基于深度学习算法的水稻飞虱虫害图像测报系统设计

发布时间：2022-01-20 16:48

　　为了实现水稻飞虱虫害诊断,解决传统测报系统中存在的误报率高的问题,利用深度学习算法从硬件和软件两个方面对水稻飞虱虫害图像测报系统进行优化设计。测报硬件系统主要由主机、分机、传感器以及图像采集设备组成,并通过电源电路为硬件设备提供电力支持。在硬件设备安装完成的基础上,建立数据库为软件功能的实现提供基础数据,并利用深度学习算法通过采集图像预处理、识别水稻飞虱虫害和启动异常报警程序三个步骤实现图像测报功能。为了检测设计的基于深度学习算法的水稻飞虱虫害图像测报系统的性能,设计系统测试实验。经过与传统测报系统的对比可以发现,设计的虫害图像测报系统的误差率降低了0.19%,且平均时间消耗节省了0.64 s。 

【文章来源】：现代电子技术. 2020,43(21)北大核心

【文章页数】：4 页

【部分图文】：

虫害图像测报硬件系统结构图

稳压电源电路图

传感器设备主要用来采集实时水稻稻田的图像，然而不同的环境需要设置不同的图像参数，例如，当稻田环境处于阴天或光线较弱时需要调节图像采集设备的光圈以及其他参数数值，因此需要在硬件系统中设置数据传感器。其中包括温度传感器、湿度传感器、光照强度传感器、下雨情况判断传感器等[4]。多个传感器按照自身的参数采集原理通过协调工作的方式得到相关的传感数据，参考对应的传感结果提升采集图像分辨率。其中，光照强度传感器中的电路分布情况如图3所示。1.4 图像采集设备

【参考文献】：
期刊论文
[1]佳多虫情图像自动信息采集测报灯对几种水稻害虫的图像监测效果评价[J]. 李广香,辛德育,李旭林,覃德注,张世联,谢茂昌.  广西植保. 2019(01)
[2]基于深度学习的粮库虫害实时监测预警系统[J]. 罗强,黄睿岚,朱轶.  江苏大学学报(自然科学版). 2019(02)
[3]基于神经网络的高分辨率快速目标检测方法[J]. 冯珂垚,饶鹏,陆福星,朱含露.  电子设计工程. 2018(22)
[4]农业害虫自动识别与监测技术[J]. 封洪强,姚青.  植物保护. 2018(05)
[5]基于自适应判别深度置信网络的棉花病虫害预测[J]. 王献锋,张传雷,张善文,朱义海.  农业工程学报. 2018(14)
[6]基于深度学习的植物病虫害图像识别[J]. 安强强,张峰,李赵兴,张雅琼.  农业工程. 2018(07)
[7]基于RGB统计特征的农作物虫害图像感知系统设计[J]. 周杰,潘宏侠,唐明军,陶涛.  安徽农业科学. 2017(27)
[8]浅谈林区病虫害数据库的建立与共享[J]. 王惠.  中国林业产业. 2017(02)
[9]分布式移动农业病虫害图像采集与诊断系统设计与试验[J]. 姚青,张超,王正,杨保军,唐健.  农业工程学报. 2017(S1)



本文编号：3599182