauelemente Gmbh Verfahren zum Beeinflussen von Gliederfüßern
US11439136B2 (en) * 2020-04-10 2022-09-13 Toyota Motor Engineering & Manufacturing North America, Inc. Automated pest warning and eradication system
US11490609B2 (en) * 2020-06-25 2022-11-08 Satish K. CHerukumalli Mosquito identification classification trap and method to use
US20220104474A1 (en) * 2020-10-07 2022-04-07 University Of South Florida Smart mosquito trap for mosquito classification
US12106560B2 (en) * 2021-01-29 2024-10-01 Iunu, Inc. Pest infestation detection for horticultural grow operations
US12458010B2 (en) * 2021-05-11 2025-11-04 The Penn State Research Foundation Intelligent insect trap and monitoring system
US20220413166A1 (en) * 2021-05-18 2022-12-29 Luminated Glazings, Llc Scattering fields in a medium to redirect wave energy onto surfaces in shadow
US20230247978A1 (en) * 2022-02-06 2023-08-10 Amos Azaria Method and System for an Insect Killer Drone
US20230385654A1 (en) * 2022-05-25 2023-11-30 X Development Llc Model-predictive control of pest presence in host environments
UA129734C2 (uk) * 2022-12-30 2025-07-16 Анастасія Романівна Романова Пастка для комах
EP4440303A1 (en) * 2023-02-20 2024-10-09 Romanova, Anastasiia Romanivna A device for attracting and collecting insects
US20240371395A1 (en) * 2023-05-02 2024-11-07 Wisconsin Alumni Research Foundation Audio-based insect monitoring
US12022820B1 (en) * 2023-10-11 2024-07-02 Selina S Zhang Integrated insect control system
CN117392609A (zh) * 2023-10-31 2024-01-12 南京生兴有害生物防治技术股份有限公司 一种媒介天牛监测方法、系统、终端设备及存储介质

Patent Citations (5)

* 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
CN109784239A (zh) * 2018-12-29 2019-05-21 上海媒智科技有限公司 飞虫数量识别方法和装置
CN111062971A (zh) * 2019-12-13 2020-04-24 深圳龙岗智能视听研究院 一种基于深度学习多模态的跨摄像头泥头车追踪方法
CN112200368A (zh) * 2020-10-13 2021-01-08 广东省科学院智能制造研究所 一种蚊子数量预测方法及系统
CN113192205A (zh) * 2021-03-24 2021-07-30 中国矿业大学 一种井下粉尘运移可视化系统及其应用

Also Published As

Publication number Publication date
US20230210102A1 (en) 2023-07-06
US12310348B2 (en) 2025-05-27
TW202328975A (zh) 2023-07-16

Similar Documents

Publication Publication Date Title
TWI793953B (zh) 智能小黑蚊監測管理系統
Wu et al. Using a CNN-LSTM for basic behaviors detection of a single dairy cow in a complex environment
CN107667903B (zh) 基于物联网的畜牧养殖活体体重监测方法
SE545381C2 (en) Method for calculating the deviation relation of a population registered on image for calculating pest infestation on a bee population
CN112528817A (zh) 一种基于神经网络的巡检机器人视觉检测及跟踪方法
US20240193946A1 (en) Bird detection and species determination
CN107578089A (zh) 一种农作物灯诱测报害虫的自动识别与计数方法
CN112668631B (zh) 基于卷积神经网络的移动端社区宠物识别方法
CN114898405A (zh) 基于边缘计算的便携式肉鸡异常监测系统
CN110245604B (zh) 基于卷积神经网络的蚊虫识别方法
CN111753594A (zh) 危险识别方法、装置及系统
CN116453056A (zh) 目标检测模型构建方法和变电站异物入侵检测方法
CN111931661A (zh) 一种基于卷积神经网络的实时口罩佩戴检测方法
CN117115688A (zh) 基于深度学习的低亮度环境下死鱼识别计数系统及方法
Zhang et al. A multi-species pest recognition and counting method based on a density map in the greenhouse
Madhumathi et al. Advanced wild animal detection and alert system using YOLO V5 model
CN118658209A (zh) 基于ai的生猪异常行为监测预警方法及系统
Huang et al. Advanced deep learning algorithm for instant discriminating of tea leave stress symptoms by smartphone-based detection
CN117581841A (zh) 基于LightYOLOV4的堤坝白蚁检测装置与白蚁检测方法
CN116994285A (zh) 一种基于深度神经网络的鸟类物种识别方法及装置
Liang Effectiveness of transfer learning, convolutional neural network and standard machine learning in computer vision assisted bee health assessment
Wan et al. Research on the method of grass mouse hole target detection based on deep learning
CN116798072A (zh) 一种基于注意力机制的野生动物实时识别及跟踪算法
CN116563758A (zh) 狮头鹅监控方法、装置、设备及存储介质
CN119625582B (zh) 基于yolo算法的棉花虫害检测与抗虫性评估方法及系统