基于计算机视觉的巢门区蜂群自动化监测研究

发布时间：2022-10-09 14:39

　　蜂业在现代农业中发挥着重要作用,是人类生活环境和经济的重要组成部分。蜜蜂养殖是蜂业的基础和关键环节,传统养殖方法依赖人力与经验,作业过程中开箱观测蜂群的操作对蜂群活动和生产会产生较大干扰,随着传感器等技术进步,采用机器视觉技术开展蜂群自动化监测及蜂群行为分析将有效解决无接触观测蜂群的难题。在此背景下,本文以计算机视觉技术为核心开展巢门区蜂群自动化监测研究,实现巢门区蜂群数量检测统计和蜜蜂进出巢数量统计,并开发了巢门蜂群自动化监测系统。本文研究结果为巢门区蜂群自动化监测提供理论依据和技术支撑,也为蜂群行为分析研究奠定数据和技术研究基础,本文主要研究内容包括下面三个部分。（1）实现了巢门区蜂群数量的监测指标的自动获取。在不同光照、天气、蜂群数量等环境下针对巢门区蜂群数量进行自动检测统计,并开展优化的codebook检测、结合平均像素统计的传统方法和基于SSD模型目标检测的深度学习方法等算法研究。研究结果显示在如蜜蜂阴影、蜜蜂遮挡等复杂蜜蜂状况不同场景下,SSD方法的检测能力更具有优势,在蜂群数量较少、中等和较多情况下,采用SSD方法的蜜蜂数量统计准确率为96.34%、92.52%、88.0... 

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
附件
摘要
abstract
第一章 绪论
    1.1 研究背景
    1.2 蜂群监测研究现状
        1.2.1 巢内监测研究现状
        1.2.2 巢外监测研究现状
    1.3 研究目的和意义
    1.4 研究内容
    1.5 研究思路与技术路线
        1.5.1 研究思路
        1.5.2 技术路线
第二章 目标检测与跟踪研究现状
    2.1 目标检测
        2.1.1 目标检测概念
        2.1.2 目标检测方法
    2.2 目标跟踪
        2.2.1 目标跟踪概念
        2.2.2 目标跟踪方法
第三章 巢门区蜂群数量监测研究
    3.1 实验设计与数据获取
        3.1.1 实验设计
        3.1.2 数据获取
    3.2 数据集构建
        3.2.1 深度学习目标检测数据集
        3.2.2 测试数据集
    3.3 基于传统方法的巢门蜂群计数
        3.3.1 codebook方法简介
        3.3.2 codebook检测和区域优化
        3.3.3 阴影区域及噪点去除
        3.3.4 基于平均像素法的蜜蜂数量统计
        3.3.5 检测和计数结果分析
    3.4 基于SSD检测的巢门蜂群计数
        3.4.1 SSD算法原理
        3.4.2 模型训练
        3.4.3 检测计数结果分析
    3.5 传统方法与SSD方法对比分析
    3.6 小结
第四章 蜜蜂进出巢数量监测研究
    4.1 蜜蜂跟踪数据
    4.2 基于sort方法的蜜蜂跟踪
        4.2.1 运动模型
        4.2.2 数据关联
        4.2.3 追踪目标管理
        4.2.4 sort跟踪结果
    4.3 基于deepsort方法的蜜蜂跟踪
        4.3.1 状态估计
        4.3.2 轨迹处理
        4.3.3 数据关联
        4.3.4 级联匹配
        4.3.5 deepsort跟踪结果
    4.4 蜜蜂进出状态判断和进出数量统计
        4.4.1 蜜蜂进出状态判断
        4.4.2 蜜蜂进出数量统计
        4.4.3 进出数量统计结果分析
    4.5 小结
第五章 蜂群自动化监测系统
    5.1 系统介绍
    5.2 系统设计
        5.2.1 系统结构设计
        5.2.2 数据库设计
        5.2.3 服务功能设置
    5.3 系统开发
        5.3.1 系统开发环境
        5.3.2 系统运行环境
    5.4 系统实现
        5.4.1 系统管理
        5.4.2 蜂场管理
    5.5 小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
作者简历


【参考文献】：
期刊论文
[1]基于轻量级无锚点深度卷积神经网络的树上苹果检测模型[J]. 夏雪,孙琦鑫,侍啸,柴秀娟.  智慧农业(中英文). 2020(01)
[2]基于机器视觉与深度学习的西兰花表型快速提取方法研究[J]. 周成全,叶宏宝,俞国红,胡俊,徐志福.  智慧农业(中英文). 2020(01)
[3]基于深度残差网络的番茄叶片病害识别方法[J]. 吴华瑞.  智慧农业. 2019(04)
[4]基于迁移学习与卷积神经网络的玉米植株病害识别[J]. 陈桂芬,赵姗,曹丽英,傅思维,周佳鑫.  智慧农业. 2019(02)
[5]利用声音分析技术自动检测蜂群中蜂王情况[J]. 刘一博,曾志将.  蜜蜂杂志. 2018(09)
[6]基于超低功耗单片机和光电传感器的蜜蜂计数监测系统设计[J]. 柴秋子,陈东晓,余红,方献平,寇海源,李红亮.  农业工程学报. 2017(13)
[7]蜂巢温度全覆盖采集系统的设计与实现[J]. 闫宇,潘炜,江朝晖,齐磊,余林生.  湖南农业大学学报(自然科学版). 2016(04)
[8]基于微传感器阵列的蜂巢温度监测与分析系统[J]. 李想,江朝晖,陆元洲,潘炜,余林生.  传感器与微系统. 2015(11)
[9]蜜蜂蜂群温湿度调节研究进展[J]. 汪天澍,刘芳,余林生,潘炜,江朝晖,付月生.  生态学报. 2015(10)
[10]一种结合帧差法和混合高斯的运动检测算法[J]. 於正强,潘赟,宦若虹.  计算机应用与软件. 2015(04)

博士论文
[1]基于计算机视觉的运动目标跟踪算法研究[D]. 尹宏鹏.重庆大学 2009

硕士论文
[1]基于背景减除法的运动目标检测算法研究[D]. 李志忠.中国民航大学 2015
[2]蜂巢多点温湿度监测关键技术研究[D]. 付月生.安徽农业大学 2015
[3]蜂箱内多点温度检测系统研究[D]. 吕俊峰.中北大学 2013
[4]温度对蜜蜂卵发育影响的研究[D]. 江天宝.福建农林大学 2004



本文编号：3688819