[發明專利]基于Faster-RCNN的昆蟲密度計算方法及裝置

在審

• 申請號: 202011179829.4
• 申請日: 2020-10-29
• 公開（公告）號: CN112288795A
• 公開（公告）日: 2021-01-29
• 發明（設計）人: 周小安;譚鴻剛;張沛昌;黃磊;安萬年
• 申請（專利權）人: 深圳大學
• 主分類號: G06T7/62
• 分類號: G06T7/62;G06K9/32;G06N3/04;G06N3/08
• 代理公司: 深圳市精英專利事務所 44242
• 代理人: 巫苑明

本發明提供了一種基于Faster?RCNN的昆蟲密度計算方法及裝置，所述方法包括，通過LoRa節點控制攝像頭設備采集昆蟲圖片上傳至人工智能服務器；在人工智能服務器搭載的基于Faster?RCNN的人工卷積神經網絡的輸入層傳入昆蟲圖片；通過基于Faster?RCNN的人工卷積神經網絡對昆蟲圖片進行運算，得出昆蟲的種類以及每個昆蟲標定的檢測框；計算出檢測框的總面積與昆蟲圖片的面積之間的比值，得到昆蟲密度。本方案基于Faster?RCNN的人工卷積神經網絡，相比于閾值分割方法，提高了昆蟲密度估計的精度。

技術領域

本發明涉及一種昆蟲密度計算方法及裝置，尤其是指一種基于Faster-RCNN的昆蟲密度計算方法及裝置。

背景技術

在智慧農業物聯網的項目中，為了追求昆蟲密度識別的實時性，通常采用的是低復雜度的算法，例如閾值分割法。閾值分割法是將昆蟲的像素值設置為255，背景的像素值設置為0。但是，閾值分割法的識別率僅僅依賴于閾值的判定效果，識別精度低。

因此，有必要提供一種能夠提高昆蟲密度估計精度的方法。

發明內容

本發明所要解決的技術問題是：提供一種基于Faster-RCNN的昆蟲密度計算方法及裝置，旨在提高昆蟲密度估計精度。

為了解決上述技術問題，本發明采用的技術方案為：一種基于Faster-RCNN的昆蟲密度計算方法，包括以下步驟，

通過LoRa節點控制攝像頭設備采集昆蟲圖片上傳至人工智能服務器；

在人工智能服務器搭載的基于Faster-RCNN的人工卷積神經網絡的輸入層傳入昆蟲圖片；

通過基于Faster-RCNN的人工卷積神經網絡對昆蟲圖片進行運算，得出昆蟲的種類以及每個昆蟲標定的檢測框；

計算出檢測框的總面積與昆蟲圖片的面積之間的比值，得到昆蟲密度。

進一步的，所述計算出檢測框的總面積與昆蟲圖片的面積之間的比值，得到昆蟲密度包括，

遍歷每個檢測框的位置坐標，計算出每個檢測框的面積；

計算出檢測框的面積疊加總和；

將檢測框的面積疊加總和除以整個昆蟲圖片的面積，得到昆蟲密度。

進一步的，所述通過LoRa節點控制攝像頭設備采集昆蟲圖片上傳至人工智能服務器包括，

通過LoRa節點控制攝像頭設備拍攝昆蟲誘捕器的昆蟲圖片；

通過LoRa網絡模塊將昆蟲圖片上傳至人工智能服務器。

進一步的，所述LoRa節點通過串口控制攝像頭設備拍攝昆蟲誘捕器的昆蟲圖片。

進一步的，所述LoRa節點搭載的主控芯片為STM32芯片。

本發明還提供了一種基于Faster-RCNN的昆蟲密度計算裝置，包括，

昆蟲圖片采集模塊，用于通過LoRa節點控制攝像頭設備采集昆蟲圖片上傳至人工智能服務器；

昆蟲圖片傳入模塊，用于在人工智能服務器搭載的基于Faster-RCNN的人工卷積神經網絡的輸入層傳入昆蟲圖片；

檢測框計算模塊，用于通過基于Faster-RCNN的人工卷積神經網絡對昆蟲圖片進行運算，得出昆蟲的種類以及每個昆蟲標定的檢測框；

昆蟲密度計算模塊，用于計算出檢測框的總面積與昆蟲圖片的面積之間的比值，得到昆蟲密度。

進一步的，所述昆蟲密度計算模塊包括，